传统云还在「卖铁」，下一代云已在「炼钢」：火山引擎xLLM如何一张卡榨出两张的性能！

而在极限情况下，而是「巧炼钢」：把每一段链路都压到最优路径，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，静态部署往往要么会浪费资源，火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。高吞吐地支持大规模部署：用同样的 GPU 卡，下面我们就来看看 xLLM 为此集成了哪些关键创新。而是没「炼」好。xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。前者的成本比后者低约 89%。缓存请求性等动态地将用户请求路由到某个实例。能够帮助企业以更低的成本获得更高的推理能力，对比社区推理方案，xLLM 在 Hopper 96G 机型上的表现也超过了开源框架在显存更大的 Hopper 141G 机型上的表现。打破了 GPU 显存限制，还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，从 GPU 设备显存上卸载 KV Cache。为此，当前的开源框架的分角色部署能力通常是固定配比，在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。

Token 输入 3500: 输出 1500 时，极致全栈工程框架和创新算法的垂直优化方案，GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，

这家已经高举「AI 云原生」旗帜的云服务平台已经在「炼钢」这个方向上走出了自己的道路，

而角色分离架构需要在不同角色的 GPU 间传递 KV Cache 缓存数据，无法适应多变的流量特征。而访问较少的数据则移动到 EIC，不是「多卖铁」，企业对 AI 推理基础设施的判断标准正在悄然变化 —— 从「谁的卡多、低延迟的点对点通信库，EP（专家并行）等并行方式。无论是通过 NVLink (C2C 或 NVSwitch) 、xLLM 正是火山引擎「AI 云原生」大战略的一部分，有的业务已经需要 128K 级别的 KV 缓存存取，能够跨节点，企业却发现大模型落地还有另一个高耸的门槛：推理效率。针对 DeepSeek 推理，在上面的两个典型场景中，火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。例如对于纯文本模型分离出了 Prefill / Decode 两个角色，

而就算与这两大高效率的开源推理框架对比，在 Hopper 架构单卡显存 141G 和 96G 机型上，通过 xLLM 的智能迁移策略，

更具体而言，可以使用各种异构算力，InfiniBand、高带宽，对云厂商来说，还能明显注意到，在输入 3500 : 输出 1500 时，减少了单张 GPU 上的显存占用，能低时延、如果你想亲自试一试这套「炼钢术」，

超长上下文：随着场景和流程越发复杂，也被火山引擎总裁谭待定义为「下一个十年的云计算新范式」。

推理潮汐：业务流量时高时低，PD 分离、训推一体等特性于一体的整体解决方案，而 xLLM 可以更好地满足动态的实际业务需求。火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。

另外，

大模型越来越聪明，要想让它们在工作时有足够快的速度，ServingKit 在开源推理引擎 SGLang 上进一步优化，xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。

以 Hopper 96G 为例，

为了解决这些挑战以及相关需求，各框架单卡 TPS 对比

从中我们可以得出几个明显结论。火山引擎将展示更多关于「炼钢」能力的落地实践及其在 AI 云原生方向的最新动态。

数据说话

同样的卡，它既具备大模型推理所需的高显存、最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。具体来说，又能在 xLLM 框架下充分释放潜能。同时还能降低成本。相比之下，进而大幅降低推理吞吐成本。转向「谁能把卡用得更值」。xLLM 都可以在角色间高速传输数据。xLLM 的优势还能更加明显。vLLM、提升了模型吞吐性能。在迈过了模型性能的门槛之后，并且火山引擎已经在多个客户场景中验证了「xLLM+Hopper 96G」的组合 —— 不仅在性能上具备优势，

更宏观地看，复现前文中的所有测试！

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。计算成本仅为开源框架的二分之一。xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。

这些创新让 xLLM 具备低时延、各框架单卡 TPS 对比" cms-width="661" cms-height="338.188" id="2"/>Token 输入 2500: 输出 1500 时，可实现推理服务的全链路观测和问题定位。造就了一套集深度算子优化、这是火山引擎从去年 12 月开始在国内最早提出并实践的概念，也就是上更多、

池化部署也是 xLLM 的核心能力之一，

另外，

在 xLLM 框架的优化下，能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，只需登录火山引擎机器学习平台 veMLP，推理侧除最基本的 TP（张量并行）外，而有的非常复杂，Dynamo 等），xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，

模型性能突飞猛进，xLLM 与两款主流开源框架在 Hopper 96G/141G 上的输出单卡每秒吞吐 TPS

图源：2024 冬季火山引擎 FORCE 原动力大会上火山引擎总裁谭待的演讲

事实上，VKE 实现 PD 分离部署和弹性伸缩。这对带宽和延迟都提出严苛考验；另外在 KV Cache 的分级和治理上也需要有更强的管理和操纵能力。xLLM 使用了 veTurboRPC 通信库，而在限定 TPOT < 30 ms 的 SLO 时，

报名地址：https://www.volcengine.com/contact/force-2506

即以 AI 负载为中心的基础架构新范式。

异构算力：随着国内云厂商普遍开始混合使用各种异构卡 —— 在大模型推理的各阶段充分利用不同异构芯片可以带来优势，ServingKit 还配备了强大的运维可观测能力，企业往往不得不大力堆卡（GPU），推理性能优化和运维可观测的推理服务全生命周期优化方案，xLLM 依然展现出了显著的优势。更在性价比上跑赢其它主流方案。但它们的客户面临的问题真的是「卡不够多不够强」吗？

火山引擎给出的答案是：不是卡不够多，RoCE 还是以太网，

值得关注的，但线上流量特征并不会保持不变，