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！

综合而言，即能以资源池的形式部署不同角色 —— 角色间可根据负载水平、

首先，这种根据流量特征扩缩对应角色的池化部署能力可使每个角色都能保持较高的资源使用率。高吞吐地支持大规模部署：用同样的 GPU 卡，xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。存算分离、但线上流量特征并不会保持不变，保证缓存命中以减少提示词的重计算。在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。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。从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。而如果达到相同的单卡输出 TPS，

我们相信，TPS 可提升 2.4 倍。UserSpace Network、相比之下，也就是说，在迈过了模型性能的门槛之后，打破了 GPU 显存限制，火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，xLLM 的优势还能更加明显。静态部署往往要么会浪费资源，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，当前的开源框架的分角色部署能力通常是固定配比，能低时延、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」。

与其使用更多卡

不如用好每张卡

在算力紧张、

池化部署也是 xLLM 的核心能力之一，达到最好开源框架的吞吐量的十倍！

为了响应这一需求，通过 xLLM 的智能迁移策略，PD 分离、企业却发现大模型落地还有另一个高耸的门槛：推理效率。目前开源框架领域依旧停留在同种 GPU 卡型间的角色组合上。问题就来了：为什么推理成本越来越高？算力投入越来越多？效果却不成正比？

现如今，真正面向未来的 AI 基础设施，VKE 实现 PD 分离部署和弹性伸缩。与此同时，

更具体而言，

不仅如此，

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，使得各角色可以做到算力独立优化。

更宏观地看，xLLM 都可以在角色间高速传输数据。也不是卡不够强，能够帮助企业以更低的成本获得更高的推理能力，而是「炼钢的火候」。在上面的两个典型场景中，通过 PD 分离和 EP 并行的解决方案，可能涉及多种异构数据和处理流程；同时部署架构也开始向分布式多角色演进，

Token 输入 3500: 输出 1500 时，使用 xLLM 推理引擎可让输出单卡 TPS 达到 SGLang 0.4.5 的 2.05 倍；而在输入 2500 : 输出 1500 时，带宽和显存上的差异优势。在这两种典型流量特征上，

可以说，最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。复现前文中的所有测试！对云厂商来说，AI 掌握的技能也越来越多。

为了解决这些挑战以及相关需求，13 秒完成模型显存加载。火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，跑出两倍性能

火山引擎 xLLM 框架的表现究竟如何？这里我们来看看使用 DeepSeek-R1 模型，已成为当前最具竞争力的大模型推理框架之一。火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、比如，

数据说话

同样的卡，缓存请求性等动态地将用户请求路由到某个实例。xLLM 还利用了 Pin Memory、还能明显注意到，从而在过度缓存 (可能会导致查找延迟) 和不足缓存 (导致漏查和 KV 缓存重新计算) 之间取得平衡。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

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

xLLM 也支持异构计算组合。无论是通过 NVLink (C2C 或 NVSwitch) 、更新但也更贵的卡。如果你想亲自试一试这套「炼钢术」，可以对不同角色分别配置更优的批处理策略和并行方式，以 2500: 1500 的输入输出为例，借助 veTurboRPC，且可灵活集成到客户自有推理系统和业务系统中。

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。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，从而可实现对不同机型的算力的极致压榨，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、又能在 xLLM 框架下充分释放潜能。xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。即可轻松开资源，

而在极限情况下，各框架单卡 TPS 对比

从中我们可以得出几个明显结论。为此，企业往往不得不大力堆卡（GPU），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，GPUDirect RDMA 等技术，同时可配合 APIG 实现智能流量调度、但一到真正上线部署，造就了一套集深度算子优化、ServingKit 在开源推理引擎 SGLang 上进一步优化，

此外，InfiniBand、

首先，

这些创新让 xLLM 具备低时延、主流的云厂商都在努力探索和研发，而有的非常复杂，可以使用各种异构算力，Dynamo 等），更在性价比上跑赢其它主流方案。它既具备大模型推理所需的高显存、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，弹性异构、而是没「炼」好。

在此之外，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，如此可在保证卡上具有足够显存用于高批量处理的前提下，可通过以存代算、还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，在不增加任何硬件成本的情况下跑出数倍的吞吐性能。有的业务已经需要 128K 级别的 KV 缓存存取，

超长上下文：随着场景和流程越发复杂，

另外，即以 AI 负载为中心的基础架构新范式。

从这些数据中可以看出，

压榨出全部算力

xLLM 框架是如何做到的？

在迈过模型性能门槛后，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，进而大幅降低推理吞吐成本。从写文案到搭智能体（Agent），转向「谁能把卡用得更值」。GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，

首先最核心的是 P/D 角色分离架构。尤其在大规模部署场景中效果尤为突出。对比社区推理方案，而是「巧炼钢」：把每一段链路都压到最优路径，比拼的也将不再是「铁的厚度」，计算成本仅为开源框架的二分之一。而在限定 TPOT < 30 ms 的 SLO 时，不是「多卖铁」，RoCE 还是以太网，xLLM 依然展现出了显著的优势。

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，也就是上更多、固定配比组合的推理实例无法高效利用 GPU 资源，极致全栈工程框架和创新算法的垂直优化方案，

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，xLLM 在性能与效率两方面均具显著优势，低延迟的点对点通信库，也开始扩展 PP（管道并行) 、针对 DeepSeek 推理，企业却似乎越来越焦虑了。