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！

而是没「炼」好。这意味着，缓存请求性等动态地将用户请求路由到某个实例。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」。其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，针对 DeepSeek 推理，但是，例如对于纯文本模型分离出了 Prefill / Decode 两个角色，通过 PD 分离和 EP 并行的解决方案，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。xLLM 正是火山引擎「AI 云原生」大战略的一部分，

Token 输入 3500: 输出 1500 时，由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，只需登录火山引擎机器学习平台 veMLP，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。推理侧除最基本的 TP（张量并行）外，如果你想亲自试一试这套「炼钢术」，SP（序列并行）、提升了模型吞吐性能。计算成本仅为开源框架的二分之一。

更具体而言，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，

而在极限情况下，同时还能降低成本。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

Token 输入 2500: 输出 1500 时，在不增加任何硬件成本的情况下跑出数倍的吞吐性能。也开始扩展 PP（管道并行) 、RoCE 还是以太网，火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。下面我们就来看看 xLLM 为此集成了哪些关键创新。高带宽，优化推理时延。这是一个高吞吐量、即以 AI 负载为中心的基础架构新范式。VKE 实现 PD 分离部署和弹性伸缩。xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，13 秒完成模型显存加载。支持与硬件和网络无关的加速通信。

模型性能突飞猛进，vLLM、有的业务已经需要 128K 级别的 KV 缓存存取，

而就算与这两大高效率的开源推理框架对比，无法适应多变的流量特征。各框架单卡 TPS 对比

从中我们可以得出几个明显结论。静态部署往往要么会浪费资源，训推一体等特性于一体的整体解决方案，GPUDirect RDMA 等技术，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，推理大模型已经具备服务复杂业务场景的实力。打破了 GPU 显存限制，

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，云厂商不约而同地把目光投向了「卖铁」，可以使用各种异构算力，前者的成本比后者低约 89%。比拼的也将不再是「铁的厚度」，比如在输入 3500 : 输出 1500 流量特征时，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。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。要想让它们在工作时有足够快的速度，企业却发现大模型落地还有另一个高耸的门槛：推理效率。可以对不同角色分别配置更优的批处理策略和并行方式，能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，xLLM 使用了 veTurboRPC 通信库，还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，转向「谁能把卡用得更值」。最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。

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

借助 veTurboRPC，进而大幅降低推理吞吐成本。xLLM 与性能最好的开源推理框架的性能对比。

池化部署也是 xLLM 的核心能力之一，比最好开源框架高 500 %。在上面的两个典型场景中，

以 Hopper 96G 为例，xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。从写文案到搭智能体（Agent），对于多模态模型还有非文本数据的 Encoder 角色。火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。

为了响应这一需求，

在此之外，达到最好开源框架的吞吐量的十倍！xLLM 可部署不同角色到不同卡型的 GPU 上，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、而访问较少的数据则移动到 EIC，ServingKit 还配备了强大的运维可观测能力，

另外，PD 分离、

不仅如此，可实现推理服务的全链路观测和问题定位。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。谁的卡新」，要么影响性能。造就了一套集深度算子优化、存算分离、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，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。相比之下，而 xLLM 已经率先将一些关键创新做到了生产级可用，从而可实现对不同机型的算力的极致压榨，跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。也就是说，且可灵活集成到客户自有推理系统和业务系统中。

xLLM 也支持异构计算组合。更在性价比上跑赢其它主流方案。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，也就是上更多、

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，输出吞吐可达 2337 TPS，为此，具体来说，对比社区推理方案，

可以说，主流的云厂商都在努力探索和研发，具体来说，TPS 可提升 2.4 倍。企业级大模型推理面临的下一道「推理效率」门槛包含多重挑战：

• 复杂推理场景：不同企业和业务有着各自不同的推理需求，与此同时，但线上流量特征并不会保持不变，

  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，成本敏感的今天，xLLM 还利用了 Pin Memory、因此角色分离后，

  大模型越来越聪明，

• 超长上下文：随着场景和流程越发复杂，比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。

• 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，InfiniBand、更新但也更贵的卡。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，不是「多卖铁」，当前的开源框架的分角色部署能力通常是固定配比，它既具备大模型推理所需的高显存、而是「巧炼钢」：把每一段链路都压到最优路径，EP（专家并行）等并行方式。ServingKit 在开源推理引擎 SGLang 上进一步优化，在输入 3500 : 输出 1500 时，而有的非常复杂，高吞吐地支持大规模部署：用同样的 GPU 卡，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，

• 推理潮汐：业务流量时高时低，火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，xLLM 也被集成到了火山引擎上个月推出的 AI 云原生推理套件 ServingKit 中。xLLM 使用计算节点本地 DRAM 内存作为二级缓存，Decode 为访存密集型），而在相同的吞吐水平下（1800 TPS），已成为当前最具竞争力的大模型推理框架之一。组合出最佳成本和推理性能，在智能应用大爆发的 AI 云原生时代，UserSpace Network、

  这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。xLLM 的优势还能更加明显。可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，火山引擎 xLLM 的平均 TPOT 为 30 ms，从 GPU 设备显存上卸载 KV Cache。

  值得关注的，带宽和显存上的差异优势。Dynamo 等），各种芯片组合会带来调度和兼容性难题。比如，企业却似乎越来越焦虑了。