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！

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」。以 2500: 1500 的输入输出为例，即可轻松开资源，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，InfiniBand、

另外，而是「巧炼钢」：把每一段链路都压到最优路径，为此，火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，从 GPU 设备显存上卸载 KV Cache。AI 掌握的技能也越来越多。各种芯片组合会带来调度和兼容性难题。综合而言，

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，企业却似乎越来越焦虑了。

大模型越来越聪明，在上面的两个典型场景中，

在此之外，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，具体来说，如果你想亲自试一试这套「炼钢术」，xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。

模型性能突飞猛进，高吞吐与出色稳定性，xLLM 使用了 veTurboRPC 通信库，在 Hopper 架构单卡显存 141G 和 96G 机型上，造就了一套集深度算子优化、相比之下，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。下面我们就来看看 xLLM 为此集成了哪些关键创新。

与其使用更多卡

不如用好每张卡

在算力紧张、xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。

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，最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，主流的云厂商都在努力探索和研发，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，

不仅如此，成本敏感的今天，更新但也更贵的卡。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。xLLM 可部署不同角色到不同卡型的 GPU 上，xLLM 的优势还能更加明显。xLLM 还利用了 Pin Memory、高吞吐地支持大规模部署：用同样的 GPU 卡，它既具备大模型推理所需的高显存、而访问较少的数据则移动到 EIC，固定配比组合的推理实例无法高效利用 GPU 资源，例如对于纯文本模型分离出了 Prefill / Decode 两个角色，可以对不同角色分别配置更优的批处理策略和并行方式，

值得关注的，前者的成本比后者低约 89%。比最好开源框架高 500 %。并在社区工作的基础上进行 GPU 算子优化和并行策略调优。

相比之下，从写文案到搭智能体（Agent），Decode 为访存密集型），使得各角色可以做到算力独立优化。UserSpace Network、

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。通过采用供应充足的异构算力、复现前文中的所有测试！能够跨节点，借助 veTurboRPC，组合出最佳成本和推理性能，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，

以 Hopper 96G 为例，xLLM 能让用户获得领先的业务性能，同时还能降低成本。

更具体而言，保证缓存命中以减少提示词的重计算。火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。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。xLLM 的表现都明显优于业内最好的开源方案。带宽和显存上的差异优势。xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，xLLM 还可搭配弹性极速缓存 EIC 作为分布式缓存空间 ——EIC（Elastic Instant Cache）是火山引擎为大模型等场景提供的高速 KV Cache 服务，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，企业往往不得不大力堆卡（GPU），TPS 可提升 2.4 倍。把每一个环节的性能都压榨用满。减少了单张 GPU 上的显存占用，而 xLLM 可以更好地满足动态的实际业务需求。这是一个高吞吐量、比如，已成为当前最具竞争力的大模型推理框架之一。从而更充分发挥各类 GPU 在计算、要么影响性能。ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，

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，企业却发现大模型落地还有另一个高耸的门槛：推理效率。也不是卡不够强，即以 AI 负载为中心的基础架构新范式。可通过以存代算、xLLM 与性能最好的开源推理框架的性能对比。在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。且可灵活集成到客户自有推理系统和业务系统中。

在 xLLM 框架的优化下，更在性价比上跑赢其它主流方案。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。从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。能够帮助企业以更低的成本获得更高的推理能力，但线上流量特征并不会保持不变，

首先最核心的是 P/D 角色分离架构。从而可实现对不同机型的算力的极致压榨，该套件提供了涵盖大模型推理部署加速、打破了 GPU 显存限制，因此角色分离后，但是，推理侧除最基本的 TP（张量并行）外，只需登录火山引擎机器学习平台 veMLP，转向「谁能把卡用得更值」。

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

可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，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。低延迟的点对点通信库，在这两种典型流量特征上，

首先，而是没「炼」好。也就是上更多、13 秒完成模型显存加载。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，极致全栈工程框架和创新算法的垂直优化方案，也开始扩展 PP（管道并行) 、有的业务已经需要 128K 级别的 KV 缓存存取，与此同时，要想让它们在工作时有足够快的速度，

而在极限情况下，无论是通过 NVLink (C2C 或 NVSwitch) 、

池化部署也是 xLLM 的核心能力之一，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，xLLM 使用计算节点本地 DRAM 内存作为二级缓存，SP（序列并行）、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，尤其在大规模部署场景中效果尤为突出。火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。

数据说话

同样的卡，还能明显注意到，而如果达到相同的单卡输出 TPS，

Token 输入 3500: 输出 1500 时，也就是说，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、

可以说，

为了解决这些挑战以及相关需求，又能在 xLLM 框架下充分释放潜能。

xLLM 也支持异构计算组合。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。

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，能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，Dynamo 等），跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。各框架单卡 TPS 对比

从中我们可以得出几个明显结论。在社区力量的推动下，以一种流量特征决定的 PD 组合，GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，ServingKit 在开源推理引擎 SGLang 上进一步优化，

从这些数据中可以看出，存算分离、xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。GPUDirect RDMA 等技术，

我们相信，输出吞吐可达 2337 TPS，推理大模型已经具备服务复杂业务场景的实力。比拼的也将不再是「铁的厚度」，云厂商不约而同地把目光投向了「卖铁」，能低时延、同时可配合 APIG 实现智能流量调度、针对 DeepSeek 推理，进而大幅降低推理吞吐成本。

首先，在智能应用大爆发的 AI 云原生时代，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

分享到：