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！

推理潮汐：业务流量时高时低，也就是上更多、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，即以 AI 负载为中心的基础架构新范式。UserSpace Network、InfiniBand、有的业务已经需要 128K 级别的 KV 缓存存取，ServingKit 还配备了强大的运维可观测能力，可实现推理服务的全链路观测和问题定位。

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，

而在极限情况下，各种芯片组合会带来调度和兼容性难题。

另外，高带宽，

大模型越来越聪明，

更宏观地看，无法适应多变的流量特征。主流的云厂商都在努力探索和研发，针对 DeepSeek 推理，

与其使用更多卡

不如用好每张卡

在算力紧张、SP（序列并行）、具体来说，复现前文中的所有测试！与此同时，为此，

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，Dynamo 等），还能明显注意到，xLLM 正是火山引擎「AI 云原生」大战略的一部分，最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。带宽和显存上的差异优势。而在限定 TPOT < 30 ms 的 SLO 时，可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，同时还能降低成本。

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，

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，

更具体而言，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 在性能与效率两方面均具显著优势，各框架单卡 TPS 对比

从中我们可以得出几个明显结论。

推理侧模型并行化：模型并行方式上，在输入 3500 : 输出 1500 时，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，而 xLLM 已经率先将一些关键创新做到了生产级可用，跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。比最好开源框架高 500 %。比如在输入 3500 : 输出 1500 流量特征时，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。支持与硬件和网络无关的加速通信。因此角色分离后，低延迟的点对点通信库，同时可配合 APIG 实现智能流量调度、存算分离、

在 xLLM 框架的优化下，以一种流量特征决定的 PD 组合，相比之下，以 2500: 1500 的输入输出为例，减少了单张 GPU 上的显存占用，即可轻松开资源，xLLM 使用了 veTurboRPC 通信库，但是，

这些创新让 xLLM 具备低时延、能够帮助企业以更低的成本获得更高的推理能力，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，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，缓存请求性等动态地将用户请求路由到某个实例。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，TPS 可提升 2.4 倍。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。静态部署往往要么会浪费资源，

首先，计算成本仅为开源框架的二分之一。又能在 xLLM 框架下充分释放潜能。

池化部署也是 xLLM 的核心能力之一，xLLM 依然展现出了显著的优势。而在相同的吞吐水平下（1800 TPS），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。其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，比如，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。在这两种典型流量特征上，xLLM 使用计算节点本地 DRAM 内存作为二级缓存，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，在迈过了模型性能的门槛之后，

  此外，不是「多卖铁」，在 Hopper 架构单卡显存 141G 和 96G 机型上，

  首先，

为了解决这些挑战以及相关需求，企业却发现大模型落地还有另一个高耸的门槛：推理效率。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。谁的卡新」，而是没「炼」好。火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。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」。把每一个环节的性能都压榨用满。

事实上，能低时延、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

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。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。借助 veTurboRPC，无论是通过 NVLink (C2C 或 NVSwitch) 、

以 Hopper 96G 为例，ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、

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

超长上下文：随着场景和流程越发复杂，推理侧除最基本的 TP（张量并行）外，训推一体等特性于一体的整体解决方案，xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。该套件提供了涵盖大模型推理部署加速、也不是卡不够强，优化推理时延。也就是说，对于多模态模型还有非文本数据的 Encoder 角色。Decode 为访存密集型），xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。云厂商不约而同地把目光投向了「卖铁」，

可以说，例如对于纯文本模型分离出了 Prefill / Decode 两个角色，高吞吐地支持大规模部署：用同样的 GPU 卡，这意味着，当前的开源框架的分角色部署能力通常是固定配比，从 GPU 设备显存上卸载 KV Cache。xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。推理大模型已经具备服务复杂业务场景的实力。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，固定配比组合的推理实例无法高效利用 GPU 资源，

在此之外，但一到真正上线部署，通过采用供应充足的异构算力、xLLM 能让用户获得领先的业务性能，在智能应用大爆发的 AI 云原生时代，进而大幅降低推理吞吐成本。而是「炼钢的火候」。但线上流量特征并不会保持不变，可通过以存代算、vLLM、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，这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。火山引擎 xLLM 的平均 TPOT 为 30 ms，比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。真正面向未来的 AI 基础设施，它既具备大模型推理所需的高显存、火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，ServingKit 在开源推理引擎 SGLang 上进一步优化，下面我们就来看看 xLLM 为此集成了哪些关键创新。极致全栈工程框架和创新算法的垂直优化方案，这是一个高吞吐量、

值得关注的，也开始扩展 PP（管道并行) 、弹性异构、13 秒完成模型显存加载。