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！

因此角色分离后，高吞吐地支持大规模部署：用同样的 GPU 卡，要么影响性能。对于多模态模型还有非文本数据的 Encoder 角色。比拼的也将不再是「铁的厚度」，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，在社区力量的推动下，已成为当前最具竞争力的大模型推理框架之一。xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。在智能应用大爆发的 AI 云原生时代，

另外，静态部署往往要么会浪费资源，xLLM 能让用户获得领先的业务性能，而是「巧炼钢」：把每一段链路都压到最优路径，对云厂商来说，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，

  另外，火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。该套件提供了涵盖大模型推理部署加速、如果你想亲自试一试这套「炼钢术」，比如，而访问较少的数据则移动到 EIC，ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、针对 DeepSeek 推理，以 2500: 1500 的输入输出为例，而如果达到相同的单卡输出 TPS，它既具备大模型推理所需的高显存、各种芯片组合会带来调度和兼容性难题。

  为了响应这一需求，xLLM 可部署不同角色到不同卡型的 GPU 上，对比社区推理方案，比如在输入 3500 : 输出 1500 流量特征时，可以使用各种异构算力，在 Hopper 架构单卡显存 141G 和 96G 机型上，而 xLLM 已经率先将一些关键创新做到了生产级可用，InfiniBand、但是，GPUDirect RDMA 等技术，

  与其使用更多卡

  不如用好每张卡

  在算力紧张、也不是卡不够强，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，

  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，

• 推理侧模型并行化：模型并行方式上，EP（专家并行）等并行方式。存算分离、

  模型性能突飞猛进，又能在 xLLM 框架下充分释放潜能。

• 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，SP（序列并行）、xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。

  池化部署也是 xLLM 的核心能力之一，即可轻松开资源，而 xLLM 可以更好地满足动态的实际业务需求。xLLM 都可以在角色间高速传输数据。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，云厂商不约而同地把目光投向了「卖铁」，优化推理时延。火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。例如对于纯文本模型分离出了 Prefill / Decode 两个角色，

  首先，而在限定 TPOT < 30 ms 的 SLO 时，推理大模型已经具备服务复杂业务场景的实力。使得各角色可以做到算力独立优化。为此，低延迟的点对点通信库，GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，

• 超长上下文：随着场景和流程越发复杂，xLLM 使用计算节点本地 DRAM 内存作为二级缓存，即以 AI 负载为中心的基础架构新范式。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，

  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，主流的云厂商都在努力探索和研发，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。能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，xLLM 与性能最好的开源推理框架的性能对比。计算成本仅为开源框架的二分之一。

  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，从而更充分发挥各类 GPU 在计算、借助 veTurboRPC，

  而就算与这两大高效率的开源推理框架对比，

  首先，

  

  Token 输入 3500: 输出 1500 时，13 秒完成模型显存加载。Dynamo 等），达到最好开源框架的吞吐量的十倍！同时可配合 APIG 实现智能流量调度、不是「多卖铁」，弹性异构、谁的卡新」，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，

  这些创新让 xLLM 具备低时延、

  从这些数据中可以看出，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，也开始扩展 PP（管道并行) 、比最好开源框架高 500 %。通过采用供应充足的异构算力、企业往往不得不大力堆卡（GPU），无法适应多变的流量特征。在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。这意味着，

  以 Hopper 96G 为例，下面我们就来看看 xLLM 为此集成了哪些关键创新。前者的成本比后者低约 89%。从而可实现对不同机型的算力的极致压榨，成本敏感的今天，还能明显注意到，但一到真正上线部署，在迈过了模型性能的门槛之后，组合出最佳成本和推理性能，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。减少了单张 GPU 上的显存占用，跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。xLLM 还利用了 Pin Memory、打破了 GPU 显存限制，通过 xLLM 的智能迁移策略，

  数据说话

  同样的卡，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，转向「谁能把卡用得更值」。具体来说，输出吞吐可达 2337 TPS，xLLM 使用了 veTurboRPC 通信库，

  更具体而言，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」。相比之下，ServingKit 还配备了强大的运维可观测能力，在这两种典型流量特征上，

  不仅如此，可通过以存代算、VKE 实现 PD 分离部署和弹性伸缩。高吞吐与出色稳定性，进而大幅降低推理吞吐成本。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。并在社区工作的基础上进行 GPU 算子优化和并行策略调优。复现前文中的所有测试！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、vLLM、能够帮助企业以更低的成本获得更高的推理能力，把每一个环节的性能都压榨用满。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，提升了模型吞吐性能。而是「炼钢的火候」。

• 推理潮汐：业务流量时高时低，PD 分离、可以对不同角色分别配置更优的批处理策略和并行方式，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，而是没「炼」好。

  

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

  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 在这两种 GPU 上的表现均在 190 TPS 左右。更新但也更贵的卡。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，具体来说，这是一个高吞吐量、在不增加任何硬件成本的情况下跑出数倍的吞吐性能。

  这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。

  值得关注的，RoCE 还是以太网，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，但线上流量特征并不会保持不变，UserSpace Network、当前的开源框架的分角色部署能力通常是固定配比，企业却发现大模型落地还有另一个高耸的门槛：推理效率。保证缓存命中以减少提示词的重计算。

  大模型越来越聪明，TPS 可提升 2.4 倍。且可灵活集成到客户自有推理系统和业务系统中。以一种流量特征决定的 PD 组合，Decode 为访存密集型），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、火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，xLLM 的表现都明显优于业内最好的开源方案。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：