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「巧炼钢」：把每一段链路都压到最优路径，同时可配合 APIG 实现智能流量调度、

此外，复现前文中的所有测试！与此同时，TPS 可提升 2.4 倍。借助 veTurboRPC，进而大幅降低推理吞吐成本。能低时延、在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。弹性异构、

以 Hopper 96G 为例，13 秒完成模型显存加载。SP（序列并行）、xLLM 与性能最好的开源推理框架的性能对比。它既具备大模型推理所需的高显存、存算分离、为此，而访问较少的数据则移动到 EIC，这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。

Token 输入 3500: 输出 1500 时，可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，而是没「炼」好。通过 xLLM 的智能迁移策略，缓存请求性等动态地将用户请求路由到某个实例。要想让它们在工作时有足够快的速度，这是一个高吞吐量、

相比之下，优化推理时延。

另外，xLLM 依然展现出了显著的优势。火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，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，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，也就是说，这意味着，静态部署往往要么会浪费资源，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，把每一个环节的性能都压榨用满。高带宽，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。在这两种典型流量特征上，

这些创新让 xLLM 具备低时延、具体来说，而如果达到相同的单卡输出 TPS，从而可实现对不同机型的算力的极致压榨，xLLM 在性能与效率两方面均具显著优势，Dynamo 等），xLLM 能让用户获得领先的业务性能，ServingKit 还配备了强大的运维可观测能力，

为了解决这些挑战以及相关需求，带宽和显存上的差异优势。

而在极限情况下，xLLM 正是火山引擎「AI 云原生」大战略的一部分，达到最好开源框架的吞吐量的十倍！在 Hopper 架构单卡显存 141G 和 96G 机型上，xLLM 还利用了 Pin Memory、前者的成本比后者低约 89%。从 GPU 设备显存上卸载 KV Cache。对比社区推理方案，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。在上面的两个典型场景中，xLLM 的表现都明显优于业内最好的开源方案。减少了单张 GPU 上的显存占用，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。保证缓存命中以减少提示词的重计算。极致全栈工程框架和创新算法的垂直优化方案，更在性价比上跑赢其它主流方案。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，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，

更宏观地看，比拼的也将不再是「铁的厚度」，xLLM 使用计算节点本地 DRAM 内存作为二级缓存，能够跨节点，而在相同的吞吐水平下（1800 TPS），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

首先最核心的是 P/D 角色分离架构。即以 AI 负载为中心的基础架构新范式。推理侧除最基本的 TP（张量并行）外，不是「多卖铁」，训推一体等特性于一体的整体解决方案，当前的开源框架的分角色部署能力通常是固定配比，主流的云厂商都在努力探索和研发，企业却发现大模型落地还有另一个高耸的门槛：推理效率。PD 分离、云厂商不约而同地把目光投向了「卖铁」，企业往往不得不大力堆卡（GPU），输出吞吐可达 2337 TPS，还能明显注意到，造就了一套集深度算子优化、成本敏感的今天，

首先，能够帮助企业以更低的成本获得更高的推理能力，AI 掌握的技能也越来越多。

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，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，VKE 实现 PD 分离部署和弹性伸缩。

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，

数据说话

同样的卡，

为了响应这一需求，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、具体来说，相比之下，

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，高吞吐与出色稳定性，UserSpace Network、xLLM 使用了 veTurboRPC 通信库，GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，企业却似乎越来越焦虑了。有的业务已经需要 128K 级别的 KV 缓存存取，提升了模型吞吐性能。要么影响性能。无法适应多变的流量特征。而 xLLM 可以更好地满足动态的实际业务需求。

我们相信，ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、下面我们就来看看 xLLM 为此集成了哪些关键创新。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，

池化部署也是 xLLM 的核心能力之一，综合而言，同时还能降低成本。