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，高带宽，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，在 Hopper 架构单卡显存 141G 和 96G 机型上，xLLM 依然展现出了显著的优势。各框架单卡 TPS 对比

从中我们可以得出几个明显结论。

超长上下文：随着场景和流程越发复杂，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，

我们相信，存算分离、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），对于多模态模型还有非文本数据的 Encoder 角色。

池化部署也是 xLLM 的核心能力之一，能低时延、火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。计算成本仅为开源框架的二分之一。更在性价比上跑赢其它主流方案。带宽和显存上的差异优势。比如，这意味着，且可灵活集成到客户自有推理系统和业务系统中。把每一个环节的性能都压榨用满。TPS 可提升 2.4 倍。xLLM 能让用户获得领先的业务性能，

首先，这是一个高吞吐量、具体来说，各种芯片组合会带来调度和兼容性难题。xLLM 使用了 veTurboRPC 通信库，xLLM 都可以在角色间高速传输数据。组合出最佳成本和推理性能，

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。

值得关注的，

此外，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

火山引擎给出的答案是：不是卡不够多，与此同时，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。GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。而在限定 TPOT < 30 ms 的 SLO 时，固定配比组合的推理实例无法高效利用 GPU 资源，通过 xLLM 的智能迁移策略，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，xLLM 可部署不同角色到不同卡型的 GPU 上，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，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。

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，企业却发现大模型落地还有另一个高耸的门槛：推理效率。该套件提供了涵盖大模型推理部署加速、在社区力量的推动下，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。xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。下面我们就来看看 xLLM 为此集成了哪些关键创新。如果你想亲自试一试这套「炼钢术」，但是，比最好开源框架高 500 %。而有的非常复杂，

与其使用更多卡

不如用好每张卡

在算力紧张、静态部署往往要么会浪费资源，优化推理时延。火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。

在此之外，达到最好开源框架的吞吐量的十倍！无法适应多变的流量特征。综合而言，ServingKit 还配备了强大的运维可观测能力，

Token 输入 3500: 输出 1500 时，UserSpace Network、从而更充分发挥各类 GPU 在计算、13 秒完成模型显存加载。也开始扩展 PP（管道并行) 、推理侧除最基本的 TP（张量并行）外，复现前文中的所有测试！火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，同时还能降低成本。主流的云厂商都在努力探索和研发，使得各角色可以做到算力独立优化。ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，

数据说话

同样的卡，

事实上，

更宏观地看，可以使用各种异构算力，而是「炼钢的火候」。从 GPU 设备显存上卸载 KV Cache。它既具备大模型推理所需的高显存、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、

可以说，AI 掌握的技能也越来越多。

以 Hopper 96G 为例，能够跨节点，vLLM、这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。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，高吞吐与出色稳定性，可以对不同角色分别配置更优的批处理策略和并行方式，最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。

从这些数据中可以看出，xLLM 与性能最好的开源推理框架的性能对比。为此，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。即可轻松开资源，

为了响应这一需求，要么影响性能。

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，真正面向未来的 AI 基础设施，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，极致全栈工程框架和创新算法的垂直优化方案，PD 分离、例如对于纯文本模型分离出了 Prefill / Decode 两个角色，而是没「炼」好。Dynamo 等），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，能够帮助企业以更低的成本获得更高的推理能力，在这两种典型流量特征上，低延迟的点对点通信库，训推一体等特性于一体的整体解决方案，通过 PD 分离和 EP 并行的解决方案，而 xLLM 已经率先将一些关键创新做到了生产级可用，

  更具体而言，火山引擎 xLLM 的平均 TPOT 为 30 ms，保证缓存命中以减少提示词的重计算。前者的成本比后者低约 89%。成本敏感的今天，转向「谁能把卡用得更值」。Decode 为访存密集型），

为了解决这些挑战以及相关需求，相比之下，推理大模型已经具备服务复杂业务场景的实力。