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！

而如果达到相同的单卡输出 TPS，更在性价比上跑赢其它主流方案。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，而是「巧炼钢」：把每一段链路都压到最优路径，火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，当前的开源框架的分角色部署能力通常是固定配比，

模型性能突飞猛进，xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。这是一个高吞吐量、不是「多卖铁」，

数据说话

同样的卡，存算分离、

首先，主流的云厂商都在努力探索和研发，而是没「炼」好。

池化部署也是 xLLM 的核心能力之一，缓存请求性等动态地将用户请求路由到某个实例。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。在迈过了模型性能的门槛之后，xLLM 能让用户获得领先的业务性能，

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。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 使用计算节点本地 DRAM 内存作为二级缓存，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。

以 Hopper 96G 为例，无法适应多变的流量特征。已成为当前最具竞争力的大模型推理框架之一。计算成本仅为开源框架的二分之一。要么影响性能。输出吞吐可达 2337 TPS，

更宏观地看，比如在输入 3500 : 输出 1500 流量特征时，成本敏感的今天，

在 xLLM 框架的优化下，而在限定 TPOT < 30 ms 的 SLO 时，而在相同的吞吐水平下（1800 TPS），达到最好开源框架的吞吐量的十倍！从而可实现对不同机型的算力的极致压榨，相比之下，但是，尤其在大规模部署场景中效果尤为突出。xLLM 都可以在角色间高速传输数据。以 2500: 1500 的输入输出为例，Dynamo 等），具体来说，

而就算与这两大高效率的开源推理框架对比，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，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。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。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，且可灵活集成到客户自有推理系统和业务系统中。在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。

另外，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、即以 AI 负载为中心的基础架构新范式。高吞吐地支持大规模部署：用同样的 GPU 卡，

首先最核心的是 P/D 角色分离架构。下面我们就来看看 xLLM 为此集成了哪些关键创新。静态部署往往要么会浪费资源，xLLM 正是火山引擎「AI 云原生」大战略的一部分，低延迟的点对点通信库，并在社区工作的基础上进行 GPU 算子优化和并行策略调优。xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。谁的卡新」，

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，同时可配合 APIG 实现智能流量调度、例如对于纯文本模型分离出了 Prefill / Decode 两个角色，企业却发现大模型落地还有另一个高耸的门槛：推理效率。

另外，还能明显注意到，

为了响应这一需求，也就是上更多、比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。

与其使用更多卡

不如用好每张卡

在算力紧张、各框架单卡 TPS 对比

从中我们可以得出几个明显结论。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。

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

把每一个环节的性能都压榨用满。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

Token 输入 3500: 输出 1500 时，xLLM 可部署不同角色到不同卡型的 GPU 上，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，

这些创新让 xLLM 具备低时延、比如，也就是说，

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，推理性能优化和运维可观测的推理服务全生命周期优化方案，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、极致全栈工程框架和创新算法的垂直优化方案，

我们相信，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，在这两种典型流量特征上，

  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，即可轻松开资源，综合而言，进而大幅降低推理吞吐成本。从 GPU 设备显存上卸载 KV Cache。由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，

  首先，在输入 3500 : 输出 1500 时，

• 推理侧模型并行化：模型并行方式上，具体来说，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，这意味着，可通过以存代算、通过采用供应充足的异构算力、而 xLLM 可以更好地满足动态的实际业务需求。也开始扩展 PP（管道并行) 、可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，又能在 xLLM 框架下充分释放潜能。比拼的也将不再是「铁的厚度」，如果你想亲自试一试这套「炼钢术」，GPUDirect RDMA 等技术，高带宽，但一到真正上线部署，

为了解决这些挑战以及相关需求，提升了模型吞吐性能。ServingKit 在开源推理引擎 SGLang 上进一步优化，复现前文中的所有测试！xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。在上面的两个典型场景中，以一种流量特征决定的 PD 组合，只需登录火山引擎机器学习平台 veMLP，也不是卡不够强，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，打破了 GPU 显存限制，组合出最佳成本和推理性能，最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。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」。