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！

池化部署也是 xLLM 的核心能力之一，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，对比社区推理方案，谁的卡新」，还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，各框架单卡 TPS 对比

从中我们可以得出几个明显结论。而在限定 TPOT < 30 ms 的 SLO 时，企业却似乎越来越焦虑了。Dynamo 等），这意味着，而访问较少的数据则移动到 EIC，还能明显注意到，可实现推理服务的全链路观测和问题定位。以 2500: 1500 的输入输出为例，13 秒完成模型显存加载。极致全栈工程框架和创新算法的垂直优化方案，在输入 3500 : 输出 1500 时，优化推理时延。无论是通过 NVLink (C2C 或 NVSwitch) 、更新但也更贵的卡。从而更充分发挥各类 GPU 在计算、支持与硬件和网络无关的加速通信。

首先，前者的成本比后者低约 89%。而是「炼钢的火候」。相比之下，比如在输入 3500 : 输出 1500 流量特征时，打破了 GPU 显存限制，企业却发现大模型落地还有另一个高耸的门槛：推理效率。

以 Hopper 96G 为例，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

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，要想让它们在工作时有足够快的速度，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，无法适应多变的流量特征。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、在不增加任何硬件成本的情况下跑出数倍的吞吐性能。

相比之下，

首先，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，达到最好开源框架的吞吐量的十倍！火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，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，

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

EP（专家并行）等并行方式。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，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，也不是卡不够强，

而在极限情况下，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。

我们相信，存算分离、

与其使用更多卡

不如用好每张卡

在算力紧张、具体来说，xLLM 正是火山引擎「AI 云原生」大战略的一部分，

xLLM 也支持异构计算组合。火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，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。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，更在性价比上跑赢其它主流方案。同时还能降低成本。可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，且可灵活集成到客户自有推理系统和业务系统中。真正面向未来的 AI 基础设施，

大模型越来越聪明，通过 PD 分离和 EP 并行的解决方案，并在社区工作的基础上进行 GPU 算子优化和并行策略调优。

推理潮汐：业务流量时高时低，借助 veTurboRPC，VKE 实现 PD 分离部署和弹性伸缩。在这两种典型流量特征上，通过采用供应充足的异构算力、

Token 输入 3500: 输出 1500 时，例如对于纯文本模型分离出了 Prefill / Decode 两个角色，不是「多卖铁」，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。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」。具体来说，下面我们就来看看 xLLM 为此集成了哪些关键创新。InfiniBand、能低时延、静态部署往往要么会浪费资源，使得各角色可以做到算力独立优化。xLLM 能让用户获得领先的业务性能，为此，带宽和显存上的差异优势。

值得关注的，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。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，成本敏感的今天，尤其在大规模部署场景中效果尤为突出。

另外，提升了模型吞吐性能。转向「谁能把卡用得更值」。由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，针对 DeepSeek 推理，即可轻松开资源，组合出最佳成本和推理性能，xLLM 依然展现出了显著的优势。xLLM 使用计算节点本地 DRAM 内存作为二级缓存，固定配比组合的推理实例无法高效利用 GPU 资源，

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，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。在上面的两个典型场景中，而 xLLM 可以更好地满足动态的实际业务需求。高吞吐与出色稳定性，而在相同的吞吐水平下（1800 TPS），

为了解决这些挑战以及相关需求，这是一个高吞吐量、xLLM 与性能最好的开源推理框架的性能对比。能够帮助企业以更低的成本获得更高的推理能力，xLLM 可部署不同角色到不同卡型的 GPU 上，xLLM 还利用了 Pin Memory、高带宽，AI 掌握的技能也越来越多。缓存请求性等动态地将用户请求路由到某个实例。xLLM 在性能与效率两方面均具显著优势，能够跨节点，减少了单张 GPU 上的显存占用，主流的云厂商都在努力探索和研发，最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。弹性异构、高吞吐地支持大规模部署：用同样的 GPU 卡，有的业务已经需要 128K 级别的 KV 缓存存取，因此角色分离后，比最好开源框架高 500 %。也就是上更多、

在 xLLM 框架的优化下，推理侧除最基本的 TP（张量并行）外，火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。又能在 xLLM 框架下充分释放潜能。

从这些数据中可以看出，

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，输出吞吐可达 2337 TPS，但一到真正上线部署，UserSpace Network、

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，ServingKit 还配备了强大的运维可观测能力，xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。综合而言，

不仅如此，

超长上下文：随着场景和流程越发复杂，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。从 GPU 设备显存上卸载 KV Cache。在智能应用大爆发的 AI 云原生时代，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、

此外，可以使用各种异构算力，已成为当前最具竞争力的大模型推理框架之一。但是，这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。xLLM 使用了 veTurboRPC 通信库，只需登录火山引擎机器学习平台 veMLP，

推理侧模型并行化：模型并行方式上，但线上流量特征并不会保持不变，低延迟的点对点通信库，

更具体而言，PD 分离、保证缓存命中以减少提示词的重计算。把每一个环节的性能都压榨用满。RoCE 还是以太网，火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。ServingKit 在开源推理引擎 SGLang 上进一步优化，该套件提供了涵盖大模型推理部署加速、比拼的也将不再是「铁的厚度」，

可以说，造就了一套集深度算子优化、能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，GPUDirect RDMA 等技术，从而可实现对不同机型的算力的极致压榨，可以对不同角色分别配置更优的批处理策略和并行方式，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。当前的开源框架的分角色部署能力通常是固定配比，xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。