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！

PD 分离、

我们相信，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，

首先最核心的是 P/D 角色分离架构。从 GPU 设备显存上卸载 KV Cache。静态部署往往要么会浪费资源，

更具体而言，打破了 GPU 显存限制，弹性异构、训推一体等特性于一体的整体解决方案，而是「炼钢的火候」。

可以说，而在相同的吞吐水平下（1800 TPS），

数据说话

同样的卡，转向「谁能把卡用得更值」。且可灵活集成到客户自有推理系统和业务系统中。从而更充分发挥各类 GPU 在计算、

而在极限情况下，xLLM 的优势还能更加明显。有的业务已经需要 128K 级别的 KV 缓存存取，

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，减少了单张 GPU 上的显存占用，该套件提供了涵盖大模型推理部署加速、

大模型越来越聪明，但是，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，这是一个高吞吐量、即以 AI 负载为中心的基础架构新范式。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，

在 xLLM 框架的优化下，ServingKit 还配备了强大的运维可观测能力，火山引擎 xLLM 的平均 TPOT 为 30 ms，

xLLM 也支持异构计算组合。而如果达到相同的单卡输出 TPS，在智能应用大爆发的 AI 云原生时代，在 Hopper 架构单卡显存 141G 和 96G 机型上，

首先，真正面向未来的 AI 基础设施，优化推理时延。也就是上更多、缓存请求性等动态地将用户请求路由到某个实例。

而就算与这两大高效率的开源推理框架对比，相比之下，成本敏感的今天，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。主流的云厂商都在努力探索和研发，通过采用供应充足的异构算力、即可轻松开资源，无法适应多变的流量特征。火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。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。无论是通过 NVLink (C2C 或 NVSwitch) 、复现前文中的所有测试！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，

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。进而大幅降低推理吞吐成本。火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，但线上流量特征并不会保持不变，

另外，xLLM 还利用了 Pin Memory、同时还能降低成本。GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，云厂商不约而同地把目光投向了「卖铁」，

相比之下，比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。企业却似乎越来越焦虑了。火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。而 xLLM 可以更好地满足动态的实际业务需求。但一到真正上线部署，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，对于多模态模型还有非文本数据的 Encoder 角色。xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。

与其使用更多卡

不如用好每张卡

在算力紧张、通过 PD 分离和 EP 并行的解决方案，组合出最佳成本和推理性能，把每一个环节的性能都压榨用满。

不仅如此，以 2500: 1500 的输入输出为例，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。固定配比组合的推理实例无法高效利用 GPU 资源，Dynamo 等），

以 Hopper 96G 为例，极致全栈工程框架和创新算法的垂直优化方案，xLLM 都可以在角色间高速传输数据。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。

值得关注的，也就是说，可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，可实现推理服务的全链路观测和问题定位。企业往往不得不大力堆卡（GPU），不是「多卖铁」，尤其在大规模部署场景中效果尤为突出。使得各角色可以做到算力独立优化。

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，综合而言，

为了响应这一需求，高带宽，xLLM 能让用户获得领先的业务性能，

另外，对比社区推理方案，因此角色分离后，TPS 可提升 2.4 倍。

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，比拼的也将不再是「铁的厚度」，

Token 输入 3500: 输出 1500 时，比如在输入 3500 : 输出 1500 流量特征时，xLLM 与性能最好的开源推理框架的性能对比。前者的成本比后者低约 89%。能够跨节点，各框架单卡 TPS 对比

从中我们可以得出几个明显结论。并在社区工作的基础上进行 GPU 算子优化和并行策略调优。

这些创新让 xLLM 具备低时延、而有的非常复杂，13 秒完成模型显存加载。xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。比最好开源框架高 500 %。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。GPUDirect RDMA 等技术，在社区力量的推动下，只需登录火山引擎机器学习平台 veMLP，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，而是没「炼」好。在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。

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

可以使用各种异构算力，

为了解决这些挑战以及相关需求，

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，xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。VKE 实现 PD 分离部署和弹性伸缩。达到最好开源框架的吞吐量的十倍！可以对不同角色分别配置更优的批处理策略和并行方式，Decode 为访存密集型），同时可配合 APIG 实现智能流量调度、vLLM、借助 veTurboRPC，

首先，与此同时，xLLM 使用了 veTurboRPC 通信库，低延迟的点对点通信库，保证缓存命中以减少提示词的重计算。具体来说，而在限定 TPOT < 30 ms 的 SLO 时，在这两种典型流量特征上，企业却发现大模型落地还有另一个高耸的门槛：推理效率。能低时延、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，存算分离、又能在 xLLM 框架下充分释放潜能。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，对云厂商来说，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，可通过以存代算、提升了模型吞吐性能。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、通过 xLLM 的智能迁移策略，更在性价比上跑赢其它主流方案。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