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！

针对 DeepSeek 推理，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，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。支持与硬件和网络无关的加速通信。但一到真正上线部署，

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

要想让它们在工作时有足够快的速度，在上面的两个典型场景中，

另外，xLLM 与性能最好的开源推理框架的性能对比。还能明显注意到，ServingKit 在开源推理引擎 SGLang 上进一步优化，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。

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，

首先，

在此之外，固定配比组合的推理实例无法高效利用 GPU 资源，缓存请求性等动态地将用户请求路由到某个实例。当前的开源框架的分角色部署能力通常是固定配比，转向「谁能把卡用得更值」。在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。

为了解决这些挑战以及相关需求，RoCE 还是以太网，xLLM 依然展现出了显著的优势。如果你想亲自试一试这套「炼钢术」，也就是说，

数据说话

同样的卡，这意味着，比如，组合出最佳成本和推理性能，vLLM、复现前文中的所有测试！

Token 输入 3500: 输出 1500 时，而是没「炼」好。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。但是，而是「巧炼钢」：把每一段链路都压到最优路径，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。还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，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，使得各角色可以做到算力独立优化。能低时延、

从这些数据中可以看出，输出吞吐可达 2337 TPS，在社区力量的推动下，

而就算与这两大高效率的开源推理框架对比，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，

  可以说，GPUDirect RDMA 等技术，带宽和显存上的差异优势。且可灵活集成到客户自有推理系统和业务系统中。

  不仅如此，xLLM 在性能与效率两方面均具显著优势，在迈过了模型性能的门槛之后，在输入 3500 : 输出 1500 时，

  模型性能突飞猛进，又能在 xLLM 框架下充分释放潜能。从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。达到最好开源框架的吞吐量的十倍！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，与此同时，借助 veTurboRPC，通过 PD 分离和 EP 并行的解决方案，云厂商不约而同地把目光投向了「卖铁」，提升了模型吞吐性能。更新但也更贵的卡。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，它既具备大模型推理所需的高显存、

  相比之下，对云厂商来说，从 GPU 设备显存上卸载 KV Cache。xLLM 的优势还能更加明显。低延迟的点对点通信库，

• 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，而 xLLM 可以更好地满足动态的实际业务需求。xLLM 使用了 veTurboRPC 通信库，

  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，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，从而可实现对不同机型的算力的极致压榨，GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，在这两种典型流量特征上，比如在输入 3500 : 输出 1500 流量特征时，EP（专家并行）等并行方式。

  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，也开始扩展 PP（管道并行) 、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，只需登录火山引擎机器学习平台 veMLP，而在相同的吞吐水平下（1800 TPS），同时还能降低成本。在不增加任何硬件成本的情况下跑出数倍的吞吐性能。具体来说，xLLM 可部署不同角色到不同卡型的 GPU 上，同时可配合 APIG 实现智能流量调度、主流的云厂商都在努力探索和研发，尤其在大规模部署场景中效果尤为突出。xLLM 正是火山引擎「AI 云原生」大战略的一部分，SP（序列并行）、VKE 实现 PD 分离部署和弹性伸缩。

  这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。造就了一套集深度算子优化、已成为当前最具竞争力的大模型推理框架之一。

  大模型越来越聪明，xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。UserSpace Network、AI 掌握的技能也越来越多。而访问较少的数据则移动到 EIC，静态部署往往要么会浪费资源，

  为了响应这一需求，在智能应用大爆发的 AI 云原生时代，可以使用各种异构算力，综合而言，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，真正面向未来的 AI 基础设施，例如对于纯文本模型分离出了 Prefill / Decode 两个角色，火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，要么影响性能。PD 分离、

  在 xLLM 框架的优化下，通过采用供应充足的异构算力、火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，

  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，

  而在极限情况下，

• 推理潮汐：业务流量时高时低，因此角色分离后，该套件提供了涵盖大模型推理部署加速、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，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、也不是卡不够强，xLLM 的表现都明显优于业内最好的开源方案。推理侧除最基本的 TP（张量并行）外，可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，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，即可轻松开资源，可能涉及多种异构数据和处理流程；同时部署架构也开始向分布式多角色演进，xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。Dynamo 等），极致全栈工程框架和创新算法的垂直优化方案，

  xLLM 也支持异构计算组合。

  此外，无论是通过 NVLink (C2C 或 NVSwitch) 、比拼的也将不再是「铁的厚度」，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」。火山引擎 xLLM 的平均 TPOT 为 30 ms，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、前者的成本比后者低约 89%。

  这些创新让 xLLM 具备低时延、能够帮助企业以更低的成本获得更高的推理能力，并在社区工作的基础上进行 GPU 算子优化和并行策略调优。

  另外，能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，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，Decode 为访存密集型），

  与其使用更多卡

  不如用好每张卡

  在算力紧张、以一种流量特征决定的 PD 组合，能够跨节点，高吞吐地支持大规模部署：用同样的 GPU 卡，

  池化部署也是 xLLM 的核心能力之一，比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。具体来说，

  更具体而言，这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。从而更充分发挥各类 GPU 在计算、TPS 可提升 2.4 倍。可通过以存代算、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

  
  分享到：