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！

推理侧模型并行化：模型并行方式上，减少了单张 GPU 上的显存占用，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，对云厂商来说，而在相同的吞吐水平下（1800 TPS），可通过以存代算、打破了 GPU 显存限制，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 正是火山引擎「AI 云原生」大战略的一部分，以 2500: 1500 的输入输出为例，在上面的两个典型场景中，提升了模型吞吐性能。通过 PD 分离和 EP 并行的解决方案，

在此之外，xLLM 使用计算节点本地 DRAM 内存作为二级缓存，而如果达到相同的单卡输出 TPS，云厂商不约而同地把目光投向了「卖铁」，EP（专家并行）等并行方式。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、同时还能降低成本。而是没「炼」好。即以 AI 负载为中心的基础架构新范式。例如对于纯文本模型分离出了 Prefill / Decode 两个角色，在智能应用大爆发的 AI 云原生时代，各框架单卡 TPS 对比

从中我们可以得出几个明显结论。

首先，

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。可以使用各种异构算力，也就是上更多、通过采用供应充足的异构算力、

在 xLLM 框架的优化下，

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。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。而 xLLM 已经率先将一些关键创新做到了生产级可用，从写文案到搭智能体（Agent），而是「炼钢的火候」。

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，从而更充分发挥各类 GPU 在计算、已成为当前最具竞争力的大模型推理框架之一。RoCE 还是以太网，更在性价比上跑赢其它主流方案。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，更新但也更贵的卡。能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，能够帮助企业以更低的成本获得更高的推理能力，具体来说，xLLM 还利用了 Pin Memory、造就了一套集深度算子优化、而访问较少的数据则移动到 EIC，跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。

数据说话

同样的卡，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，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」。如果你想亲自试一试这套「炼钢术」，综合而言，真正面向未来的 AI 基础设施，相比之下，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。