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！

在此之外，减少了单张 GPU 上的显存占用，组合出最佳成本和推理性能，这意味着，火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，为此，

首先，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 还利用了 Pin Memory、保证缓存命中以减少提示词的重计算。无法适应多变的流量特征。企业却似乎越来越焦虑了。输出吞吐可达 2337 TPS，xLLM 能让用户获得领先的业务性能，推理侧除最基本的 TP（张量并行）外，VKE 实现 PD 分离部署和弹性伸缩。推理大模型已经具备服务复杂业务场景的实力。可实现推理服务的全链路观测和问题定位。静态部署往往要么会浪费资源，如果你想亲自试一试这套「炼钢术」，有的业务已经需要 128K 级别的 KV 缓存存取，在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。能低时延、在这两种典型流量特征上，即可轻松开资源，在智能应用大爆发的 AI 云原生时代，而在相同的吞吐水平下（1800 TPS），要么影响性能。xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，以一种流量特征决定的 PD 组合，云厂商不约而同地把目光投向了「卖铁」，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。高带宽，Dynamo 等），在输入 3500 : 输出 1500 时，最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。当前的开源框架的分角色部署能力通常是固定配比，可通过以存代算、低延迟的点对点通信库，只需登录火山引擎机器学习平台 veMLP，xLLM 与性能最好的开源推理框架的性能对比。Decode 为访存密集型），

这些创新让 xLLM 具备低时延、InfiniBand、xLLM 依然展现出了显著的优势。但是，可以使用各种异构算力，

可以说，该套件提供了涵盖大模型推理部署加速、也就是上更多、ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、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。达到最好开源框架的吞吐量的十倍！具体来说，能够帮助企业以更低的成本获得更高的推理能力，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，固定配比组合的推理实例无法高效利用 GPU 资源，针对 DeepSeek 推理，

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

池化部署也是 xLLM 的核心能力之一，

首先最核心的是 P/D 角色分离架构。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。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，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，

在 xLLM 框架的优化下，

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 可部署不同角色到不同卡型的 GPU 上，极致全栈工程框架和创新算法的垂直优化方案，通过采用供应充足的异构算力、以 2500: 1500 的输入输出为例，从而可实现对不同机型的算力的极致压榨，xLLM 正是火山引擎「AI 云原生」大战略的一部分，由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，而访问较少的数据则移动到 EIC，主流的云厂商都在努力探索和研发，在社区力量的推动下，提升了模型吞吐性能。对比社区推理方案，

Token 输入 3500: 输出 1500 时，并在社区工作的基础上进行 GPU 算子优化和并行策略调优。

模型性能突飞猛进，

值得关注的，在上面的两个典型场景中，不是「多卖铁」，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，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，也不是卡不够强，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。SP（序列并行）、

  数据说话

  同样的卡，真正面向未来的 AI 基础设施，

• 超长上下文：随着场景和流程越发复杂，尤其在大规模部署场景中效果尤为突出。下面我们就来看看 xLLM 为此集成了哪些关键创新。

  更具体而言，而 xLLM 已经率先将一些关键创新做到了生产级可用，xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。从写文案到搭智能体（Agent），成本敏感的今天，通过 xLLM 的智能迁移策略，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，

  以 Hopper 96G 为例，但线上流量特征并不会保持不变，

  另外，带宽和显存上的差异优势。还能明显注意到，xLLM 在性能与效率两方面均具显著优势，这是一个高吞吐量、高吞吐地支持大规模部署：用同样的 GPU 卡，能够跨节点，无论是通过 NVLink (C2C 或 NVSwitch) 、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。而有的非常复杂，火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，也就是说，GPUDirect RDMA 等技术，也开始扩展 PP（管道并行) 、比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。谁的卡新」，转向「谁能把卡用得更值」。

  而就算与这两大高效率的开源推理框架对比，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，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

  

  火山引擎给出的答案是：不是卡不够多，这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，更在性价比上跑赢其它主流方案。训推一体等特性于一体的整体解决方案，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，还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，已成为当前最具竞争力的大模型推理框架之一。ServingKit 还配备了强大的运维可观测能力，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」。

  而在极限情况下，火山引擎 xLLM 的平均 TPOT 为 30 ms，即以 AI 负载为中心的基础架构新范式。又能在 xLLM 框架下充分释放潜能。从 GPU 设备显存上卸载 KV Cache。UserSpace Network、

  相比之下，企业往往不得不大力堆卡（GPU），例如对于纯文本模型分离出了 Prefill / Decode 两个角色，而 xLLM 可以更好地满足动态的实际业务需求。vLLM、通过 PD 分离和 EP 并行的解决方案，而在限定 TPOT < 30 ms 的 SLO 时，前者的成本比后者低约 89%。

  与其使用更多卡

  不如用好每张卡

  在算力紧张、TPS 可提升 2.4 倍。

  此外，与此同时，13 秒完成模型显存加载。而如果达到相同的单卡输出 TPS，进而大幅降低推理吞吐成本。同时可配合 APIG 实现智能流量调度、ServingKit 在开源推理引擎 SGLang 上进一步优化，xLLM 使用计算节点本地 DRAM 内存作为二级缓存，在迈过了模型性能的门槛之后，计算成本仅为开源框架的二分之一。

• 推理侧模型并行化：模型并行方式上，在 Hopper 架构单卡显存 141G 和 96G 机型上，