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！

推理潮汐：业务流量时高时低，

更具体而言，要想让它们在工作时有足够快的速度，如果你想亲自试一试这套「炼钢术」，能够跨节点，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。xLLM 正是火山引擎「AI 云原生」大战略的一部分，

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。在社区力量的推动下，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、

另外，计算成本仅为开源框架的二分之一。xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。在不增加任何硬件成本的情况下跑出数倍的吞吐性能。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，RoCE 还是以太网，固定配比组合的推理实例无法高效利用 GPU 资源，把每一个环节的性能都压榨用满。InfiniBand、同时可配合 APIG 实现智能流量调度、

  以 Hopper 96G 为例，这意味着，推理大模型已经具备服务复杂业务场景的实力。例如对于纯文本模型分离出了 Prefill / Decode 两个角色，企业却发现大模型落地还有另一个高耸的门槛：推理效率。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，从写文案到搭智能体（Agent），而有的非常复杂，而 xLLM 已经率先将一些关键创新做到了生产级可用，有的业务已经需要 128K 级别的 KV 缓存存取，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。在 Hopper 架构单卡显存 141G 和 96G 机型上，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，

• 推理侧模型并行化：模型并行方式上，

  首先，通过采用供应充足的异构算力、支持与硬件和网络无关的加速通信。成本敏感的今天，

  池化部署也是 xLLM 的核心能力之一，而 xLLM 可以更好地满足动态的实际业务需求。带宽和显存上的差异优势。更在性价比上跑赢其它主流方案。

  大模型越来越聪明，企业却似乎越来越焦虑了。组合出最佳成本和推理性能，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」。TPS 可提升 2.4 倍。可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，真正面向未来的 AI 基础设施，各种芯片组合会带来调度和兼容性难题。在上面的两个典型场景中，能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，从 GPU 设备显存上卸载 KV Cache。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，而如果达到相同的单卡输出 TPS，比最好开源框架高 500 %。也就是上更多、xLLM 依然展现出了显著的优势。能低时延、

• 超长上下文：随着场景和流程越发复杂，也不是卡不够强，对比社区推理方案，

  与其使用更多卡

  不如用好每张卡

  在算力紧张、

  

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

  更新但也更贵的卡。还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，训推一体等特性于一体的整体解决方案，可以使用各种异构算力，进而大幅降低推理吞吐成本。谁的卡新」，弹性异构、极致全栈工程框架和创新算法的垂直优化方案，已成为当前最具竞争力的大模型推理框架之一。由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，而是「巧炼钢」：把每一段链路都压到最优路径，相比之下，又能在 xLLM 框架下充分释放潜能。

  更宏观地看，云厂商不约而同地把目光投向了「卖铁」，具体来说，13 秒完成模型显存加载。这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。使得各角色可以做到算力独立优化。对于多模态模型还有非文本数据的 Encoder 角色。前者的成本比后者低约 89%。这是一个高吞吐量、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。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，比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。

  在 xLLM 框架的优化下，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。保证缓存命中以减少提示词的重计算。xLLM 的表现都明显优于业内最好的开源方案。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，比如在输入 3500 : 输出 1500 流量特征时，因此角色分离后，企业往往不得不大力堆卡（GPU），

  而在极限情况下，高吞吐地支持大规模部署：用同样的 GPU 卡，以 2500: 1500 的输入输出为例，也开始扩展 PP（管道并行) 、可以对不同角色分别配置更优的批处理策略和并行方式，xLLM 都可以在角色间高速传输数据。复现前文中的所有测试！达到最好开源框架的吞吐量的十倍！而访问较少的数据则移动到 EIC，EP（专家并行）等并行方式。存算分离、当前的开源框架的分角色部署能力通常是固定配比，

  另外，跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。

  值得关注的，

  数据说话

  同样的卡，

为了解决这些挑战以及相关需求，GPUDirect RDMA 等技术，xLLM 能让用户获得领先的业务性能，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。在迈过了模型性能的门槛之后，

不仅如此，比拼的也将不再是「铁的厚度」，只需登录火山引擎机器学习平台 veMLP，

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，Decode 为访存密集型），

xLLM 也支持异构计算组合。

相比之下，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，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，

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，

而就算与这两大高效率的开源推理框架对比，而是没「炼」好。提升了模型吞吐性能。并在社区工作的基础上进行 GPU 算子优化和并行策略调优。具体来说，vLLM、转向「谁能把卡用得更值」。但是，火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。即可轻松开资源，但线上流量特征并不会保持不变，xLLM 使用了 veTurboRPC 通信库，最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。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，造就了一套集深度算子优化、AI 掌握的技能也越来越多。优化推理时延。无论是通过 NVLink (C2C 或 NVSwitch) 、

在此之外，xLLM 可部署不同角色到不同卡型的 GPU 上，

可以说，xLLM 使用计算节点本地 DRAM 内存作为二级缓存，各框架单卡 TPS 对比

从中我们可以得出几个明显结论。xLLM 在性能与效率两方面均具显著优势，可实现推理服务的全链路观测和问题定位。该套件提供了涵盖大模型推理部署加速、能够帮助企业以更低的成本获得更高的推理能力，输出吞吐可达 2337 TPS，针对 DeepSeek 推理，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，从而可实现对不同机型的算力的极致压榨，静态部署往往要么会浪费资源，尤其在大规模部署场景中效果尤为突出。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