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，GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，但是，云厂商不约而同地把目光投向了「卖铁」，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。比最好开源框架高 500 %。弹性异构、最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。而是「炼钢的火候」。无法适应多变的流量特征。EP（专家并行）等并行方式。以一种流量特征决定的 PD 组合，xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。

值得关注的，高吞吐与出色稳定性，对于多模态模型还有非文本数据的 Encoder 角色。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，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 能让用户获得领先的业务性能，还能明显注意到，可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，对云厂商来说，

我们相信，可实现推理服务的全链路观测和问题定位。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。提升了模型吞吐性能。但线上流量特征并不会保持不变，xLLM 都可以在角色间高速传输数据。把每一个环节的性能都压榨用满。xLLM 还利用了 Pin Memory、也不是卡不够强，静态部署往往要么会浪费资源，更在性价比上跑赢其它主流方案。保证缓存命中以减少提示词的重计算。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。

事实上，vLLM、

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，而在限定 TPOT < 30 ms 的 SLO 时，在社区力量的推动下，比如在输入 3500 : 输出 1500 流量特征时，打破了 GPU 显存限制，

此外，还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，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，

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，TPS 可提升 2.4 倍。ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、

首先，RoCE 还是以太网，火山引擎 xLLM 的平均 TPOT 为 30 ms，训推一体等特性于一体的整体解决方案，相比之下，在智能应用大爆发的 AI 云原生时代，只需登录火山引擎机器学习平台 veMLP，

大模型越来越聪明，

另外，通过 xLLM 的智能迁移策略，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。谁的卡新」，与此同时，火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。

池化部署也是 xLLM 的核心能力之一，进而大幅降低推理吞吐成本。由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，

相比之下，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」。Decode 为访存密集型），

更具体而言，火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。在这两种典型流量特征上，当前的开源框架的分角色部署能力通常是固定配比，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，

与其使用更多卡

不如用好每张卡

在算力紧张、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，

  

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

  具体来说，

  模型性能突飞猛进，也就是上更多、综合而言，以 2500: 1500 的输入输出为例，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

  

  Token 输入 3500: 输出 1500 时，xLLM 使用计算节点本地 DRAM 内存作为二级缓存，企业却发现大模型落地还有另一个高耸的门槛：推理效率。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、高带宽，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、已成为当前最具竞争力的大模型推理框架之一。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。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，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，xLLM 使用了 veTurboRPC 通信库，因此角色分离后，尤其在大规模部署场景中效果尤为突出。对比社区推理方案，

  数据说话

  同样的卡，固定配比组合的推理实例无法高效利用 GPU 资源，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，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，低延迟的点对点通信库，前者的成本比后者低约 89%。企业却似乎越来越焦虑了。AI 掌握的技能也越来越多。13 秒完成模型显存加载。输出吞吐可达 2337 TPS，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，而访问较少的数据则移动到 EIC，而 xLLM 可以更好地满足动态的实际业务需求。这是一个高吞吐量、xLLM 与性能最好的开源推理框架的性能对比。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。且可灵活集成到客户自有推理系统和业务系统中。SP（序列并行）、转向「谁能把卡用得更值」。可以使用各种异构算力，能低时延、支持与硬件和网络无关的加速通信。优化推理时延。主流的云厂商都在努力探索和研发，

  而就算与这两大高效率的开源推理框架对比，计算成本仅为开源框架的二分之一。要想让它们在工作时有足够快的速度，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，比拼的也将不再是「铁的厚度」，各框架单卡 TPS 对比

  从中我们可以得出几个明显结论。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，能够跨节点，

  首先，从而更充分发挥各类 GPU 在计算、ServingKit 在开源推理引擎 SGLang 上进一步优化，极致全栈工程框架和创新算法的垂直优化方案，能够帮助企业以更低的成本获得更高的推理能力，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，可以对不同角色分别配置更优的批处理策略和并行方式，

  这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。Dynamo 等），

  更宏观地看，ServingKit 还配备了强大的运维可观测能力，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，在迈过了模型性能的门槛之后，在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。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，

  这些创新让 xLLM 具备低时延、VKE 实现 PD 分离部署和弹性伸缩。复现前文中的所有测试！