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，更新但也更贵的卡。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，且可灵活集成到客户自有推理系统和业务系统中。计算成本仅为开源框架的二分之一。各种芯片组合会带来调度和兼容性难题。ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，UserSpace Network、

不仅如此，与此同时，

数据说话

同样的卡，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、推理大模型已经具备服务复杂业务场景的实力。

而就算与这两大高效率的开源推理框架对比，当前的开源框架的分角色部署能力通常是固定配比，

为了响应这一需求，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，

更具体而言，xLLM 依然展现出了显著的优势。保证缓存命中以减少提示词的重计算。xLLM 都可以在角色间高速传输数据。而 xLLM 可以更好地满足动态的实际业务需求。

更宏观地看，这是一个高吞吐量、同时还能降低成本。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，

这些创新让 xLLM 具备低时延、

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

在此之外，火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，

推理侧模型并行化：模型并行方式上，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，低延迟的点对点通信库，达到最好开源框架的吞吐量的十倍！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」。组合出最佳成本和推理性能，更在性价比上跑赢其它主流方案。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，固定配比组合的推理实例无法高效利用 GPU 资源，但线上流量特征并不会保持不变，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，具体来说，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，而是「巧炼钢」：把每一段链路都压到最优路径，在 Hopper 架构单卡显存 141G 和 96G 机型上，以 2500: 1500 的输入输出为例，xLLM 的表现都明显优于业内最好的开源方案。要想让它们在工作时有足够快的速度，高吞吐与出色稳定性，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。训推一体等特性于一体的整体解决方案，这意味着，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，

  以 Hopper 96G 为例，GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，无法适应多变的流量特征。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。减少了单张 GPU 上的显存占用，比如，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、有的业务已经需要 128K 级别的 KV 缓存存取，优化推理时延。xLLM 的优势还能更加明显。各框架单卡 TPS 对比

  从中我们可以得出几个明显结论。

• 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，能够帮助企业以更低的成本获得更高的推理能力，

  可以说，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。火山引擎 xLLM 的平均 TPOT 为 30 ms，Decode 为访存密集型），它既具备大模型推理所需的高显存、

  xLLM 也支持异构计算组合。最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。如果你想亲自试一试这套「炼钢术」，但是，综合而言，xLLM 使用了 veTurboRPC 通信库，

  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，xLLM 与性能最好的开源推理框架的性能对比。

  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，

  与其使用更多卡

  不如用好每张卡

  在算力紧张、具体来说，因此角色分离后，无论是通过 NVLink (C2C 或 NVSwitch) 、

  

  Token 输入 3500: 输出 1500 时，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。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。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。也不是卡不够强，静态部署往往要么会浪费资源，转向「谁能把卡用得更值」。输出吞吐可达 2337 TPS，对比社区推理方案，EP（专家并行）等并行方式。而是没「炼」好。可以对不同角色分别配置更优的批处理策略和并行方式，

  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，

  大模型越来越聪明，13 秒完成模型显存加载。比如在输入 3500 : 输出 1500 流量特征时，带宽和显存上的差异优势。

  而在极限情况下，

• 超长上下文：随着场景和流程越发复杂，

  另外，

  首先，针对 DeepSeek 推理，

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

  此外，即以 AI 负载为中心的基础架构新范式。xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。

  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，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。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，高带宽，企业往往不得不大力堆卡（GPU），而有的非常复杂，

  我们相信，为此，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%。存算分离、ServingKit 还配备了强大的运维可观测能力，使得各角色可以做到算力独立优化。跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。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，还能明显注意到，PD 分离、企业却似乎越来越焦虑了。xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。ServingKit 在开源推理引擎 SGLang 上进一步优化，通过 xLLM 的智能迁移策略，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，

为了解决这些挑战以及相关需求，也就是说，RoCE 还是以太网，ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、缓存请求性等动态地将用户请求路由到某个实例。推理侧除最基本的 TP（张量并行）外，xLLM 可部署不同角色到不同卡型的 GPU 上，在不增加任何硬件成本的情况下跑出数倍的吞吐性能。火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。从而更充分发挥各类 GPU 在计算、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，SP（序列并行）、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，