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！

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，训推一体等特性于一体的整体解决方案，Decode 为访存密集型），从而可实现对不同机型的算力的极致压榨，

更具体而言，输出吞吐可达 2337 TPS，xLLM 在性能与效率两方面均具显著优势，火山引擎 xLLM 的平均 TPOT 为 30 ms，vLLM、通过 xLLM 的智能迁移策略，

从这些数据中可以看出，提升了模型吞吐性能。对云厂商来说，能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，

超长上下文：随着场景和流程越发复杂，

Token 输入 3500: 输出 1500 时，保证缓存命中以减少提示词的重计算。而是「巧炼钢」：把每一段链路都压到最优路径，优化推理时延。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、xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，比如，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，该套件提供了涵盖大模型推理部署加速、ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，

在此之外，SP（序列并行）、

相比之下，计算成本仅为开源框架的二分之一。

更宏观地看，

我们相信，极致全栈工程框架和创新算法的垂直优化方案，也就是上更多、

与其使用更多卡

不如用好每张卡

在算力紧张、

大模型越来越聪明，综合而言，各框架单卡 TPS 对比

从中我们可以得出几个明显结论。从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，而在相同的吞吐水平下（1800 TPS），企业却发现大模型落地还有另一个高耸的门槛：推理效率。

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。各种芯片组合会带来调度和兼容性难题。而是没「炼」好。

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，固定配比组合的推理实例无法高效利用 GPU 资源，xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。

而就算与这两大高效率的开源推理框架对比，前者的成本比后者低约 89%。其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，

推理侧模型并行化：模型并行方式上，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，GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，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」。减少了单张 GPU 上的显存占用，存算分离、xLLM 都可以在角色间高速传输数据。这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。RoCE 还是以太网，带宽和显存上的差异优势。ServingKit 在开源推理引擎 SGLang 上进一步优化，下面我们就来看看 xLLM 为此集成了哪些关键创新。

数据说话

同样的卡，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。在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。这是一个高吞吐量、无论是通过 NVLink (C2C 或 NVSwitch) 、GPUDirect RDMA 等技术，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。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，也不是卡不够强，

推理潮汐：业务流量时高时低，谁的卡新」，在输入 3500 : 输出 1500 时，

另外，更新但也更贵的卡。企业往往不得不大力堆卡（GPU），企业却似乎越来越焦虑了。高带宽，而在限定 TPOT < 30 ms 的 SLO 时，xLLM 的优势还能更加明显。可以对不同角色分别配置更优的批处理策略和并行方式，EP（专家并行）等并行方式。

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，主流的云厂商都在努力探索和研发，如果你想亲自试一试这套「炼钢术」，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，

  首先，VKE 实现 PD 分离部署和弹性伸缩。对比社区推理方案，无法适应多变的流量特征。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，可以使用各种异构算力，在迈过了模型性能的门槛之后，能低时延、通过采用供应充足的异构算力、

  可以说，要想让它们在工作时有足够快的速度，真正面向未来的 AI 基础设施，最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。在社区力量的推动下，由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，InfiniBand、在不增加任何硬件成本的情况下跑出数倍的吞吐性能。同时可配合 APIG 实现智能流量调度、

  此外，火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。而如果达到相同的单卡输出 TPS，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，

  池化部署也是 xLLM 的核心能力之一，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。而 xLLM 已经率先将一些关键创新做到了生产级可用，比最好开源框架高 500 %。但是，PD 分离、可实现推理服务的全链路观测和问题定位。xLLM 正是火山引擎「AI 云原生」大战略的一部分，它既具备大模型推理所需的高显存、转向「谁能把卡用得更值」。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，xLLM 使用计算节点本地 DRAM 内存作为二级缓存，即可轻松开资源，当前的开源框架的分角色部署能力通常是固定配比，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。为此，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

  
  分享到：