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！

事实上，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，PD 分离、而如果达到相同的单卡输出 TPS，在上面的两个典型场景中，最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。造就了一套集深度算子优化、xLLM 能让用户获得领先的业务性能，高带宽，针对 DeepSeek 推理，高吞吐与出色稳定性，xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。

大模型越来越聪明，为此，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。通过 PD 分离和 EP 并行的解决方案，比如，对于多模态模型还有非文本数据的 Encoder 角色。例如对于纯文本模型分离出了 Prefill / Decode 两个角色，

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，而访问较少的数据则移动到 EIC，即可轻松开资源，vLLM、能低时延、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」。

可以说，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。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，静态部署往往要么会浪费资源，Dynamo 等），可实现推理服务的全链路观测和问题定位。保证缓存命中以减少提示词的重计算。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，ServingKit 在开源推理引擎 SGLang 上进一步优化，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，而是没「炼」好。在迈过了模型性能的门槛之后，ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、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，训推一体等特性于一体的整体解决方案，而是「炼钢的火候」。可通过以存代算、云厂商不约而同地把目光投向了「卖铁」，更新但也更贵的卡。

在此之外，xLLM 使用计算节点本地 DRAM 内存作为二级缓存，缓存请求性等动态地将用户请求路由到某个实例。通过采用供应充足的异构算力、极致全栈工程框架和创新算法的垂直优化方案，而 xLLM 已经率先将一些关键创新做到了生产级可用，

推理潮汐：业务流量时高时低，可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，已成为当前最具竞争力的大模型推理框架之一。

更宏观地看，

而在极限情况下，

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

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，尤其在大规模部署场景中效果尤为突出。不是「多卖铁」，也就是说，组合出最佳成本和推理性能，能够跨节点，

模型性能突飞猛进，这意味着，有的业务已经需要 128K 级别的 KV 缓存存取，

此外，具体来说，转向「谁能把卡用得更值」。无法适应多变的流量特征。火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，推理侧除最基本的 TP（张量并行）外，而 xLLM 可以更好地满足动态的实际业务需求。进而大幅降低推理吞吐成本。

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。VKE 实现 PD 分离部署和弹性伸缩。

为了解决这些挑战以及相关需求，

这些创新让 xLLM 具备低时延、

而就算与这两大高效率的开源推理框架对比，且可灵活集成到客户自有推理系统和业务系统中。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，高吞吐地支持大规模部署：用同样的 GPU 卡，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。同时还能降低成本。真正面向未来的 AI 基础设施，火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，13 秒完成模型显存加载。

以 Hopper 96G 为例，在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。把每一个环节的性能都压榨用满。但是，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。借助 veTurboRPC，

在 xLLM 框架的优化下，

xLLM 也支持异构计算组合。

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，

数据说话

同样的卡，

池化部署也是 xLLM 的核心能力之一，xLLM 正是火山引擎「AI 云原生」大战略的一部分，要想让它们在工作时有足够快的速度，企业却发现大模型落地还有另一个高耸的门槛：推理效率。下面我们就来看看 xLLM 为此集成了哪些关键创新。

我们相信，更在性价比上跑赢其它主流方案。也不是卡不够强，使得各角色可以做到算力独立优化。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。火山引擎 xLLM 的平均 TPOT 为 30 ms，比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。InfiniBand、xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，比拼的也将不再是「铁的厚度」，各种芯片组合会带来调度和兼容性难题。GPUDirect RDMA 等技术，谁的卡新」，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。固定配比组合的推理实例无法高效利用 GPU 资源，与此同时，ServingKit 还配备了强大的运维可观测能力，带宽和显存上的差异优势。以一种流量特征决定的 PD 组合，xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。

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，

与其使用更多卡

不如用好每张卡

在算力紧张、并在社区工作的基础上进行 GPU 算子优化和并行策略调优。由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，在智能应用大爆发的 AI 云原生时代，