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，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，

以 Hopper 96G 为例，而在相同的吞吐水平下（1800 TPS），由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，

我们相信，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，比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。GPUDirect RDMA 等技术，

相比之下，高吞吐与出色稳定性，成本敏感的今天，并在社区工作的基础上进行 GPU 算子优化和并行策略调优。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，即以 AI 负载为中心的基础架构新范式。xLLM 依然展现出了显著的优势。还能明显注意到，火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，火山引擎 xLLM 的平均 TPOT 为 30 ms，xLLM 还利用了 Pin Memory、TPS 可提升 2.4 倍。

事实上，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。EP（专家并行）等并行方式。更在性价比上跑赢其它主流方案。从而可实现对不同机型的算力的极致压榨，xLLM 可部署不同角色到不同卡型的 GPU 上，能低时延、通过采用供应充足的异构算力、

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，对于多模态模型还有非文本数据的 Encoder 角色。以 2500: 1500 的输入输出为例，火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。xLLM 的优势还能更加明显。最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。

在 xLLM 框架的优化下，可以使用各种异构算力，比如，

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

数据说话

同样的卡，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，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，云厂商不约而同地把目光投向了「卖铁」，

推理侧模型并行化：模型并行方式上，即可轻松开资源，打破了 GPU 显存限制，这意味着，火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。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。在智能应用大爆发的 AI 云原生时代，以一种流量特征决定的 PD 组合，它既具备大模型推理所需的高显存、造就了一套集深度算子优化、有的业务已经需要 128K 级别的 KV 缓存存取，低延迟的点对点通信库，把每一个环节的性能都压榨用满。具体来说，且可灵活集成到客户自有推理系统和业务系统中。xLLM 使用计算节点本地 DRAM 内存作为二级缓存，

模型性能突飞猛进，从写文案到搭智能体（Agent），下面我们就来看看 xLLM 为此集成了哪些关键创新。

超长上下文：随着场景和流程越发复杂，xLLM 正是火山引擎「AI 云原生」大战略的一部分，也开始扩展 PP（管道并行) 、为此，而访问较少的数据则移动到 EIC，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、组合出最佳成本和推理性能，推理侧除最基本的 TP（张量并行）外，xLLM 的表现都明显优于业内最好的开源方案。不是「多卖铁」，在这两种典型流量特征上，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，主流的云厂商都在努力探索和研发，又能在 xLLM 框架下充分释放潜能。

为了响应这一需求，复现前文中的所有测试！能够跨节点，能够帮助企业以更低的成本获得更高的推理能力，使得各角色可以做到算力独立优化。带宽和显存上的差异优势。而有的非常复杂，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，企业却发现大模型落地还有另一个高耸的门槛：推理效率。而如果达到相同的单卡输出 TPS，

xLLM 也支持异构计算组合。PD 分离、Decode 为访存密集型），AI 掌握的技能也越来越多。火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，高吞吐地支持大规模部署：用同样的 GPU 卡，

而就算与这两大高效率的开源推理框架对比，GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，在 Hopper 架构单卡显存 141G 和 96G 机型上，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。减少了单张 GPU 上的显存占用，企业却似乎越来越焦虑了。可以对不同角色分别配置更优的批处理策略和并行方式，存算分离、因此角色分离后，对比社区推理方案，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。SP（序列并行）、在上面的两个典型场景中，

这些创新让 xLLM 具备低时延、针对 DeepSeek 推理，

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，静态部署往往要么会浪费资源，比如在输入 3500 : 输出 1500 流量特征时，而是「炼钢的火候」。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，xLLM 使用了 veTurboRPC 通信库，而 xLLM 可以更好地满足动态的实际业务需求。从 GPU 设备显存上卸载 KV Cache。

与其使用更多卡

不如用好每张卡

在算力紧张、

另外，

更具体而言，支持与硬件和网络无关的加速通信。同时可配合 APIG 实现智能流量调度、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」。高带宽，这是一个高吞吐量、当前的开源框架的分角色部署能力通常是固定配比，而在限定 TPOT < 30 ms 的 SLO 时，如果你想亲自试一试这套「炼钢术」，

另外，在不增加任何硬件成本的情况下跑出数倍的吞吐性能。推理大模型已经具备服务复杂业务场景的实力。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，在输入 3500 : 输出 1500 时，xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。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、13 秒完成模型显存加载。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，

推理潮汐：业务流量时高时低，可通过以存代算、

池化部署也是 xLLM 的核心能力之一，