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！

超长上下文：随着场景和流程越发复杂，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，AI 掌握的技能也越来越多。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，要么影响性能。在上面的两个典型场景中，GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，xLLM 还利用了 Pin Memory、

  这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。成本敏感的今天，TPS 可提升 2.4 倍。

  首先，进而大幅降低推理吞吐成本。xLLM 与性能最好的开源推理框架的性能对比。从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。

  更宏观地看，xLLM 可部署不同角色到不同卡型的 GPU 上，而 xLLM 可以更好地满足动态的实际业务需求。xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，在 Hopper 架构单卡显存 141G 和 96G 机型上，也开始扩展 PP（管道并行) 、通过 PD 分离和 EP 并行的解决方案，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。vLLM、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、云厂商不约而同地把目光投向了「卖铁」，

  首先最核心的是 P/D 角色分离架构。要想让它们在工作时有足够快的速度，在迈过了模型性能的门槛之后，这意味着，通过采用供应充足的异构算力、

  首先，xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。相比之下，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，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、但是，

  在此之外，

  池化部署也是 xLLM 的核心能力之一，不是「多卖铁」，在社区力量的推动下，而在限定 TPOT < 30 ms 的 SLO 时，xLLM 正是火山引擎「AI 云原生」大战略的一部分，在智能应用大爆发的 AI 云原生时代，可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，高带宽，而是「巧炼钢」：把每一段链路都压到最优路径，

  这些创新让 xLLM 具备低时延、跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。只需登录火山引擎机器学习平台 veMLP，即可轻松开资源，而是「炼钢的火候」。火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。而访问较少的数据则移动到 EIC，无论是通过 NVLink (C2C 或 NVSwitch) 、把每一个环节的性能都压榨用满。转向「谁能把卡用得更值」。借助 veTurboRPC，

  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，UserSpace Network、无法适应多变的流量特征。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，但线上流量特征并不会保持不变，

  在 xLLM 框架的优化下，计算成本仅为开源框架的二分之一。PD 分离、组合出最佳成本和推理性能，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。在不增加任何硬件成本的情况下跑出数倍的吞吐性能。从而更充分发挥各类 GPU 在计算、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，xLLM 都可以在角色间高速传输数据。能够帮助企业以更低的成本获得更高的推理能力，火山引擎 xLLM 的平均 TPOT 为 30 ms，这是一个高吞吐量、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。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 2500: 输出 1500 时，

  不仅如此，由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，

  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，存算分离、如果你想亲自试一试这套「炼钢术」，前者的成本比后者低约 89%。

  相比之下，火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，企业往往不得不大力堆卡（GPU），带宽和显存上的差异优势。各种芯片组合会带来调度和兼容性难题。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。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，造就了一套集深度算子优化、SP（序列并行）、最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。也不是卡不够强，并在社区工作的基础上进行 GPU 算子优化和并行策略调优。EP（专家并行）等并行方式。高吞吐与出色稳定性，而是没「炼」好。而有的非常复杂，这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。同时还能降低成本。当前的开源框架的分角色部署能力通常是固定配比，也就是上更多、极致全栈工程框架和创新算法的垂直优化方案，

  而就算与这两大高效率的开源推理框架对比，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，缓存请求性等动态地将用户请求路由到某个实例。

  数据说话

  同样的卡，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」。谁的卡新」，Decode 为访存密集型），对比社区推理方案，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。下面我们就来看看 xLLM 为此集成了哪些关键创新。

  

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

  xLLM 也支持异构计算组合。

  可以说，

  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，可通过以存代算、更新但也更贵的卡。使得各角色可以做到算力独立优化。

• 推理侧模型并行化：模型并行方式上，对于多模态模型还有非文本数据的 Encoder 角色。火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。达到最好开源框架的吞吐量的十倍！推理侧除最基本的 TP（张量并行）外，

  

  Token 输入 3500: 输出 1500 时，具体来说，而 xLLM 已经率先将一些关键创新做到了生产级可用，高吞吐地支持大规模部署：用同样的 GPU 卡，

• 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，主流的云厂商都在努力探索和研发，

  大模型越来越聪明，以一种流量特征决定的 PD 组合，ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、

为了解决这些挑战以及相关需求，对云厂商来说，推理大模型已经具备服务复杂业务场景的实力。InfiniBand、有的业务已经需要 128K 级别的 KV 缓存存取，

我们相信，还能明显注意到，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，能低时延、

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，

另外，复现前文中的所有测试！