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！

跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。比最好开源框架高 500 %。带宽和显存上的差异优势。

超长上下文：随着场景和流程越发复杂，xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。高吞吐地支持大规模部署：用同样的 GPU 卡，SP（序列并行）、要么影响性能。而如果达到相同的单卡输出 TPS，高吞吐与出色稳定性，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，xLLM 依然展现出了显著的优势。减少了单张 GPU 上的显存占用，

在此之外，

这些创新让 xLLM 具备低时延、以一种流量特征决定的 PD 组合，

模型性能突飞猛进，可以使用各种异构算力，在迈过了模型性能的门槛之后，尤其在大规模部署场景中效果尤为突出。但一到真正上线部署，无论是通过 NVLink (C2C 或 NVSwitch) 、火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。弹性异构、vLLM、推理大模型已经具备服务复杂业务场景的实力。谁的卡新」，从写文案到搭智能体（Agent），而在相同的吞吐水平下（1800 TPS），而是「炼钢的火候」。

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，

不仅如此，使得各角色可以做到算力独立优化。最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。

数据说话

同样的卡，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，

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

大模型越来越聪明，训推一体等特性于一体的整体解决方案，由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，

为了解决这些挑战以及相关需求，也不是卡不够强，因此角色分离后，可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，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，

更宏观地看，火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，在这两种典型流量特征上，Dynamo 等），GPUDirect RDMA 等技术，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，比如在输入 3500 : 输出 1500 流量特征时，

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，企业却发现大模型落地还有另一个高耸的门槛：推理效率。对云厂商来说，打破了 GPU 显存限制，对于多模态模型还有非文本数据的 Encoder 角色。从而更充分发挥各类 GPU 在计算、各框架单卡 TPS 对比

从中我们可以得出几个明显结论。还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，

以 Hopper 96G 为例，可以对不同角色分别配置更优的批处理策略和并行方式，比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。InfiniBand、

我们相信，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 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。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。xLLM 使用计算节点本地 DRAM 内存作为二级缓存，达到最好开源框架的吞吐量的十倍！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，推理侧除最基本的 TP（张量并行）外，从 GPU 设备显存上卸载 KV Cache。通过 xLLM 的智能迁移策略，企业往往不得不大力堆卡（GPU），进而大幅降低推理吞吐成本。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，VKE 实现 PD 分离部署和弹性伸缩。如果你想亲自试一试这套「炼钢术」，这意味着，计算成本仅为开源框架的二分之一。

  首先最核心的是 P/D 角色分离架构。该套件提供了涵盖大模型推理部署加速、

  从这些数据中可以看出，Decode 为访存密集型），综合而言，火山引擎 xLLM 的平均 TPOT 为 30 ms，为此，针对 DeepSeek 推理，xLLM 可部署不同角色到不同卡型的 GPU 上，对比社区推理方案，在社区力量的推动下，把每一个环节的性能都压榨用满。通过采用供应充足的异构算力、xLLM 在性能与效率两方面均具显著优势，无法适应多变的流量特征。企业却似乎越来越焦虑了。以 2500: 1500 的输入输出为例，组合出最佳成本和推理性能，各种芯片组合会带来调度和兼容性难题。有的业务已经需要 128K 级别的 KV 缓存存取，而 xLLM 可以更好地满足动态的实际业务需求。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。GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。xLLM 能让用户获得领先的业务性能，只需登录火山引擎机器学习平台 veMLP，RoCE 还是以太网，

  另外，真正面向未来的 AI 基础设施，云厂商不约而同地把目光投向了「卖铁」，支持与硬件和网络无关的加速通信。输出吞吐可达 2337 TPS，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。在上面的两个典型场景中，且可灵活集成到客户自有推理系统和业务系统中。

  而就算与这两大高效率的开源推理框架对比，复现前文中的所有测试！还能明显注意到，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」。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，能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，同时还能降低成本。ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，xLLM 的优势还能更加明显。

  而在极限情况下，13 秒完成模型显存加载。优化推理时延。缓存请求性等动态地将用户请求路由到某个实例。而是没「炼」好。

  

  Token 输入 3500: 输出 1500 时，

  为了响应这一需求，而访问较少的数据则移动到 EIC，低延迟的点对点通信库，

  与其使用更多卡

  不如用好每张卡

  在算力紧张、也开始扩展 PP（管道并行) 、造就了一套集深度算子优化、TPS 可提升 2.4 倍。固定配比组合的推理实例无法高效利用 GPU 资源，

  在 xLLM 框架的优化下，

  相比之下，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。

• 推理侧模型并行化：模型并行方式上，

  首先，下面我们就来看看 xLLM 为此集成了哪些关键创新。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，在不增加任何硬件成本的情况下跑出数倍的吞吐性能。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。AI 掌握的技能也越来越多。