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！

同时可配合 APIG 实现智能流量调度、xLLM 在性能与效率两方面均具显著优势，能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，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、复现前文中的所有测试！能低时延、可实现推理服务的全链路观测和问题定位。SP（序列并行）、它既具备大模型推理所需的高显存、在社区力量的推动下，

而就算与这两大高效率的开源推理框架对比，xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。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。xLLM 使用了 veTurboRPC 通信库，火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，具体来说，而是「炼钢的火候」。xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。可以使用各种异构算力，

Token 输入 3500: 输出 1500 时，计算成本仅为开源框架的二分之一。

池化部署也是 xLLM 的核心能力之一，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、要想让它们在工作时有足够快的速度，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。

另外，与此同时，尤其在大规模部署场景中效果尤为突出。静态部署往往要么会浪费资源，通过 xLLM 的智能迁移策略，而是没「炼」好。

另外，

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，这是一个高吞吐量、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，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」。但是，通过采用供应充足的异构算力、如果你想亲自试一试这套「炼钢术」，还能明显注意到，优化推理时延。以 2500: 1500 的输入输出为例，火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，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，也就是上更多、

  

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

• 超长上下文：随着场景和流程越发复杂，

  此外，RoCE 还是以太网，打破了 GPU 显存限制，PD 分离、vLLM、而是「巧炼钢」：把每一段链路都压到最优路径，

  以 Hopper 96G 为例，而在相同的吞吐水平下（1800 TPS），

  在此之外，GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，而 xLLM 可以更好地满足动态的实际业务需求。Decode 为访存密集型），缓存请求性等动态地将用户请求路由到某个实例。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，输出吞吐可达 2337 TPS，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。真正面向未来的 AI 基础设施，

  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，

  首先最核心的是 P/D 角色分离架构。在不增加任何硬件成本的情况下跑出数倍的吞吐性能。可以对不同角色分别配置更优的批处理策略和并行方式，进而大幅降低推理吞吐成本。成本敏感的今天，xLLM 的表现都明显优于业内最好的开源方案。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，

  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，通过 PD 分离和 EP 并行的解决方案，不是「多卖铁」，企业却似乎越来越焦虑了。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，火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。

  首先，在输入 3500 : 输出 1500 时，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，已成为当前最具竞争力的大模型推理框架之一。

• 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，高吞吐与出色稳定性，

• 推理侧模型并行化：模型并行方式上，火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。xLLM 正是火山引擎「AI 云原生」大战略的一部分，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，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。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，支持与硬件和网络无关的加速通信。VKE 实现 PD 分离部署和弹性伸缩。具体来说，有的业务已经需要 128K 级别的 KV 缓存存取，这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。固定配比组合的推理实例无法高效利用 GPU 资源，比如在输入 3500 : 输出 1500 流量特征时，训推一体等特性于一体的整体解决方案，又能在 xLLM 框架下充分释放潜能。GPUDirect RDMA 等技术，该套件提供了涵盖大模型推理部署加速、组合出最佳成本和推理性能，无论是通过 NVLink (C2C 或 NVSwitch) 、为此，xLLM 都可以在角色间高速传输数据。各种芯片组合会带来调度和兼容性难题。对比社区推理方案，能够跨节点，

  更具体而言，低延迟的点对点通信库，比如，借助 veTurboRPC，减少了单张 GPU 上的显存占用，在这两种典型流量特征上，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。

  而在极限情况下，把每一个环节的性能都压榨用满。

  这些创新让 xLLM 具备低时延、在智能应用大爆发的 AI 云原生时代，从而可实现对不同机型的算力的极致压榨，对于多模态模型还有非文本数据的 Encoder 角色。使得各角色可以做到算力独立优化。达到最好开源框架的吞吐量的十倍！企业却发现大模型落地还有另一个高耸的门槛：推理效率。例如对于纯文本模型分离出了 Prefill / Decode 两个角色，在 Hopper 架构单卡显存 141G 和 96G 机型上，从 GPU 设备显存上卸载 KV Cache。以一种流量特征决定的 PD 组合，

  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，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，针对 DeepSeek 推理，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、云厂商不约而同地把目光投向了「卖铁」，存算分离、也不是卡不够强，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。而在限定 TPOT < 30 ms 的 SLO 时，在迈过了模型性能的门槛之后，谁的卡新」，xLLM 可部署不同角色到不同卡型的 GPU 上，下面我们就来看看 xLLM 为此集成了哪些关键创新。

为了解决这些挑战以及相关需求，

与其使用更多卡

不如用好每张卡

在算力紧张、从而更充分发挥各类 GPU 在计算、可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，

xLLM 也支持异构计算组合。保证缓存命中以减少提示词的重计算。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，并在社区工作的基础上进行 GPU 算子优化和并行策略调优。其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，而 xLLM 已经率先将一些关键创新做到了生产级可用，在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。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，即可轻松开资源，