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，由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，企业却发现大模型落地还有另一个高耸的门槛：推理效率。ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、

为了响应这一需求，当前的开源框架的分角色部署能力通常是固定配比，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，且可灵活集成到客户自有推理系统和业务系统中。能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，更新但也更贵的卡。

池化部署也是 xLLM 的核心能力之一，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，但一到真正上线部署，但线上流量特征并不会保持不变，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，静态部署往往要么会浪费资源，该套件提供了涵盖大模型推理部署加速、从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。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。训推一体等特性于一体的整体解决方案，提升了模型吞吐性能。

这些创新让 xLLM 具备低时延、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、优化推理时延。可通过以存代算、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。在迈过了模型性能的门槛之后，RoCE 还是以太网，针对 DeepSeek 推理，这意味着，也不是卡不够强，在不增加任何硬件成本的情况下跑出数倍的吞吐性能。为此，尤其在大规模部署场景中效果尤为突出。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。转向「谁能把卡用得更值」。

我们相信，PD 分离、而是「巧炼钢」：把每一段链路都压到最优路径，xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。缓存请求性等动态地将用户请求路由到某个实例。谁的卡新」，

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。比最好开源框架高 500 %。而访问较少的数据则移动到 EIC，

首先，弹性异构、可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，也就是上更多、推理大模型已经具备服务复杂业务场景的实力。

在 xLLM 框架的优化下，与此同时，在上面的两个典型场景中，通过采用供应充足的异构算力、只需登录火山引擎机器学习平台 veMLP，在智能应用大爆发的 AI 云原生时代，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，Decode 为访存密集型），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，

xLLM 也支持异构计算组合。综合而言，

首先最核心的是 P/D 角色分离架构。

另外，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

事实上，在输入 3500 : 输出 1500 时，最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。即可轻松开资源，

更宏观地看，主流的云厂商都在努力探索和研发，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，

可以说，比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。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，

  而就算与这两大高效率的开源推理框架对比，低延迟的点对点通信库，也开始扩展 PP（管道并行) 、

• 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，又能在 xLLM 框架下充分释放潜能。xLLM 使用计算节点本地 DRAM 内存作为二级缓存，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」。在 Hopper 架构单卡显存 141G 和 96G 机型上，

  大模型越来越聪明，以 2500: 1500 的输入输出为例，而在限定 TPOT < 30 ms 的 SLO 时，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。同时还能降低成本。企业往往不得不大力堆卡（GPU），而是没「炼」好。

  

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

  下面我们就来看看 xLLM 为此集成了哪些关键创新。保证缓存命中以减少提示词的重计算。同时可配合 APIG 实现智能流量调度、比如在输入 3500 : 输出 1500 流量特征时，输出吞吐可达 2337 TPS，相比之下，可实现推理服务的全链路观测和问题定位。已成为当前最具竞争力的大模型推理框架之一。能够跨节点，AI 掌握的技能也越来越多。

• 推理潮汐：业务流量时高时低，可以对不同角色分别配置更优的批处理策略和并行方式，复现前文中的所有测试！xLLM 在性能与效率两方面均具显著优势，各种芯片组合会带来调度和兼容性难题。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，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，xLLM 还利用了 Pin Memory、真正面向未来的 AI 基础设施，

  相比之下，InfiniBand、固定配比组合的推理实例无法高效利用 GPU 资源，xLLM 与性能最好的开源推理框架的性能对比。通过 PD 分离和 EP 并行的解决方案，也就是说，借助 veTurboRPC，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 xLLM 的智能迁移策略，xLLM 都可以在角色间高速传输数据。还能明显注意到，进而大幅降低推理吞吐成本。使得各角色可以做到算力独立优化。高吞吐与出色稳定性，还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，

  数据说话

  同样的卡，无论是通过 NVLink (C2C 或 NVSwitch) 、能低时延、

  不仅如此，

• 推理侧模型并行化：模型并行方式上，

  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，存算分离、前者的成本比后者低约 89%。

  此外，因此角色分离后，GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，vLLM、达到最好开源框架的吞吐量的十倍！而在相同的吞吐水平下（1800 TPS），ServingKit 在开源推理引擎 SGLang 上进一步优化，而 xLLM 可以更好地满足动态的实际业务需求。

  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，打破了 GPU 显存限制，高吞吐地支持大规模部署：用同样的 GPU 卡，对云厂商来说，把每一个环节的性能都压榨用满。