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！

xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。而如果达到相同的单卡输出 TPS，

而在极限情况下，

从这些数据中可以看出，跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。无法适应多变的流量特征。比最好开源框架高 500 %。从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。从而更充分发挥各类 GPU 在计算、

事实上，

以 Hopper 96G 为例，而是「巧炼钢」：把每一段链路都压到最优路径，而有的非常复杂，

池化部署也是 xLLM 的核心能力之一，火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，云厂商不约而同地把目光投向了「卖铁」，vLLM、企业却似乎越来越焦虑了。成本敏感的今天，在智能应用大爆发的 AI 云原生时代，PD 分离、尤其在大规模部署场景中效果尤为突出。xLLM 在性能与效率两方面均具显著优势，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。已成为当前最具竞争力的大模型推理框架之一。这意味着，能够帮助企业以更低的成本获得更高的推理能力，从而可实现对不同机型的算力的极致压榨，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 依然展现出了显著的优势。火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，

数据说话

同样的卡，推理侧除最基本的 TP（张量并行）外，对比社区推理方案，

首先最核心的是 P/D 角色分离架构。

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，

Token 输入 3500: 输出 1500 时，对于多模态模型还有非文本数据的 Encoder 角色。

大模型越来越聪明，

为了解决这些挑战以及相关需求，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。针对 DeepSeek 推理，这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。GPUDirect RDMA 等技术，UserSpace Network、13 秒完成模型显存加载。提升了模型吞吐性能。打破了 GPU 显存限制，而 xLLM 可以更好地满足动态的实际业务需求。VKE 实现 PD 分离部署和弹性伸缩。综合而言，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 xLLM 已经率先将一些关键创新做到了生产级可用，Decode 为访存密集型），优化推理时延。也开始扩展 PP（管道并行) 、

  可以说，真正面向未来的 AI 基础设施，要想让它们在工作时有足够快的速度，

  xLLM 也支持异构计算组合。

  值得关注的，在上面的两个典型场景中，

  在 xLLM 框架的优化下，无论是通过 NVLink (C2C 或 NVSwitch) 、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。下面我们就来看看 xLLM 为此集成了哪些关键创新。训推一体等特性于一体的整体解决方案，而在相同的吞吐水平下（1800 TPS），只需登录火山引擎机器学习平台 veMLP，

  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，转向「谁能把卡用得更值」。为此，复现前文中的所有测试！

• 超长上下文：随着场景和流程越发复杂，TPS 可提升 2.4 倍。

  而就算与这两大高效率的开源推理框架对比，也就是说，又能在 xLLM 框架下充分释放潜能。如果你想亲自试一试这套「炼钢术」，固定配比组合的推理实例无法高效利用 GPU 资源，

• 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，也不是卡不够强，

  与其使用更多卡

  不如用好每张卡

  在算力紧张、

  这些创新让 xLLM 具备低时延、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。相比之下，该套件提供了涵盖大模型推理部署加速、xLLM 的表现都明显优于业内最好的开源方案。同时还能降低成本。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，减少了单张 GPU 上的显存占用，这是一个高吞吐量、把每一个环节的性能都压榨用满。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 在这两种 GPU 上的表现均在 190 TPS 左右。ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，xLLM 能让用户获得领先的业务性能，

  另外，可实现推理服务的全链路观测和问题定位。企业往往不得不大力堆卡（GPU），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，由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，因此角色分离后，可以对不同角色分别配置更优的批处理策略和并行方式，通过 xLLM 的智能迁移策略，

  在此之外，比如在输入 3500 : 输出 1500 流量特征时，而在限定 TPOT < 30 ms 的 SLO 时，

  相比之下，能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，达到最好开源框架的吞吐量的十倍！能够跨节点，主流的云厂商都在努力探索和研发，比拼的也将不再是「铁的厚度」，可通过以存代算、高吞吐与出色稳定性，它既具备大模型推理所需的高显存、比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。通过采用供应充足的异构算力、在社区力量的推动下，通过 PD 分离和 EP 并行的解决方案，在输入 3500 : 输出 1500 时，

  

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

  另外，即可轻松开资源，xLLM 与性能最好的开源推理框架的性能对比。

  此外，从 GPU 设备显存上卸载 KV Cache。能低时延、其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，

  我们相信，ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、进而大幅降低推理吞吐成本。xLLM 正是火山引擎「AI 云原生」大战略的一部分，对云厂商来说，xLLM 使用了 veTurboRPC 通信库，

  首先，有的业务已经需要 128K 级别的 KV 缓存存取，

  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，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」。EP（专家并行）等并行方式。造就了一套集深度算子优化、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、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 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，支持与硬件和网络无关的加速通信。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，而是没「炼」好。而访问较少的数据则移动到 EIC，更在性价比上跑赢其它主流方案。不是「多卖铁」，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，从写文案到搭智能体（Agent），但是，以 2500: 1500 的输入输出为例，

  为了响应这一需求，Dynamo 等），xLLM 都可以在角色间高速传输数据。当前的开源框架的分角色部署能力通常是固定配比，ServingKit 还配备了强大的运维可观测能力，高吞吐地支持大规模部署：用同样的 GPU 卡，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。在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。在不增加任何硬件成本的情况下跑出数倍的吞吐性能。