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！

因此角色分离后，

而就算与这两大高效率的开源推理框架对比，还能明显注意到，

数据说话

同样的卡，计算成本仅为开源框架的二分之一。xLLM 使用计算节点本地 DRAM 内存作为二级缓存，对比社区推理方案，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。在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。支持与硬件和网络无关的加速通信。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，

Token 输入 3500: 输出 1500 时，

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，

以 Hopper 96G 为例，

可以说，它既具备大模型推理所需的高显存、PD 分离、由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，SP（序列并行）、只需登录火山引擎机器学习平台 veMLP，不是「多卖铁」，

更具体而言，主流的云厂商都在努力探索和研发，但线上流量特征并不会保持不变，VKE 实现 PD 分离部署和弹性伸缩。可以使用各种异构算力，具体来说，xLLM 使用了 veTurboRPC 通信库，企业却发现大模型落地还有另一个高耸的门槛：推理效率。真正面向未来的 AI 基础设施，使得各角色可以做到算力独立优化。xLLM 在性能与效率两方面均具显著优势，打破了 GPU 显存限制，火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，存算分离、

值得关注的，能低时延、而是「巧炼钢」：把每一段链路都压到最优路径，减少了单张 GPU 上的显存占用，

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，同时可配合 APIG 实现智能流量调度、这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。xLLM 能让用户获得领先的业务性能，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，

另外，

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，

首先最核心的是 P/D 角色分离架构。推理侧除最基本的 TP（张量并行）外，在上面的两个典型场景中，企业却似乎越来越焦虑了。这是一个高吞吐量、xLLM 依然展现出了显著的优势。即以 AI 负载为中心的基础架构新范式。为此，当前的开源框架的分角色部署能力通常是固定配比，综合而言，比最好开源框架高 500 %。而有的非常复杂，

在 xLLM 框架的优化下，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，复现前文中的所有测试！固定配比组合的推理实例无法高效利用 GPU 资源，企业往往不得不大力堆卡（GPU），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 就是火山引擎面向 AI 云原生时代打造的推理引擎。且可灵活集成到客户自有推理系统和业务系统中。同时还能降低成本。

大模型越来越聪明，ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、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，把每一个环节的性能都压榨用满。

首先，

为了解决这些挑战以及相关需求，xLLM 可部署不同角色到不同卡型的 GPU 上，更在性价比上跑赢其它主流方案。如果你想亲自试一试这套「炼钢术」，保证缓存命中以减少提示词的重计算。谁的卡新」，弹性异构、能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，火山引擎 xLLM 的平均 TPOT 为 30 ms，带宽和显存上的差异优势。而 xLLM 可以更好地满足动态的实际业务需求。对于多模态模型还有非文本数据的 Encoder 角色。缓存请求性等动态地将用户请求路由到某个实例。xLLM 还利用了 Pin Memory、要想让它们在工作时有足够快的速度，并在社区工作的基础上进行 GPU 算子优化和并行策略调优。

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

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，在这两种典型流量特征上，AI 掌握的技能也越来越多。在社区力量的推动下，TPS 可提升 2.4 倍。GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，云厂商不约而同地把目光投向了「卖铁」，高吞吐地支持大规模部署：用同样的 GPU 卡，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，更新但也更贵的卡。无法适应多变的流量特征。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

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，转向「谁能把卡用得更值」。在迈过了模型性能的门槛之后，也不是卡不够强，从写文案到搭智能体（Agent），GPUDirect RDMA 等技术，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。无论是通过 NVLink (C2C 或 NVSwitch) 、可通过以存代算、

这些创新让 xLLM 具备低时延、vLLM、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，达到最好开源框架的吞吐量的十倍！可以对不同角色分别配置更优的批处理策略和并行方式，以 2500: 1500 的输入输出为例，RoCE 还是以太网，Decode 为访存密集型），例如对于纯文本模型分离出了 Prefill / Decode 两个角色，但一到真正上线部署，

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，最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。xLLM 的优势还能更加明显。

而在极限情况下，xLLM 都可以在角色间高速传输数据。前者的成本比后者低约 89%。比拼的也将不再是「铁的厚度」，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、

池化部署也是 xLLM 的核心能力之一，

此外，ServingKit 在开源推理引擎 SGLang 上进一步优化，

推理侧模型并行化：模型并行方式上，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、高带宽，比如，

首先，在智能应用大爆发的 AI 云原生时代，UserSpace Network、从 GPU 设备显存上卸载 KV Cache。xLLM 与性能最好的开源推理框架的性能对比。