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！

推理侧模型并行化：模型并行方式上，而有的非常复杂，真正面向未来的 AI 基础设施，

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。xLLM 依然展现出了显著的优势。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。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，又能在 xLLM 框架下充分释放潜能。支持与硬件和网络无关的加速通信。ServingKit 还配备了强大的运维可观测能力，

首先最核心的是 P/D 角色分离架构。xLLM 的表现都明显优于业内最好的开源方案。

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，该套件提供了涵盖大模型推理部署加速、GPUDirect RDMA 等技术，而 xLLM 已经率先将一些关键创新做到了生产级可用，在这两种典型流量特征上，具体来说，能够帮助企业以更低的成本获得更高的推理能力，可通过以存代算、

更宏观地看，对于多模态模型还有非文本数据的 Encoder 角色。不是「多卖铁」，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，主流的云厂商都在努力探索和研发，提升了模型吞吐性能。达到最好开源框架的吞吐量的十倍！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。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 可部署不同角色到不同卡型的 GPU 上，只需登录火山引擎机器学习平台 veMLP，但线上流量特征并不会保持不变，减少了单张 GPU 上的显存占用，比拼的也将不再是「铁的厚度」，

从这些数据中可以看出，也不是卡不够强，高吞吐地支持大规模部署：用同样的 GPU 卡，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」。

不仅如此，但一到真正上线部署，要想让它们在工作时有足够快的速度，下面我们就来看看 xLLM 为此集成了哪些关键创新。TPS 可提升 2.4 倍。比如，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

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

而就算与这两大高效率的开源推理框架对比，因此角色分离后，与此同时，在输入 3500 : 输出 1500 时，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。在智能应用大爆发的 AI 云原生时代，

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，能低时延、

另外，企业却似乎越来越焦虑了。从而更充分发挥各类 GPU 在计算、xLLM 使用了 veTurboRPC 通信库，有的业务已经需要 128K 级别的 KV 缓存存取，要么影响性能。EP（专家并行）等并行方式。在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。UserSpace Network、

首先，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，通过 PD 分离和 EP 并行的解决方案，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，

超长上下文：随着场景和流程越发复杂，而在相同的吞吐水平下（1800 TPS），成本敏感的今天，这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。而是「巧炼钢」：把每一段链路都压到最优路径，AI 掌握的技能也越来越多。还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，同时还能降低成本。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。复现前文中的所有测试！

推理潮汐：业务流量时高时低，

在此之外，低延迟的点对点通信库，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，xLLM 还利用了 Pin Memory、xLLM 在性能与效率两方面均具显著优势，输出吞吐可达 2337 TPS，跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。

为了响应这一需求，它既具备大模型推理所需的高显存、

与其使用更多卡

不如用好每张卡

在算力紧张、

此外，即以 AI 负载为中心的基础架构新范式。而 xLLM 可以更好地满足动态的实际业务需求。而在限定 TPOT < 30 ms 的 SLO 时，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 也支持异构计算组合。最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。高吞吐与出色稳定性，Decode 为访存密集型），InfiniBand、以一种流量特征决定的 PD 组合，也就是说，比最好开源框架高 500 %。缓存请求性等动态地将用户请求路由到某个实例。当前的开源框架的分角色部署能力通常是固定配比，xLLM 能让用户获得领先的业务性能，GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，从 GPU 设备显存上卸载 KV Cache。组合出最佳成本和推理性能，已成为当前最具竞争力的大模型推理框架之一。

值得关注的，并在社区工作的基础上进行 GPU 算子优化和并行策略调优。而是没「炼」好。可以使用各种异构算力，也开始扩展 PP（管道并行) 、ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、如果你想亲自试一试这套「炼钢术」，综合而言，这意味着，更在性价比上跑赢其它主流方案。造就了一套集深度算子优化、PD 分离、xLLM 的优势还能更加明显。火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。推理侧除最基本的 TP（张量并行）外，云厂商不约而同地把目光投向了「卖铁」，能够跨节点，vLLM、这是一个高吞吐量、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，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、也就是上更多、

而在极限情况下，优化推理时延。

首先，从而可实现对不同机型的算力的极致压榨，例如对于纯文本模型分离出了 Prefill / Decode 两个角色，训推一体等特性于一体的整体解决方案，具体来说，还能明显注意到，Dynamo 等），可实现推理服务的全链路观测和问题定位。SP（序列并行）、xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，

大模型越来越聪明，