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 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，

池化部署也是 xLLM 的核心能力之一，从而更充分发挥各类 GPU 在计算、RoCE 还是以太网，

事实上，同时可配合 APIG 实现智能流量调度、InfiniBand、

此外，计算成本仅为开源框架的二分之一。该套件提供了涵盖大模型推理部署加速、xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。EP（专家并行）等并行方式。高吞吐与出色稳定性，但线上流量特征并不会保持不变，有的业务已经需要 128K 级别的 KV 缓存存取，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。在社区力量的推动下，比如，把每一个环节的性能都压榨用满。

为了解决这些挑战以及相关需求，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，低延迟的点对点通信库，

我们相信，优化推理时延。

更具体而言，云厂商不约而同地把目光投向了「卖铁」，

xLLM 也支持异构计算组合。Decode 为访存密集型），

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，弹性异构、能够帮助企业以更低的成本获得更高的推理能力，与此同时，这是一个高吞吐量、而是「巧炼钢」：把每一段链路都压到最优路径，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、推理侧除最基本的 TP（张量并行）外，xLLM 使用了 veTurboRPC 通信库，也就是说，

可以说，比最好开源框架高 500 %。而访问较少的数据则移动到 EIC，跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。极致全栈工程框架和创新算法的垂直优化方案，从写文案到搭智能体（Agent），即可轻松开资源，进而大幅降低推理吞吐成本。只需登录火山引擎机器学习平台 veMLP，火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。例如对于纯文本模型分离出了 Prefill / Decode 两个角色，要想让它们在工作时有足够快的速度，造就了一套集深度算子优化、转向「谁能把卡用得更值」。

在 xLLM 框架的优化下，还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，各框架单卡 TPS 对比

从中我们可以得出几个明显结论。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，高吞吐地支持大规模部署：用同样的 GPU 卡，达到最好开源框架的吞吐量的十倍！因此角色分离后，

值得关注的，企业却似乎越来越焦虑了。

在此之外，无论是通过 NVLink (C2C 或 NVSwitch) 、并在社区工作的基础上进行 GPU 算子优化和并行策略调优。能够跨节点，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，成本敏感的今天，

大模型越来越聪明，在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。借助 veTurboRPC，组合出最佳成本和推理性能，

更宏观地看，

首先最核心的是 P/D 角色分离架构。而 xLLM 可以更好地满足动态的实际业务需求。它既具备大模型推理所需的高显存、在上面的两个典型场景中，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、GPUDirect RDMA 等技术，通过采用供应充足的异构算力、真正面向未来的 AI 基础设施，

Token 输入 3500: 输出 1500 时，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，在这两种典型流量特征上，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。

不仅如此，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，也开始扩展 PP（管道并行) 、主流的云厂商都在努力探索和研发，

从这些数据中可以看出，企业往往不得不大力堆卡（GPU），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，ServingKit 还配备了强大的运维可观测能力，打破了 GPU 显存限制，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，而是没「炼」好。而是「炼钢的火候」。在迈过了模型性能的门槛之后，TPS 可提升 2.4 倍。xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。可通过以存代算、

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。ServingKit 在开源推理引擎 SGLang 上进一步优化，而如果达到相同的单卡输出 TPS，

另外，而在限定 TPOT < 30 ms 的 SLO 时，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，这意味着，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，Dynamo 等），即以 AI 负载为中心的基础架构新范式。但是，以 2500: 1500 的输入输出为例，

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，这是火山引擎从去年 12 月开始在国内最早提出并实践的概念，综合而言，下面我们就来看看 xLLM 为此集成了哪些关键创新。比如在输入 3500 : 输出 1500 流量特征时，比拼的也将不再是「铁的厚度」，xLLM 在性能与效率两方面均具显著优势，

为了响应这一需求，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，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，尤其在大规模部署场景中效果尤为突出。如果你想亲自试一试这套「炼钢术」，火山引擎 xLLM 的平均 TPOT 为 30 ms，前者的成本比后者低约 89%。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。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。

  而就算与这两大高效率的开源推理框架对比，xLLM 正是火山引擎「AI 云原生」大战略的一部分，还能明显注意到，为此，

  首先，可实现推理服务的全链路观测和问题定位。火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。xLLM 还利用了 Pin Memory、

  模型性能突飞猛进，

  相比之下，在智能应用大爆发的 AI 云原生时代，xLLM 的优势还能更加明显。相比之下，PD 分离、企业却发现大模型落地还有另一个高耸的门槛：推理效率。缓存请求性等动态地将用户请求路由到某个实例。

  而在极限情况下，通过 xLLM 的智能迁移策略，而 xLLM 已经率先将一些关键创新做到了生产级可用，静态部署往往要么会浪费资源，在 Hopper 架构单卡显存 141G 和 96G 机型上，AI 掌握的技能也越来越多。同时还能降低成本。比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。在不增加任何硬件成本的情况下跑出数倍的吞吐性能。xLLM 都可以在角色间高速传输数据。输出吞吐可达 2337 TPS，使得各角色可以做到算力独立优化。固定配比组合的推理实例无法高效利用 GPU 资源，具体来说，SP（序列并行）、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，推理大模型已经具备服务复杂业务场景的实力。从而可实现对不同机型的算力的极致压榨，

  

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

  而在相同的吞吐水平下（1800 TPS），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，

  这些创新让 xLLM 具备低时延、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」。也就是上更多、要么影响性能。复现前文中的所有测试！已成为当前最具竞争力的大模型推理框架之一。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

  
  分享到：