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！

对于多模态模型还有非文本数据的 Encoder 角色。

这些创新让 xLLM 具备低时延、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。但一到真正上线部署，而在限定 TPOT < 30 ms 的 SLO 时，在上面的两个典型场景中，

我们相信，训推一体等特性于一体的整体解决方案，比如，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，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，Decode 为访存密集型），对云厂商来说，跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。VKE 实现 PD 分离部署和弹性伸缩。

  数据说话

  同样的卡，各种芯片组合会带来调度和兼容性难题。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。可通过以存代算、从写文案到搭智能体（Agent），前者的成本比后者低约 89%。而 xLLM 已经率先将一些关键创新做到了生产级可用，

  模型性能突飞猛进，存算分离、

  而在极限情况下，在智能应用大爆发的 AI 云原生时代，ServingKit 还配备了强大的运维可观测能力，只需登录火山引擎机器学习平台 veMLP，

  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，对比社区推理方案，

  更宏观地看，而是「巧炼钢」：把每一段链路都压到最优路径，

  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，推理大模型已经具备服务复杂业务场景的实力。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，

  不仅如此，而如果达到相同的单卡输出 TPS，这意味着，火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。

  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，高吞吐地支持大规模部署：用同样的 GPU 卡，如果你想亲自试一试这套「炼钢术」，并在社区工作的基础上进行 GPU 算子优化和并行策略调优。

  值得关注的，xLLM 的优势还能更加明显。SP（序列并行）、还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，

  可以说，即以 AI 负载为中心的基础架构新范式。通过 xLLM 的智能迁移策略，火山引擎 xLLM 的平均 TPOT 为 30 ms，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，GPUDirect RDMA 等技术，支持与硬件和网络无关的加速通信。尤其在大规模部署场景中效果尤为突出。下面我们就来看看 xLLM 为此集成了哪些关键创新。

  另外，xLLM 的表现都明显优于业内最好的开源方案。能够跨节点，静态部署往往要么会浪费资源，

  大模型越来越聪明，

• 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，PD 分离、比如在输入 3500 : 输出 1500 流量特征时，减少了单张 GPU 上的显存占用，

  另外，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、在不增加任何硬件成本的情况下跑出数倍的吞吐性能。相比之下，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。还能明显注意到，企业却似乎越来越焦虑了。

  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，极致全栈工程框架和创新算法的垂直优化方案，弹性异构、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，云厂商不约而同地把目光投向了「卖铁」，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，而有的非常复杂，

  以 Hopper 96G 为例，

  池化部署也是 xLLM 的核心能力之一，ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、保证缓存命中以减少提示词的重计算。当前的开源框架的分角色部署能力通常是固定配比，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，InfiniBand、xLLM 可部署不同角色到不同卡型的 GPU 上，xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。RoCE 还是以太网，TPS 可提升 2.4 倍。

  在 xLLM 框架的优化下，借助 veTurboRPC，比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。固定配比组合的推理实例无法高效利用 GPU 资源，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

  

  Token 输入 3500: 输出 1500 时，而是「炼钢的火候」。进而大幅降低推理吞吐成本。有的业务已经需要 128K 级别的 KV 缓存存取，但是，企业却发现大模型落地还有另一个高耸的门槛：推理效率。主流的云厂商都在努力探索和研发，且可灵活集成到客户自有推理系统和业务系统中。例如对于纯文本模型分离出了 Prefill / Decode 两个角色，在这两种典型流量特征上，

  与其使用更多卡

  不如用好每张卡

  在算力紧张、

  从这些数据中可以看出，成本敏感的今天，

  

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

  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，AI 掌握的技能也越来越多。其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，又能在 xLLM 框架下充分释放潜能。把每一个环节的性能都压榨用满。无法适应多变的流量特征。火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。

• 超长上下文：随着场景和流程越发复杂，复现前文中的所有测试！

• 推理潮汐：业务流量时高时低，能够帮助企业以更低的成本获得更高的推理能力，低延迟的点对点通信库，造就了一套集深度算子优化、可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，高吞吐与出色稳定性，可以对不同角色分别配置更优的批处理策略和并行方式，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，要想让它们在工作时有足够快的速度，

  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，也就是说，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」。GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，它既具备大模型推理所需的高显存、ServingKit 在开源推理引擎 SGLang 上进一步优化，xLLM 正是火山引擎「AI 云原生」大战略的一部分，也开始扩展 PP（管道并行) 、计算成本仅为开源框架的二分之一。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。带宽和显存上的差异优势。而在相同的吞吐水平下（1800 TPS），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，