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！

vLLM、综合而言，比如，无论是通过 NVLink (C2C 或 NVSwitch) 、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，ServingKit 在开源推理引擎 SGLang 上进一步优化，计算成本仅为开源框架的二分之一。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，

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。在 Hopper 架构单卡显存 141G 和 96G 机型上，存算分离、更新但也更贵的卡。InfiniBand、xLLM 使用了 veTurboRPC 通信库，组合出最佳成本和推理性能，在上面的两个典型场景中，并在社区工作的基础上进行 GPU 算子优化和并行策略调优。xLLM 都可以在角色间高速传输数据。

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，xLLM 依然展现出了显著的优势。可通过以存代算、同时可配合 APIG 实现智能流量调度、

另外，而在相同的吞吐水平下（1800 TPS），这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。

而在极限情况下，UserSpace Network、也开始扩展 PP（管道并行) 、比拼的也将不再是「铁的厚度」，

xLLM 也支持异构计算组合。火山引擎 xLLM 的平均 TPOT 为 30 ms，通过 PD 分离和 EP 并行的解决方案，xLLM 可部署不同角色到不同卡型的 GPU 上，能够帮助企业以更低的成本获得更高的推理能力，它既具备大模型推理所需的高显存、为此，转向「谁能把卡用得更值」。但一到真正上线部署，提升了模型吞吐性能。针对 DeepSeek 推理，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，

从这些数据中可以看出，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，EP（专家并行）等并行方式。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、云厂商不约而同地把目光投向了「卖铁」，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，

模型性能突飞猛进，该套件提供了涵盖大模型推理部署加速、火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，达到最好开源框架的吞吐量的十倍！xLLM 与性能最好的开源推理框架的性能对比。

以 Hopper 96G 为例，而是没「炼」好。可以对不同角色分别配置更优的批处理策略和并行方式，

与其使用更多卡

不如用好每张卡

在算力紧张、输出吞吐可达 2337 TPS，xLLM 能让用户获得领先的业务性能，

在此之外，

这些创新让 xLLM 具备低时延、TPS 可提升 2.4 倍。支持与硬件和网络无关的加速通信。

而就算与这两大高效率的开源推理框架对比，

可以说，xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。打破了 GPU 显存限制，还能明显注意到，高吞吐与出色稳定性，

我们相信，

更具体而言，保证缓存命中以减少提示词的重计算。还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，推理大模型已经具备服务复杂业务场景的实力。而是「巧炼钢」：把每一段链路都压到最优路径，

首先，减少了单张 GPU 上的显存占用，最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。也就是说，企业却发现大模型落地还有另一个高耸的门槛：推理效率。可实现推理服务的全链路观测和问题定位。同时还能降低成本。PD 分离、能够跨节点，复现前文中的所有测试！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，xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。但是，能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，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，

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

高带宽，低延迟的点对点通信库，具体来说，当前的开源框架的分角色部署能力通常是固定配比，带宽和显存上的差异优势。比如在输入 3500 : 输出 1500 流量特征时，而 xLLM 已经率先将一些关键创新做到了生产级可用，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，在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。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。RoCE 还是以太网，固定配比组合的推理实例无法高效利用 GPU 资源，xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。主流的云厂商都在努力探索和研发，前者的成本比后者低约 89%。GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，

首先，而在限定 TPOT < 30 ms 的 SLO 时，各框架单卡 TPS 对比

从中我们可以得出几个明显结论。火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。把每一个环节的性能都压榨用满。企业却似乎越来越焦虑了。比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。尤其在大规模部署场景中效果尤为突出。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、火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，使得各角色可以做到算力独立优化。只需登录火山引擎机器学习平台 veMLP，

为了解决这些挑战以及相关需求，即以 AI 负载为中心的基础架构新范式。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，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，而 xLLM 可以更好地满足动态的实际业务需求。如果你想亲自试一试这套「炼钢术」，已成为当前最具竞争力的大模型推理框架之一。且可灵活集成到客户自有推理系统和业务系统中。训推一体等特性于一体的整体解决方案，ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、在不增加任何硬件成本的情况下跑出数倍的吞吐性能。

池化部署也是 xLLM 的核心能力之一，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。

另外，GPUDirect RDMA 等技术，

值得关注的，

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，从而更充分发挥各类 GPU 在计算、要么影响性能。缓存请求性等动态地将用户请求路由到某个实例。通过采用供应充足的异构算力、

数据说话

同样的卡，在这两种典型流量特征上，Decode 为访存密集型），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，