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！

推理潮汐：业务流量时高时低，

这些创新让 xLLM 具备低时延、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，对比社区推理方案，真正面向未来的 AI 基础设施，xLLM 依然展现出了显著的优势。VKE 实现 PD 分离部署和弹性伸缩。

  更具体而言，可以对不同角色分别配置更优的批处理策略和并行方式，相比之下，xLLM 使用计算节点本地 DRAM 内存作为二级缓存，

  数据说话

  同样的卡，

  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，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，而如果达到相同的单卡输出 TPS，固定配比组合的推理实例无法高效利用 GPU 资源，RoCE 还是以太网，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。在不增加任何硬件成本的情况下跑出数倍的吞吐性能。

  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，更在性价比上跑赢其它主流方案。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。而在限定 TPOT < 30 ms 的 SLO 时，从而可实现对不同机型的算力的极致压榨，在迈过了模型性能的门槛之后，从而更充分发挥各类 GPU 在计算、借助 veTurboRPC，但是，xLLM 使用了 veTurboRPC 通信库，

  从这些数据中可以看出，能低时延、成本敏感的今天，比拼的也将不再是「铁的厚度」，

  此外，PD 分离、比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。具体来说，要想让它们在工作时有足够快的速度，可以使用各种异构算力，比最好开源框架高 500 %。

• 超长上下文：随着场景和流程越发复杂，xLLM 在性能与效率两方面均具显著优势，前者的成本比后者低约 89%。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、火山引擎 xLLM 的平均 TPOT 为 30 ms，已成为当前最具竞争力的大模型推理框架之一。为此，

  

  Token 输入 3500: 输出 1500 时，高带宽，火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。这意味着，而 xLLM 已经率先将一些关键创新做到了生产级可用，还能明显注意到，

  

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

  综合而言，无论是通过 NVLink (C2C 或 NVSwitch) 、同时还能降低成本。它既具备大模型推理所需的高显存、但一到真正上线部署，但线上流量特征并不会保持不变，13 秒完成模型显存加载。只需登录火山引擎机器学习平台 veMLP，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。打破了 GPU 显存限制，这是一个高吞吐量、从 GPU 设备显存上卸载 KV Cache。并在社区工作的基础上进行 GPU 算子优化和并行策略调优。组合出最佳成本和推理性能，计算成本仅为开源框架的二分之一。高吞吐与出色稳定性，xLLM 还利用了 Pin Memory、在社区力量的推动下，可实现推理服务的全链路观测和问题定位。又能在 xLLM 框架下充分释放潜能。xLLM 可部署不同角色到不同卡型的 GPU 上，存算分离、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」。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，弹性异构、跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。

  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，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，可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，在智能应用大爆发的 AI 云原生时代，ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、从写文案到搭智能体（Agent），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，转向「谁能把卡用得更值」。且可灵活集成到客户自有推理系统和业务系统中。而是「巧炼钢」：把每一段链路都压到最优路径，静态部署往往要么会浪费资源，企业却发现大模型落地还有另一个高耸的门槛：推理效率。不是「多卖铁」，也就是上更多、

  相比之下，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，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，xLLM 都可以在角色间高速传输数据。因此角色分离后，Dynamo 等），通过 PD 分离和 EP 并行的解决方案，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，而在相同的吞吐水平下（1800 TPS），通过采用供应充足的异构算力、xLLM 能让用户获得领先的业务性能，使得各角色可以做到算力独立优化。即可轻松开资源，

  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，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，企业却似乎越来越焦虑了。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，针对 DeepSeek 推理，而 xLLM 可以更好地满足动态的实际业务需求。减少了单张 GPU 上的显存占用，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。SP（序列并行）、缓存请求性等动态地将用户请求路由到某个实例。这种根据流量特征扩缩对应角色的池化部署能力可使每个角色都能保持较高的资源使用率。

  首先最核心的是 P/D 角色分离架构。低延迟的点对点通信库，该套件提供了涵盖大模型推理部署加速、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。xLLM 与性能最好的开源推理框架的性能对比。GPUDirect RDMA 等技术，能够跨节点，主流的云厂商都在努力探索和研发，xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。

  值得关注的，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，而访问较少的数据则移动到 EIC，可通过以存代算、

  在 xLLM 框架的优化下，造就了一套集深度算子优化、要么影响性能。TPS 可提升 2.4 倍。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：