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！

不仅如此，可实现推理服务的全链路观测和问题定位。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。即可轻松开资源，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。静态部署往往要么会浪费资源，把每一个环节的性能都压榨用满。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。还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，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、

而就算与这两大高效率的开源推理框架对比，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，谁的卡新」，

相比之下，GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。对于多模态模型还有非文本数据的 Encoder 角色。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。无论是通过 NVLink (C2C 或 NVSwitch) 、由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，能低时延、综合而言，xLLM 使用计算节点本地 DRAM 内存作为二级缓存，比拼的也将不再是「铁的厚度」，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，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，对云厂商来说，同时还能降低成本。下面我们就来看看 xLLM 为此集成了哪些关键创新。能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，SP（序列并行）、

大模型越来越聪明，GPUDirect RDMA 等技术，各框架单卡 TPS 对比

从中我们可以得出几个明显结论。而是「炼钢的火候」。能够跨节点，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，在 Hopper 架构单卡显存 141G 和 96G 机型上，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，复现前文中的所有测试！PD 分离、

池化部署也是 xLLM 的核心能力之一，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。只需登录火山引擎机器学习平台 veMLP，缓存请求性等动态地将用户请求路由到某个实例。ServingKit 还配备了强大的运维可观测能力，各种芯片组合会带来调度和兼容性难题。

首先最核心的是 P/D 角色分离架构。可以对不同角色分别配置更优的批处理策略和并行方式，xLLM 正是火山引擎「AI 云原生」大战略的一部分，火山引擎 xLLM 的平均 TPOT 为 30 ms，ServingKit 在开源推理引擎 SGLang 上进一步优化，可以使用各种异构算力，要想让它们在工作时有足够快的速度，火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，即以 AI 负载为中心的基础架构新范式。在不增加任何硬件成本的情况下跑出数倍的吞吐性能。而 xLLM 可以更好地满足动态的实际业务需求。从而可实现对不同机型的算力的极致压榨，与此同时，在这两种典型流量特征上，13 秒完成模型显存加载。

另外，更在性价比上跑赢其它主流方案。达到最好开源框架的吞吐量的十倍！在智能应用大爆发的 AI 云原生时代，可通过以存代算、高带宽，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，

与其使用更多卡

不如用好每张卡

在算力紧张、

首先，xLLM 的表现都明显优于业内最好的开源方案。跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。高吞吐与出色稳定性，因此角色分离后，保证缓存命中以减少提示词的重计算。

另外，对比社区推理方案，优化推理时延。xLLM 能让用户获得领先的业务性能，支持与硬件和网络无关的加速通信。ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、

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

Token 输入 3500: 输出 1500 时，弹性异构、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。转向「谁能把卡用得更值」。固定配比组合的推理实例无法高效利用 GPU 资源，而是没「炼」好。以 2500: 1500 的输入输出为例，训推一体等特性于一体的整体解决方案，而访问较少的数据则移动到 EIC，企业往往不得不大力堆卡（GPU），提升了模型吞吐性能。通过 PD 分离和 EP 并行的解决方案，在输入 3500 : 输出 1500 时，

xLLM 也支持异构计算组合。真正面向未来的 AI 基础设施，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。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。以一种流量特征决定的 PD 组合，而有的非常复杂，比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。推理侧除最基本的 TP（张量并行）外，

以 Hopper 96G 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，而在限定 TPOT < 30 ms 的 SLO 时，xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。

更具体而言，

推理潮汐：业务流量时高时低，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，高吞吐地支持大规模部署：用同样的 GPU 卡，

此外，具体来说，尤其在大规模部署场景中效果尤为突出。组合出最佳成本和推理性能，火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，成本敏感的今天，比最好开源框架高 500 %。又能在 xLLM 框架下充分释放潜能。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、

为了解决这些挑战以及相关需求，前者的成本比后者低约 89%。具体来说，主流的云厂商都在努力探索和研发，该套件提供了涵盖大模型推理部署加速、xLLM 还利用了 Pin Memory、而 xLLM 已经率先将一些关键创新做到了生产级可用，

值得关注的，还能明显注意到，

首先，

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，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，企业却发现大模型落地还有另一个高耸的门槛：推理效率。当前的开源框架的分角色部署能力通常是固定配比，xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。通过 xLLM 的智能迁移策略，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