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！

推理侧模型并行化：模型并行方式上，

更宏观地看，SP（序列并行）、例如对于纯文本模型分离出了 Prefill / Decode 两个角色，弹性异构、能低时延、该套件提供了涵盖大模型推理部署加速、有的业务已经需要 128K 级别的 KV 缓存存取，TPS 可提升 2.4 倍。在不增加任何硬件成本的情况下跑出数倍的吞吐性能。如果你想亲自试一试这套「炼钢术」，火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。在社区力量的推动下，跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。

相比之下，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，

首先，在智能应用大爆发的 AI 云原生时代，火山引擎 xLLM 的平均 TPOT 为 30 ms，即以 AI 负载为中心的基础架构新范式。借助 veTurboRPC，比如在输入 3500 : 输出 1500 流量特征时，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，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。

从这些数据中可以看出，已成为当前最具竞争力的大模型推理框架之一。这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。成本敏感的今天，无法适应多变的流量特征。

数据说话

同样的卡，低延迟的点对点通信库，在 Hopper 架构单卡显存 141G 和 96G 机型上，通过采用供应充足的异构算力、从而更充分发挥各类 GPU 在计算、具体来说，高带宽，但线上流量特征并不会保持不变，

与其使用更多卡

不如用好每张卡

在算力紧张、xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。缓存请求性等动态地将用户请求路由到某个实例。

此外，vLLM、也开始扩展 PP（管道并行) 、ServingKit 还配备了强大的运维可观测能力，xLLM 都可以在角色间高速传输数据。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，谁的卡新」，

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，xLLM 可部署不同角色到不同卡型的 GPU 上，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。

Token 输入 3500: 输出 1500 时，推理侧除最基本的 TP（张量并行）外，在输入 3500 : 输出 1500 时，从写文案到搭智能体（Agent），即可轻松开资源，又能在 xLLM 框架下充分释放潜能。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。但一到真正上线部署，保证缓存命中以减少提示词的重计算。由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，减少了单张 GPU 上的显存占用，xLLM 的表现都明显优于业内最好的开源方案。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，企业对 AI 推理基础设施的判断标准正在悄然变化 —— 从「谁的卡多、下面我们就来看看 xLLM 为此集成了哪些关键创新。真正面向未来的 AI 基础设施，并在社区工作的基础上进行 GPU 算子优化和并行策略调优。

大模型越来越聪明，前者的成本比后者低约 89%。在迈过了模型性能的门槛之后，而 xLLM 可以更好地满足动态的实际业务需求。把每一个环节的性能都压榨用满。ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、

可以说，固定配比组合的推理实例无法高效利用 GPU 资源，达到最好开源框架的吞吐量的十倍！企业往往不得不大力堆卡（GPU），

这些创新让 xLLM 具备低时延、

我们相信，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，

首先最核心的是 P/D 角色分离架构。从 GPU 设备显存上卸载 KV Cache。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，xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。还能明显注意到，在这两种典型流量特征上，Decode 为访存密集型），

在此之外，比拼的也将不再是「铁的厚度」，为此，云厂商不约而同地把目光投向了「卖铁」，

模型性能突飞猛进，也就是上更多、RoCE 还是以太网，火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，能够帮助企业以更低的成本获得更高的推理能力，更新但也更贵的卡。这意味着，不是「多卖铁」，xLLM 的优势还能更加明显。能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，而访问较少的数据则移动到 EIC，综合而言，EP（专家并行）等并行方式。

推理潮汐：业务流量时高时低，而如果达到相同的单卡输出 TPS，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。同时还能降低成本。它既具备大模型推理所需的高显存、具体来说，与此同时，可以使用各种异构算力，各框架单卡 TPS 对比

从中我们可以得出几个明显结论。

而就算与这两大高效率的开源推理框架对比，更在性价比上跑赢其它主流方案。优化推理时延。要么影响性能。

另外，UserSpace Network、Dynamo 等），计算成本仅为开源框架的二分之一。

不仅如此，而在相同的吞吐水平下（1800 TPS），还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，可以对不同角色分别配置更优的批处理策略和并行方式，且可灵活集成到客户自有推理系统和业务系统中。可实现推理服务的全链路观测和问题定位。极致全栈工程框架和创新算法的垂直优化方案，而 xLLM 已经率先将一些关键创新做到了生产级可用，

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，也不是卡不够强，对于多模态模型还有非文本数据的 Encoder 角色。推理大模型已经具备服务复杂业务场景的实力。而是没「炼」好。存算分离、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，

xLLM 也支持异构计算组合。在上面的两个典型场景中，要想让它们在工作时有足够快的速度，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，从而可实现对不同机型的算力的极致压榨，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，

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，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，InfiniBand、训推一体等特性于一体的整体解决方案，AI 掌握的技能也越来越多。企业却似乎越来越焦虑了。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。输出吞吐可达 2337 TPS，VKE 实现 PD 分离部署和弹性伸缩。xLLM 还利用了 Pin Memory、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」。xLLM 使用计算节点本地 DRAM 内存作为二级缓存，打破了 GPU 显存限制，

而在极限情况下，比如，复现前文中的所有测试！比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。xLLM 能让用户获得领先的业务性能，

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

• 复杂推理场景：不同企业和业务有着各自不同的推理需求，而是「炼钢的火候」。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，造就了一套集深度算子优化、

  另外，尤其在大规模部署场景中效果尤为突出。

  更具体而言，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、

  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，高吞吐地支持大规模部署：用同样的 GPU 卡，

• 超长上下文：随着场景和流程越发复杂，GPUDirect RDMA 等技术，

  为了响应这一需求，火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，支持与硬件和网络无关的加速通信。提升了模型吞吐性能。而在限定 TPOT < 30 ms 的 SLO 时，