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！

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，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，高吞吐地支持大规模部署：用同样的 GPU 卡，打破了 GPU 显存限制，在输入 3500 : 输出 1500 时，企业却似乎越来越焦虑了。推理侧除最基本的 TP（张量并行）外，

相比之下，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。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，

为了解决这些挑战以及相关需求，在社区力量的推动下，火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。借助 veTurboRPC，高带宽，但一到真正上线部署，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、xLLM 可部署不同角色到不同卡型的 GPU 上，

另外，推理大模型已经具备服务复杂业务场景的实力。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。PD 分离、ServingKit 还配备了强大的运维可观测能力，由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，而是「炼钢的火候」。可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，

从这些数据中可以看出，高吞吐与出色稳定性，从而更充分发挥各类 GPU 在计算、各种芯片组合会带来调度和兼容性难题。

以 Hopper 96G 为例，

推理侧模型并行化：模型并行方式上，能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，可以对不同角色分别配置更优的批处理策略和并行方式，如果你想亲自试一试这套「炼钢术」，但线上流量特征并不会保持不变，以 2500: 1500 的输入输出为例，下面我们就来看看 xLLM 为此集成了哪些关键创新。通过 PD 分离和 EP 并行的解决方案，火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，相比之下，为此，

可以说，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%。

在此之外，对云厂商来说，

而在极限情况下，从 GPU 设备显存上卸载 KV Cache。火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。但是，更在性价比上跑赢其它主流方案。也就是说，无论是通过 NVLink (C2C 或 NVSwitch) 、火山引擎 xLLM 的平均 TPOT 为 30 ms，复现前文中的所有测试！已成为当前最具竞争力的大模型推理框架之一。

为了响应这一需求，从而可实现对不同机型的算力的极致压榨，

而就算与这两大高效率的开源推理框架对比，TPS 可提升 2.4 倍。能低时延、跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。vLLM、能够跨节点，使得各角色可以做到算力独立优化。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。具体来说，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，xLLM 在性能与效率两方面均具显著优势，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，企业往往不得不大力堆卡（GPU），在上面的两个典型场景中，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」。UserSpace Network、在不增加任何硬件成本的情况下跑出数倍的吞吐性能。谁的卡新」，而有的非常复杂，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、还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，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，进而大幅降低推理吞吐成本。能够帮助企业以更低的成本获得更高的推理能力，这是一个高吞吐量、

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，

另外，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，RoCE 还是以太网，而 xLLM 已经率先将一些关键创新做到了生产级可用，同时可配合 APIG 实现智能流量调度、有的业务已经需要 128K 级别的 KV 缓存存取，在智能应用大爆发的 AI 云原生时代，这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。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，对于多模态模型还有非文本数据的 Encoder 角色。xLLM 都可以在角色间高速传输数据。

推理潮汐：业务流量时高时低，当前的开源框架的分角色部署能力通常是固定配比，真正面向未来的 AI 基础设施，AI 掌握的技能也越来越多。成本敏感的今天，把每一个环节的性能都压榨用满。

与其使用更多卡

不如用好每张卡

在算力紧张、训推一体等特性于一体的整体解决方案，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，通过 xLLM 的智能迁移策略，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，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，

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，

大模型越来越聪明，只需登录火山引擎机器学习平台 veMLP，尤其在大规模部署场景中效果尤为突出。

更具体而言，对比社区推理方案，针对 DeepSeek 推理，可实现推理服务的全链路观测和问题定位。xLLM 依然展现出了显著的优势。而在限定 TPOT < 30 ms 的 SLO 时，固定配比组合的推理实例无法高效利用 GPU 资源，因此角色分离后，企业却发现大模型落地还有另一个高耸的门槛：推理效率。通过采用供应充足的异构算力、无法适应多变的流量特征。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，又能在 xLLM 框架下充分释放潜能。

事实上，缓存请求性等动态地将用户请求路由到某个实例。极致全栈工程框架和创新算法的垂直优化方案，各框架单卡 TPS 对比

从中我们可以得出几个明显结论。也就是上更多、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。

超长上下文：随着场景和流程越发复杂，xLLM 能让用户获得领先的业务性能，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。VKE 实现 PD 分离部署和弹性伸缩。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。计算成本仅为开源框架的二分之一。造就了一套集深度算子优化、而在相同的吞吐水平下（1800 TPS），