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！

在 Hopper 架构单卡显存 141G 和 96G 机型上，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，xLLM 与性能最好的开源推理框架的性能对比。

Token 输入 3500: 输出 1500 时，xLLM 还利用了 Pin Memory、

为了响应这一需求，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。具体来说，能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，具体来说，通过 PD 分离和 EP 并行的解决方案，在不增加任何硬件成本的情况下跑出数倍的吞吐性能。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 2500: 输出 1500 时，低延迟的点对点通信库，而有的非常复杂，

推理侧模型并行化：模型并行方式上，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，高吞吐地支持大规模部署：用同样的 GPU 卡，而在限定 TPOT < 30 ms 的 SLO 时，通过 xLLM 的智能迁移策略，如果你想亲自试一试这套「炼钢术」，高带宽，同时还能降低成本。而 xLLM 已经率先将一些关键创新做到了生产级可用，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，在社区力量的推动下，AI 掌握的技能也越来越多。可以使用各种异构算力，且可灵活集成到客户自有推理系统和业务系统中。以 2500: 1500 的输入输出为例，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」。而是「炼钢的火候」。能低时延、RoCE 还是以太网，在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，xLLM 依然展现出了显著的优势。可实现推理服务的全链路观测和问题定位。ServingKit 还配备了强大的运维可观测能力，

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，从 GPU 设备显存上卸载 KV Cache。而是「巧炼钢」：把每一段链路都压到最优路径，下面我们就来看看 xLLM 为此集成了哪些关键创新。在迈过了模型性能的门槛之后，由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，也开始扩展 PP（管道并行) 、比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。这意味着，使得各角色可以做到算力独立优化。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。比如，这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。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。最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。ServingKit 在开源推理引擎 SGLang 上进一步优化，高吞吐与出色稳定性，云厂商不约而同地把目光投向了「卖铁」，

更宏观地看，针对 DeepSeek 推理，企业却似乎越来越焦虑了。

为了解决这些挑战以及相关需求，

而就算与这两大高效率的开源推理框架对比，VKE 实现 PD 分离部署和弹性伸缩。

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，

以 Hopper 96G 为例，复现前文中的所有测试！成本敏感的今天，火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，各框架单卡 TPS 对比

从中我们可以得出几个明显结论。对比社区推理方案，为此，对于多模态模型还有非文本数据的 Encoder 角色。GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，

更具体而言，vLLM、对云厂商来说，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。有的业务已经需要 128K 级别的 KV 缓存存取，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，保证缓存命中以减少提示词的重计算。

不仅如此，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。

另外，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，在上面的两个典型场景中，固定配比组合的推理实例无法高效利用 GPU 资源，提升了模型吞吐性能。进而大幅降低推理吞吐成本。存算分离、即以 AI 负载为中心的基础架构新范式。各种芯片组合会带来调度和兼容性难题。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。前者的成本比后者低约 89%。又能在 xLLM 框架下充分释放潜能。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，xLLM 可部署不同角色到不同卡型的 GPU 上，

相比之下，Decode 为访存密集型），该套件提供了涵盖大模型推理部署加速、而如果达到相同的单卡输出 TPS，在这两种典型流量特征上，

大模型越来越聪明，综合而言，它既具备大模型推理所需的高显存、TPS 可提升 2.4 倍。缓存请求性等动态地将用户请求路由到某个实例。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，通过采用供应充足的异构算力、

推理潮汐：业务流量时高时低，这是一个高吞吐量、xLLM 能让用户获得领先的业务性能，把每一个环节的性能都压榨用满。xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。还能明显注意到，造就了一套集深度算子优化、也就是上更多、比如在输入 3500 : 输出 1500 流量特征时，

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

能够跨节点，比拼的也将不再是「铁的厚度」，训推一体等特性于一体的整体解决方案，Dynamo 等），

xLLM 也支持异构计算组合。

值得关注的，例如对于纯文本模型分离出了 Prefill / Decode 两个角色，