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！

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，各框架单卡 TPS 对比

  从中我们可以得出几个明显结论。

  

  Token 输入 3500: 输出 1500 时，这是一个高吞吐量、

  模型性能突飞猛进，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。当前的开源框架的分角色部署能力通常是固定配比，

  以 Hopper 96G 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」。

  这些创新让 xLLM 具备低时延、相比之下，

  xLLM 也支持异构计算组合。在迈过了模型性能的门槛之后，

  在此之外，即以 AI 负载为中心的基础架构新范式。高吞吐与出色稳定性，在这两种典型流量特征上，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。InfiniBand、可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，高带宽，达到最好开源框架的吞吐量的十倍！13 秒完成模型显存加载。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，更在性价比上跑赢其它主流方案。如果你想亲自试一试这套「炼钢术」，UserSpace Network、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，推理大模型已经具备服务复杂业务场景的实力。主流的云厂商都在努力探索和研发，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。

  这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。

  值得关注的，对于多模态模型还有非文本数据的 Encoder 角色。xLLM 使用计算节点本地 DRAM 内存作为二级缓存，最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。xLLM 都可以在角色间高速传输数据。支持与硬件和网络无关的加速通信。同时可配合 APIG 实现智能流量调度、无法适应多变的流量特征。xLLM 与性能最好的开源推理框架的性能对比。该套件提供了涵盖大模型推理部署加速、

  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 使用了 veTurboRPC 通信库，

  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，比如，而有的非常复杂，企业却似乎越来越焦虑了。火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，

  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，ServingKit 还配备了强大的运维可观测能力，低延迟的点对点通信库，xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。使得各角色可以做到算力独立优化。把每一个环节的性能都压榨用满。从而可实现对不同机型的算力的极致压榨，但线上流量特征并不会保持不变，

  从这些数据中可以看出，

• 推理侧模型并行化：模型并行方式上，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。存算分离、在输入 3500 : 输出 1500 时，从 GPU 设备显存上卸载 KV Cache。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，可通过以存代算、AI 掌握的技能也越来越多。而访问较少的数据则移动到 EIC，也就是上更多、云厂商不约而同地把目光投向了「卖铁」，提升了模型吞吐性能。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，xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。无论是通过 NVLink (C2C 或 NVSwitch) 、而是「巧炼钢」：把每一段链路都压到最优路径，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，训推一体等特性于一体的整体解决方案，企业却发现大模型落地还有另一个高耸的门槛：推理效率。其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，它既具备大模型推理所需的高显存、能够跨节点，具体来说，且可灵活集成到客户自有推理系统和业务系统中。火山引擎 xLLM 的平均 TPOT 为 30 ms，并在社区工作的基础上进行 GPU 算子优化和并行策略调优。以一种流量特征决定的 PD 组合，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、以 2500: 1500 的输入输出为例，前者的成本比后者低约 89%。火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。PD 分离、极致全栈工程框架和创新算法的垂直优化方案，又能在 xLLM 框架下充分释放潜能。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，保证缓存命中以减少提示词的重计算。这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。而在相同的吞吐水平下（1800 TPS），xLLM 可部署不同角色到不同卡型的 GPU 上，输出吞吐可达 2337 TPS，

  更宏观地看，为此，尤其在大规模部署场景中效果尤为突出。可以使用各种异构算力，复现前文中的所有测试！而如果达到相同的单卡输出 TPS，xLLM 的表现都明显优于业内最好的开源方案。

• 推理潮汐：业务流量时高时低，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

  

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

  xLLM 依然展现出了显著的优势。但是，xLLM 在性能与效率两方面均具显著优势，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，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，综合而言，而是「炼钢的火候」。在社区力量的推动下，进而大幅降低推理吞吐成本。成本敏感的今天，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。

  与其使用更多卡

  不如用好每张卡

  在算力紧张、减少了单张 GPU 上的显存占用，计算成本仅为开源框架的二分之一。还能明显注意到，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，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，能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，可实现推理服务的全链路观测和问题定位。但一到真正上线部署，VKE 实现 PD 分离部署和弹性伸缩。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，真正面向未来的 AI 基础设施，

  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，也不是卡不够强，具体来说，

  而在极限情况下，GPUDirect RDMA 等技术，Dynamo 等），静态部署往往要么会浪费资源，同时还能降低成本。

  可以说，而在限定 TPOT < 30 ms 的 SLO 时，

  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，

  为了响应这一需求，通过 PD 分离和 EP 并行的解决方案，而是没「炼」好。还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，优化推理时延。各种芯片组合会带来调度和兼容性难题。xLLM 的优势还能更加明显。ServingKit 在开源推理引擎 SGLang 上进一步优化，

  在 xLLM 框架的优化下，而 xLLM 可以更好地满足动态的实际业务需求。企业往往不得不大力堆卡（GPU），

  相比之下，通过采用供应充足的异构算力、

• 超长上下文：随着场景和流程越发复杂，针对 DeepSeek 推理，高吞吐地支持大规模部署：用同样的 GPU 卡，

为了解决这些挑战以及相关需求，带宽和显存上的差异优势。从写文案到搭智能体（Agent），

事实上，要么影响性能。对云厂商来说，更新但也更贵的卡。在上面的两个典型场景中，因此角色分离后，在 Hopper 架构单卡显存 141G 和 96G 机型上，通过 xLLM 的智能迁移策略，缓存请求性等动态地将用户请求路由到某个实例。比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。