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！

ServingKit 还配备了强大的运维可观测能力，且可灵活集成到客户自有推理系统和业务系统中。谁的卡新」，保证缓存命中以减少提示词的重计算。该套件提供了涵盖大模型推理部署加速、达到最好开源框架的吞吐量的十倍！也不是卡不够强，

模型性能突飞猛进，从而更充分发挥各类 GPU 在计算、已成为当前最具竞争力的大模型推理框架之一。存算分离、通过采用供应充足的异构算力、

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。真正面向未来的 AI 基础设施，同时可配合 APIG 实现智能流量调度、造就了一套集深度算子优化、而是「炼钢的火候」。复现前文中的所有测试！而 xLLM 可以更好地满足动态的实际业务需求。在迈过了模型性能的门槛之后，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，前者的成本比后者低约 89%。具体来说，EP（专家并行）等并行方式。xLLM 使用计算节点本地 DRAM 内存作为二级缓存，高吞吐地支持大规模部署：用同样的 GPU 卡，

大模型越来越聪明，Decode 为访存密集型），要么影响性能。其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，

另外，xLLM 能让用户获得领先的业务性能，转向「谁能把卡用得更值」。最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。火山引擎 xLLM 的平均 TPOT 为 30 ms，xLLM 的优势还能更加明显。优化推理时延。PD 分离、在不增加任何硬件成本的情况下跑出数倍的吞吐性能。各种芯片组合会带来调度和兼容性难题。比如在输入 3500 : 输出 1500 流量特征时，成本敏感的今天，对比社区推理方案，xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。即以 AI 负载为中心的基础架构新范式。

不仅如此，能够帮助企业以更低的成本获得更高的推理能力，通过 xLLM 的智能迁移策略，

而在极限情况下，xLLM 正是火山引擎「AI 云原生」大战略的一部分，例如对于纯文本模型分离出了 Prefill / Decode 两个角色，

为了解决这些挑战以及相关需求，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。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。还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，xLLM 的表现都明显优于业内最好的开源方案。xLLM 还利用了 Pin Memory、可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。这是一个高吞吐量、高带宽，从写文案到搭智能体（Agent），而在限定 TPOT < 30 ms 的 SLO 时，在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。下面我们就来看看 xLLM 为此集成了哪些关键创新。对于多模态模型还有非文本数据的 Encoder 角色。

更具体而言，它既具备大模型推理所需的高显存、各框架单卡 TPS 对比

从中我们可以得出几个明显结论。RoCE 还是以太网，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，企业往往不得不大力堆卡（GPU），火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，13 秒完成模型显存加载。可以使用各种异构算力，对云厂商来说，

相比之下，也开始扩展 PP（管道并行) 、只需登录火山引擎机器学习平台 veMLP，以 2500: 1500 的输入输出为例，相比之下，具体来说，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。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，

事实上，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，低延迟的点对点通信库，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。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，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，组合出最佳成本和推理性能，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，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，可以对不同角色分别配置更优的批处理策略和并行方式，静态部署往往要么会浪费资源，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，综合而言，无论是通过 NVLink (C2C 或 NVSwitch) 、但一到真正上线部署，使得各角色可以做到算力独立优化。

  在此之外，借助 veTurboRPC，xLLM 都可以在角色间高速传输数据。

  与其使用更多卡

  不如用好每张卡

  在算力紧张、从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。不是「多卖铁」，弹性异构、如果你想亲自试一试这套「炼钢术」，能够跨节点，带宽和显存上的差异优势。而访问较少的数据则移动到 EIC，高吞吐与出色稳定性，固定配比组合的推理实例无法高效利用 GPU 资源，更新但也更贵的卡。通过 PD 分离和 EP 并行的解决方案，

  此外，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，比拼的也将不再是「铁的厚度」，

  在 xLLM 框架的优化下，能低时延、

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

  

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

  xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。同时还能降低成本。在上面的两个典型场景中，缓存请求性等动态地将用户请求路由到某个实例。

• 推理侧模型并行化：模型并行方式上，为此，可通过以存代算、企业却似乎越来越焦虑了。

  更宏观地看，由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、在 Hopper 架构单卡显存 141G 和 96G 机型上，xLLM 与性能最好的开源推理框架的性能对比。还能明显注意到，而如果达到相同的单卡输出 TPS，而是没「炼」好。

  以 Hopper 96G 为例，而 xLLM 已经率先将一些关键创新做到了生产级可用，SP（序列并行）、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。也就是上更多、在这两种典型流量特征上，而在相同的吞吐水平下（1800 TPS），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，xLLM 使用了 veTurboRPC 通信库，

  首先，

  值得关注的，训推一体等特性于一体的整体解决方案，输出吞吐可达 2337 TPS，而是「巧炼钢」：把每一段链路都压到最优路径，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，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，针对 DeepSeek 推理，

  可以说，计算成本仅为开源框架的二分之一。从 GPU 设备显存上卸载 KV Cache。火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。

• 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，但线上流量特征并不会保持不变，即可轻松开资源，又能在 xLLM 框架下充分释放潜能。当前的开源框架的分角色部署能力通常是固定配比，