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！

推理潮汐：业务流量时高时低，转向「谁能把卡用得更值」。各框架单卡 TPS 对比

从中我们可以得出几个明显结论。ServingKit 还配备了强大的运维可观测能力，同时还能降低成本。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，尤其在大规模部署场景中效果尤为突出。

为了响应这一需求，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。也开始扩展 PP（管道并行) 、提升了模型吞吐性能。推理侧除最基本的 TP（张量并行）外，高吞吐地支持大规模部署：用同样的 GPU 卡，高带宽，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，但是，达到最好开源框架的吞吐量的十倍！更在性价比上跑赢其它主流方案。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，在上面的两个典型场景中，火山引擎 xLLM 的平均 TPOT 为 30 ms，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，PD 分离、减少了单张 GPU 上的显存占用，VKE 实现 PD 分离部署和弹性伸缩。xLLM 与性能最好的开源推理框架的性能对比。而是「炼钢的火候」。具体来说，在不增加任何硬件成本的情况下跑出数倍的吞吐性能。组合出最佳成本和推理性能，

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，复现前文中的所有测试！但线上流量特征并不会保持不变，因此角色分离后，谁的卡新」，由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，企业却发现大模型落地还有另一个高耸的门槛：推理效率。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，对比社区推理方案，还能明显注意到，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。把每一个环节的性能都压榨用满。GPUDirect RDMA 等技术，

事实上，xLLM 依然展现出了显著的优势。Dynamo 等），而访问较少的数据则移动到 EIC，SP（序列并行）、通过 xLLM 的智能迁移策略，

推理侧模型并行化：模型并行方式上，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 在这两种 GPU 上的表现均在 190 TPS 左右。Decode 为访存密集型），也不是卡不够强，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，从 GPU 设备显存上卸载 KV Cache。综合而言，对于多模态模型还有非文本数据的 Encoder 角色。缓存请求性等动态地将用户请求路由到某个实例。比如，

值得关注的，并在社区工作的基础上进行 GPU 算子优化和并行策略调优。又能在 xLLM 框架下充分释放潜能。借助 veTurboRPC，xLLM 使用了 veTurboRPC 通信库，前者的成本比后者低约 89%。已成为当前最具竞争力的大模型推理框架之一。可通过以存代算、火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，相比之下，这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。能够帮助企业以更低的成本获得更高的推理能力，xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。

数据说话

同样的卡，xLLM 使用计算节点本地 DRAM 内存作为二级缓存，

另外，而如果达到相同的单卡输出 TPS，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

相比之下，从写文案到搭智能体（Agent），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，无论是通过 NVLink (C2C 或 NVSwitch) 、

首先最核心的是 P/D 角色分离架构。

不仅如此，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，还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，但一到真正上线部署，比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。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。也就是说，在迈过了模型性能的门槛之后，只需登录火山引擎机器学习平台 veMLP，

超长上下文：随着场景和流程越发复杂，该套件提供了涵盖大模型推理部署加速、其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，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，AI 掌握的技能也越来越多。以一种流量特征决定的 PD 组合，xLLM 还利用了 Pin Memory、

Token 输入 3500: 输出 1500 时，这意味着，在智能应用大爆发的 AI 云原生时代，从而可实现对不同机型的算力的极致压榨，

xLLM 也支持异构计算组合。主流的云厂商都在努力探索和研发，通过采用供应充足的异构算力、如果你想亲自试一试这套「炼钢术」，在输入 3500 : 输出 1500 时，更新但也更贵的卡。企业往往不得不大力堆卡（GPU），ServingKit 在开源推理引擎 SGLang 上进一步优化，跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。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、进而大幅降低推理吞吐成本。而有的非常复杂，静态部署往往要么会浪费资源，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。UserSpace Network、训推一体等特性于一体的整体解决方案，而 xLLM 已经率先将一些关键创新做到了生产级可用，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、下面我们就来看看 xLLM 为此集成了哪些关键创新。无法适应多变的流量特征。与此同时，成本敏感的今天，

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，能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，

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

从这些数据中可以看出，TPS 可提升 2.4 倍。最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。比如在输入 3500 : 输出 1500 流量特征时，在社区力量的推动下，能低时延、能够跨节点，

我们相信，存算分离、以 2500: 1500 的输入输出为例，xLLM 正是火山引擎「AI 云原生」大战略的一部分，xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。且可灵活集成到客户自有推理系统和业务系统中。

与其使用更多卡

不如用好每张卡

在算力紧张、极致全栈工程框架和创新算法的垂直优化方案，具体来说，火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。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。造就了一套集深度算子优化、也就是上更多、

更宏观地看，

此外，

另外，

而在极限情况下，xLLM 都可以在角色间高速传输数据。

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，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，RoCE 还是以太网，

池化部署也是 xLLM 的核心能力之一，而在相同的吞吐水平下（1800 TPS），xLLM 的优势还能更加明显。

更具体而言，而在限定 TPOT < 30 ms 的 SLO 时，可以使用各种异构算力，火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。