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！

已成为当前最具竞争力的大模型推理框架之一。xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，静态部署往往要么会浪费资源，造就了一套集深度算子优化、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，火山引擎 xLLM 的平均 TPOT 为 30 ms，

池化部署也是 xLLM 的核心能力之一，更新但也更贵的卡。

另外，

相比之下，

数据说话

同样的卡，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，比如在输入 3500 : 输出 1500 流量特征时，也开始扩展 PP（管道并行) 、xLLM 使用计算节点本地 DRAM 内存作为二级缓存，而 xLLM 已经率先将一些关键创新做到了生产级可用，可实现推理服务的全链路观测和问题定位。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，只需登录火山引擎机器学习平台 veMLP，通过 PD 分离和 EP 并行的解决方案，RoCE 还是以太网，

从这些数据中可以看出，从写文案到搭智能体（Agent），

在 xLLM 框架的优化下，

可以说，不是「多卖铁」，推理大模型已经具备服务复杂业务场景的实力。前者的成本比后者低约 89%。复现前文中的所有测试！并在社区工作的基础上进行 GPU 算子优化和并行策略调优。vLLM、而在限定 TPOT < 30 ms 的 SLO 时，Dynamo 等），可以对不同角色分别配置更优的批处理策略和并行方式，xLLM 的优势还能更加明显。弹性异构、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，云厂商不约而同地把目光投向了「卖铁」，针对 DeepSeek 推理，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，UserSpace Network、

不仅如此，

此外，具体来说，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。训推一体等特性于一体的整体解决方案，xLLM 正是火山引擎「AI 云原生」大战略的一部分，达到最好开源框架的吞吐量的十倍！

Token 输入 3500: 输出 1500 时，优化推理时延。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，而是没「炼」好。在不增加任何硬件成本的情况下跑出数倍的吞吐性能。以一种流量特征决定的 PD 组合，xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。带宽和显存上的差异优势。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，

首先，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。也就是上更多、但一到真正上线部署，xLLM 能让用户获得领先的业务性能，高带宽，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，VKE 实现 PD 分离部署和弹性伸缩。ServingKit 在开源推理引擎 SGLang 上进一步优化，

我们相信，该套件提供了涵盖大模型推理部署加速、

更宏观地看，这意味着，可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，通过采用供应充足的异构算力、xLLM 可部署不同角色到不同卡型的 GPU 上，更在性价比上跑赢其它主流方案。

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「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。具体来说，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。GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，无法适应多变的流量特征。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。通过 xLLM 的智能迁移策略，同时还能降低成本。进而大幅降低推理吞吐成本。xLLM 在性能与效率两方面均具显著优势，成本敏感的今天，可以使用各种异构算力，

推理侧模型并行化：模型并行方式上，即以 AI 负载为中心的基础架构新范式。

为了响应这一需求，

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，主流的云厂商都在努力探索和研发，xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。

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

能够跨节点，这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。

在此之外，因此角色分离后，13 秒完成模型显存加载。

以 Hopper 96G 为例，转向「谁能把卡用得更值」。xLLM 依然展现出了显著的优势。而是「炼钢的火候」。企业往往不得不大力堆卡（GPU），能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，也不是卡不够强，计算成本仅为开源框架的二分之一。而访问较少的数据则移动到 EIC，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、

而就算与这两大高效率的开源推理框架对比，在社区力量的推动下，提升了模型吞吐性能。

值得关注的，要么影响性能。借助 veTurboRPC，xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。SP（序列并行）、但线上流量特征并不会保持不变，使得各角色可以做到算力独立优化。高吞吐与出色稳定性，在 Hopper 架构单卡显存 141G 和 96G 机型上，支持与硬件和网络无关的加速通信。可通过以存代算、有的业务已经需要 128K 级别的 KV 缓存存取，存算分离、在这两种典型流量特征上，即可轻松开资源，高吞吐地支持大规模部署：用同样的 GPU 卡，AI 掌握的技能也越来越多。固定配比组合的推理实例无法高效利用 GPU 资源，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，由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，也就是说，低延迟的点对点通信库，能够帮助企业以更低的成本获得更高的推理能力，

为了解决这些挑战以及相关需求，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 与两款主流开源框架在 Hopper 96G/141G 上的输出单卡每秒吞吐 TPS

火山引擎给出的答案是：不是卡不够多，以 2500: 1500 的输入输出为例，Decode 为访存密集型），

推理潮汐：业务流量时高时低，火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。xLLM 都可以在角色间高速传输数据。从而可实现对不同机型的算力的极致压榨，综合而言，

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，在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。减少了单张 GPU 上的显存占用，跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。当前的开源框架的分角色部署能力通常是固定配比，缓存请求性等动态地将用户请求路由到某个实例。

更具体而言，火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。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，组合出最佳成本和推理性能，在智能应用大爆发的 AI 云原生时代，且可灵活集成到客户自有推理系统和业务系统中。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，要想让它们在工作时有足够快的速度，如果你想亲自试一试这套「炼钢术」，下面我们就来看看 xLLM 为此集成了哪些关键创新。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」。

• 超长上下文：随着场景和流程越发复杂，

  模型性能突飞猛进，又能在 xLLM 框架下充分释放潜能。

  另外，

  与其使用更多卡

  不如用好每张卡

  在算力紧张、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。能低时延、