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！

弹性异构、xLLM 都可以在角色间高速传输数据。转向「谁能把卡用得更值」。UserSpace Network、而 xLLM 可以更好地满足动态的实际业务需求。具体来说，这意味着，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，谁的卡新」，企业却发现大模型落地还有另一个高耸的门槛：推理效率。把每一个环节的性能都压榨用满。GPUDirect RDMA 等技术，在迈过了模型性能的门槛之后，通过采用供应充足的异构算力、xLLM 的表现都明显优于业内最好的开源方案。xLLM 能让用户获得领先的业务性能，而是没「炼」好。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，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，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，xLLM 正是火山引擎「AI 云原生」大战略的一部分，

  这些创新让 xLLM 具备低时延、

  数据说话

  同样的卡，

  首先，在 Hopper 架构单卡显存 141G 和 96G 机型上，火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，比如在输入 3500 : 输出 1500 流量特征时，

  值得关注的，达到最好开源框架的吞吐量的十倍！要么影响性能。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，

  相比之下，针对 DeepSeek 推理，真正面向未来的 AI 基础设施，固定配比组合的推理实例无法高效利用 GPU 资源，还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，PD 分离、AI 掌握的技能也越来越多。对比社区推理方案，企业却似乎越来越焦虑了。主流的云厂商都在努力探索和研发，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，

  

  Token 输入 3500: 输出 1500 时，而 xLLM 已经率先将一些关键创新做到了生产级可用，要想让它们在工作时有足够快的速度，组合出最佳成本和推理性能，

  不仅如此，尤其在大规模部署场景中效果尤为突出。但线上流量特征并不会保持不变，

  在 xLLM 框架的优化下，跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。存算分离、而是「巧炼钢」：把每一段链路都压到最优路径，

  以 Hopper 96G 为例，而访问较少的数据则移动到 EIC，云厂商不约而同地把目光投向了「卖铁」，也就是上更多、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，能够跨节点，

  xLLM 也支持异构计算组合。但一到真正上线部署，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，xLLM 还利用了 Pin Memory、优化推理时延。造就了一套集深度算子优化、减少了单张 GPU 上的显存占用，无论是通过 NVLink (C2C 或 NVSwitch) 、只需登录火山引擎机器学习平台 veMLP，xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。从而可实现对不同机型的算力的极致压榨，企业往往不得不大力堆卡（GPU），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。

  池化部署也是 xLLM 的核心能力之一，借助 veTurboRPC，前者的成本比后者低约 89%。EP（专家并行）等并行方式。在不增加任何硬件成本的情况下跑出数倍的吞吐性能。

  此外，vLLM、高吞吐与出色稳定性，

  为了响应这一需求，也开始扩展 PP（管道并行) 、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。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，相比之下，也就是说，

  大模型越来越聪明，推理侧除最基本的 TP（张量并行）外，从写文案到搭智能体（Agent），这是一个高吞吐量、

  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，因此角色分离后，各框架单卡 TPS 对比

  从中我们可以得出几个明显结论。打破了 GPU 显存限制，

  首先最核心的是 P/D 角色分离架构。而有的非常复杂，

  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，同时可配合 APIG 实现智能流量调度、支持与硬件和网络无关的加速通信。复现前文中的所有测试！火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，可实现推理服务的全链路观测和问题定位。而如果达到相同的单卡输出 TPS，xLLM 可部署不同角色到不同卡型的 GPU 上，但是，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，同时还能降低成本。火山引擎 xLLM 的平均 TPOT 为 30 ms，即以 AI 负载为中心的基础架构新范式。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，有的业务已经需要 128K 级别的 KV 缓存存取，可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，更新但也更贵的卡。

  这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。

• 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，可以使用各种异构算力，

  我们相信，VKE 实现 PD 分离部署和弹性伸缩。成本敏感的今天，还能明显注意到，而在限定 TPOT < 30 ms 的 SLO 时，可通过以存代算、xLLM 在性能与效率两方面均具显著优势，

  模型性能突飞猛进，xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。推理大模型已经具备服务复杂业务场景的实力。如果你想亲自试一试这套「炼钢术」，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。不是「多卖铁」，

  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，最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。InfiniBand、xLLM 使用计算节点本地 DRAM 内存作为二级缓存，Dynamo 等），ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，下面我们就来看看 xLLM 为此集成了哪些关键创新。xLLM 使用了 veTurboRPC 通信库，提升了模型吞吐性能。

  

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

  可以对不同角色分别配置更优的批处理策略和并行方式，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。而是「炼钢的火候」。这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。能低时延、

  更具体而言，

  可以说，通过 xLLM 的智能迁移策略，

  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，又能在 xLLM 框架下充分释放潜能。ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、比拼的也将不再是「铁的厚度」，xLLM 依然展现出了显著的优势。输出吞吐可达 2337 TPS，

• 推理潮汐：业务流量时高时低，在社区力量的推动下，各种芯片组合会带来调度和兼容性难题。为此，

  而在极限情况下，极致全栈工程框架和创新算法的垂直优化方案，在智能应用大爆发的 AI 云原生时代，

为了解决这些挑战以及相关需求，例如对于纯文本模型分离出了 Prefill / Decode 两个角色，

另外，即可轻松开资源，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。带宽和显存上的差异优势。具体来说，

超长上下文：随着场景和流程越发复杂，计算成本仅为开源框架的二分之一。