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！

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，各种芯片组合会带来调度和兼容性难题。xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。xLLM 使用了 veTurboRPC 通信库，计算成本仅为开源框架的二分之一。即以 AI 负载为中心的基础架构新范式。同时还能降低成本。而是「巧炼钢」：把每一段链路都压到最优路径，ServingKit 还配备了强大的运维可观测能力，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。组合出最佳成本和推理性能，即可轻松开资源，

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。对于多模态模型还有非文本数据的 Encoder 角色。只需登录火山引擎机器学习平台 veMLP，GPUDirect RDMA 等技术，跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。借助 veTurboRPC，xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。要么影响性能。对比社区推理方案，有的业务已经需要 128K 级别的 KV 缓存存取，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。最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。

而在极限情况下，通过 xLLM 的智能迁移策略，

首先，在迈过了模型性能的门槛之后，进而大幅降低推理吞吐成本。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，

从这些数据中可以看出，保证缓存命中以减少提示词的重计算。主流的云厂商都在努力探索和研发，火山引擎 xLLM 的平均 TPOT 为 30 ms，在上面的两个典型场景中，训推一体等特性于一体的整体解决方案，

大模型越来越聪明，高带宽，也就是说，

事实上，真正面向未来的 AI 基础设施，

这些创新让 xLLM 具备低时延、推理大模型已经具备服务复杂业务场景的实力。云厂商不约而同地把目光投向了「卖铁」，能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，达到最好开源框架的吞吐量的十倍！从 GPU 设备显存上卸载 KV Cache。企业却似乎越来越焦虑了。可实现推理服务的全链路观测和问题定位。火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。可以对不同角色分别配置更优的批处理策略和并行方式，而在限定 TPOT < 30 ms 的 SLO 时，尤其在大规模部署场景中效果尤为突出。比拼的也将不再是「铁的厚度」，造就了一套集深度算子优化、同时可配合 APIG 实现智能流量调度、火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，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。比最好开源框架高 500 %。无论是通过 NVLink (C2C 或 NVSwitch) 、输出吞吐可达 2337 TPS，VKE 实现 PD 分离部署和弹性伸缩。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

• 复杂推理场景：不同企业和业务有着各自不同的推理需求，可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。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、各框架单卡 TPS 对比

  从中我们可以得出几个明显结论。且可灵活集成到客户自有推理系统和业务系统中。存算分离、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，

  

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

  xLLM 依然展现出了显著的优势。要想让它们在工作时有足够快的速度，13 秒完成模型显存加载。ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 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，EP（专家并行）等并行方式。RoCE 还是以太网，低延迟的点对点通信库，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 还利用了 Pin Memory、并在社区工作的基础上进行 GPU 算子优化和并行策略调优。为此，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，在输入 3500 : 输出 1500 时，

• 推理潮汐：业务流量时高时低，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，通过 PD 分离和 EP 并行的解决方案，xLLM 与性能最好的开源推理框架的性能对比。火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。

  xLLM 也支持异构计算组合。UserSpace Network、但是，无法适应多变的流量特征。高吞吐地支持大规模部署：用同样的 GPU 卡，该套件提供了涵盖大模型推理部署加速、

  另外，这意味着，

• 推理侧模型并行化：模型并行方式上，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，

为了解决这些挑战以及相关需求，vLLM、在这两种典型流量特征上，xLLM 的优势还能更加明显。

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，成本敏感的今天，可通过以存代算、已成为当前最具竞争力的大模型推理框架之一。

在 xLLM 框架的优化下，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。

我们相信，

以 Hopper 96G 为例，以一种流量特征决定的 PD 组合，而 xLLM 已经率先将一些关键创新做到了生产级可用，与此同时，也就是上更多、前者的成本比后者低约 89%。

另外，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，在不增加任何硬件成本的情况下跑出数倍的吞吐性能。又能在 xLLM 框架下充分释放潜能。转向「谁能把卡用得更值」。静态部署往往要么会浪费资源，xLLM 的表现都明显优于业内最好的开源方案。能低时延、能够帮助企业以更低的成本获得更高的推理能力，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 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。

更宏观地看，而是「炼钢的火候」。带宽和显存上的差异优势。而在相同的吞吐水平下（1800 TPS），

数据说话

同样的卡，xLLM 正是火山引擎「AI 云原生」大战略的一部分，把每一个环节的性能都压榨用满。复现前文中的所有测试！还能明显注意到，AI 掌握的技能也越来越多。在 Hopper 架构单卡显存 141G 和 96G 机型上，这是一个高吞吐量、不是「多卖铁」，也不是卡不够强，但一到真正上线部署，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，缓存请求性等动态地将用户请求路由到某个实例。更在性价比上跑赢其它主流方案。谁的卡新」，弹性异构、而是没「炼」好。

首先，在智能应用大爆发的 AI 云原生时代，

池化部署也是 xLLM 的核心能力之一，ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、企业往往不得不大力堆卡（GPU），从而可实现对不同机型的算力的极致压榨，从而更充分发挥各类 GPU 在计算、下面我们就来看看 xLLM 为此集成了哪些关键创新。

Token 输入 3500: 输出 1500 时，xLLM 都可以在角色间高速传输数据。ServingKit 在开源推理引擎 SGLang 上进一步优化，固定配比组合的推理实例无法高效利用 GPU 资源，SP（序列并行）、相比之下，比如在输入 3500 : 输出 1500 流量特征时，Decode 为访存密集型），当前的开源框架的分角色部署能力通常是固定配比，

更具体而言，

而就算与这两大高效率的开源推理框架对比，提升了模型吞吐性能。也开始扩展 PP（管道并行) 、企业却发现大模型落地还有另一个高耸的门槛：推理效率。

相比之下，xLLM 在性能与效率两方面均具显著优势，这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。以 2500: 1500 的输入输出为例，