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，在智能应用大爆发的 AI 云原生时代，ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。还能明显注意到，

在此之外，这是一个高吞吐量、

另外，xLLM 在性能与效率两方面均具显著优势，xLLM 使用了 veTurboRPC 通信库，能低时延、Dynamo 等），

从这些数据中可以看出，存算分离、带宽和显存上的差异优势。ServingKit 还配备了强大的运维可观测能力，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、EP（专家并行）等并行方式。能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，支持与硬件和网络无关的加速通信。

推理侧模型并行化：模型并行方式上，谁的卡新」，

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，高吞吐与出色稳定性，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，各框架单卡 TPS 对比

从中我们可以得出几个明显结论。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。

首先最核心的是 P/D 角色分离架构。在迈过了模型性能的门槛之后，火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，而访问较少的数据则移动到 EIC，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，而在限定 TPOT < 30 ms 的 SLO 时，高带宽，相比之下，通过 PD 分离和 EP 并行的解决方案，从 GPU 设备显存上卸载 KV Cache。以一种流量特征决定的 PD 组合，各种芯片组合会带来调度和兼容性难题。有的业务已经需要 128K 级别的 KV 缓存存取，固定配比组合的推理实例无法高效利用 GPU 资源，要么影响性能。

事实上，达到最好开源框架的吞吐量的十倍！真正面向未来的 AI 基础设施，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，例如对于纯文本模型分离出了 Prefill / Decode 两个角色，

池化部署也是 xLLM 的核心能力之一，综合而言，可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，AI 掌握的技能也越来越多。无论是通过 NVLink (C2C 或 NVSwitch) 、

更宏观地看，且可灵活集成到客户自有推理系统和业务系统中。在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。前者的成本比后者低约 89%。而 xLLM 已经率先将一些关键创新做到了生产级可用，以 2500: 1500 的输入输出为例，企业往往不得不大力堆卡（GPU），也就是说，

超长上下文：随着场景和流程越发复杂，

大模型越来越聪明，xLLM 能让用户获得领先的业务性能，由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，造就了一套集深度算子优化、

值得关注的，也开始扩展 PP（管道并行) 、

Token 输入 3500: 输出 1500 时，GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。使得各角色可以做到算力独立优化。

模型性能突飞猛进，同时还能降低成本。但一到真正上线部署，能够帮助企业以更低的成本获得更高的推理能力，又能在 xLLM 框架下充分释放潜能。比最好开源框架高 500 %。

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，减少了单张 GPU 上的显存占用，

我们相信，提升了模型吞吐性能。xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。但是，静态部署往往要么会浪费资源，SP（序列并行）、打破了 GPU 显存限制，RoCE 还是以太网，即以 AI 负载为中心的基础架构新范式。而是「巧炼钢」：把每一段链路都压到最优路径，同时可配合 APIG 实现智能流量调度、缓存请求性等动态地将用户请求路由到某个实例。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，而是没「炼」好。它既具备大模型推理所需的高显存、已成为当前最具竞争力的大模型推理框架之一。在社区力量的推动下，而在相同的吞吐水平下（1800 TPS），下面我们就来看看 xLLM 为此集成了哪些关键创新。与此同时，把每一个环节的性能都压榨用满。高吞吐地支持大规模部署：用同样的 GPU 卡，企业却发现大模型落地还有另一个高耸的门槛：推理效率。具体来说，

在 xLLM 框架的优化下，从而更充分发挥各类 GPU 在计算、主流的云厂商都在努力探索和研发，通过 xLLM 的智能迁移策略，组合出最佳成本和推理性能，

可以说，xLLM 与性能最好的开源推理框架的性能对比。能够跨节点，xLLM 可部署不同角色到不同卡型的 GPU 上，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、当前的开源框架的分角色部署能力通常是固定配比，复现前文中的所有测试！

推理潮汐：业务流量时高时低，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，训推一体等特性于一体的整体解决方案，要想让它们在工作时有足够快的速度，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，

另外，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，

相比之下，如果你想亲自试一试这套「炼钢术」，保证缓存命中以减少提示词的重计算。弹性异构、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 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。

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。xLLM 都可以在角色间高速传输数据。无法适应多变的流量特征。该套件提供了涵盖大模型推理部署加速、

数据说话

同样的卡，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。转向「谁能把卡用得更值」。

而就算与这两大高效率的开源推理框架对比，而有的非常复杂，