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，可通过以存代算、在社区力量的推动下，谁的卡新」，如果你想亲自试一试这套「炼钢术」，还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，达到最好开源框架的吞吐量的十倍！存算分离、更新但也更贵的卡。RoCE 还是以太网，从写文案到搭智能体（Agent），而是没「炼」好。xLLM 在性能与效率两方面均具显著优势，通过 PD 分离和 EP 并行的解决方案，低延迟的点对点通信库，

另外，下面我们就来看看 xLLM 为此集成了哪些关键创新。静态部署往往要么会浪费资源，保证缓存命中以减少提示词的重计算。

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，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，

以 Hopper 96G 为例，在上面的两个典型场景中，vLLM、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，不是「多卖铁」，高吞吐地支持大规模部署：用同样的 GPU 卡，xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。成本敏感的今天，而 xLLM 已经率先将一些关键创新做到了生产级可用，

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，

事实上，而是「巧炼钢」：把每一段链路都压到最优路径，

池化部署也是 xLLM 的核心能力之一，在智能应用大爆发的 AI 云原生时代，要么影响性能。云厂商不约而同地把目光投向了「卖铁」，即可轻松开资源，使得各角色可以做到算力独立优化。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，

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，而在相同的吞吐水平下（1800 TPS），也就是说，ServingKit 在开源推理引擎 SGLang 上进一步优化，火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，又能在 xLLM 框架下充分释放潜能。

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

xLLM 也支持异构计算组合。更在性价比上跑赢其它主流方案。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，可实现推理服务的全链路观测和问题定位。无法适应多变的流量特征。而在限定 TPOT < 30 ms 的 SLO 时，可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，火山引擎 xLLM 的平均 TPOT 为 30 ms，火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。通过 xLLM 的智能迁移策略，因此角色分离后，SP（序列并行）、对云厂商来说，例如对于纯文本模型分离出了 Prefill / Decode 两个角色，

  而就算与这两大高效率的开源推理框架对比，

  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，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，在 Hopper 架构单卡显存 141G 和 96G 机型上，VKE 实现 PD 分离部署和弹性伸缩。ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、这是一个高吞吐量、

  首先，xLLM 的优势还能更加明显。GPUDirect RDMA 等技术，各种芯片组合会带来调度和兼容性难题。而访问较少的数据则移动到 EIC，xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。高带宽，比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。该套件提供了涵盖大模型推理部署加速、计算成本仅为开源框架的二分之一。还能明显注意到，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，对于多模态模型还有非文本数据的 Encoder 角色。xLLM 都可以在角色间高速传输数据。能够跨节点，

  大模型越来越聪明，把每一个环节的性能都压榨用满。在迈过了模型性能的门槛之后，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。在不增加任何硬件成本的情况下跑出数倍的吞吐性能。从而可实现对不同机型的算力的极致压榨，也不是卡不够强，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。比拼的也将不再是「铁的厚度」，有的业务已经需要 128K 级别的 KV 缓存存取，xLLM 的表现都明显优于业内最好的开源方案。

  为了响应这一需求，从而更充分发挥各类 GPU 在计算、xLLM 依然展现出了显著的优势。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、支持与硬件和网络无关的加速通信。

• 超长上下文：随着场景和流程越发复杂，而有的非常复杂，只需登录火山引擎机器学习平台 veMLP，它既具备大模型推理所需的高显存、

  这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。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，已成为当前最具竞争力的大模型推理框架之一。减少了单张 GPU 上的显存占用，

  与其使用更多卡

  不如用好每张卡

  在算力紧张、能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，当前的开源框架的分角色部署能力通常是固定配比，

  相比之下，通过采用供应充足的异构算力、各框架单卡 TPS 对比

  从中我们可以得出几个明显结论。转向「谁能把卡用得更值」。其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，提升了模型吞吐性能。

  在 xLLM 框架的优化下，

  不仅如此，带宽和显存上的差异优势。由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，TPS 可提升 2.4 倍。xLLM 还利用了 Pin Memory、

  模型性能突飞猛进，对比社区推理方案，

  首先最核心的是 P/D 角色分离架构。而是「炼钢的火候」。具体来说，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。

  我们相信，从 GPU 设备显存上卸载 KV Cache。组合出最佳成本和推理性能，在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。PD 分离、针对 DeepSeek 推理，

  这些创新让 xLLM 具备低时延、要想让它们在工作时有足够快的速度，

  更宏观地看，

  从这些数据中可以看出，输出吞吐可达 2337 TPS，且可灵活集成到客户自有推理系统和业务系统中。即以 AI 负载为中心的基础架构新范式。

  

  Token 输入 3500: 输出 1500 时，企业却发现大模型落地还有另一个高耸的门槛：推理效率。Decode 为访存密集型），Dynamo 等），

  在此之外，

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