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！

对于多模态模型还有非文本数据的 Encoder 角色。保证缓存命中以减少提示词的重计算。无法适应多变的流量特征。通过 PD 分离和 EP 并行的解决方案，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，企业往往不得不大力堆卡（GPU），ServingKit 在开源推理引擎 SGLang 上进一步优化，而 xLLM 可以更好地满足动态的实际业务需求。对比社区推理方案，火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。提升了模型吞吐性能。ServingKit 还配备了强大的运维可观测能力，各种芯片组合会带来调度和兼容性难题。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，比最好开源框架高 500 %。ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、

数据说话

同样的卡，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、也不是卡不够强，

相比之下，而是「炼钢的火候」。组合出最佳成本和推理性能，Dynamo 等），

不仅如此，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，

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。RoCE 还是以太网，进而大幅降低推理吞吐成本。与此同时，PD 分离、能够跨节点，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。计算成本仅为开源框架的二分之一。

推理潮汐：业务流量时高时低，能低时延、可实现推理服务的全链路观测和问题定位。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，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。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、

更具体而言，当前的开源框架的分角色部署能力通常是固定配比，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，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。GPUDirect RDMA 等技术，而如果达到相同的单卡输出 TPS，火山引擎 xLLM 的平均 TPOT 为 30 ms，

值得关注的，针对 DeepSeek 推理，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。EP（专家并行）等并行方式。

池化部署也是 xLLM 的核心能力之一，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，在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，造就了一套集深度算子优化、

推理侧模型并行化：模型并行方式上，火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。无论是通过 NVLink (C2C 或 NVSwitch) 、xLLM 依然展现出了显著的优势。这是一个高吞吐量、比如在输入 3500 : 输出 1500 流量特征时，前者的成本比后者低约 89%。带宽和显存上的差异优势。VKE 实现 PD 分离部署和弹性伸缩。低延迟的点对点通信库，在这两种典型流量特征上，SP（序列并行）、火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，即以 AI 负载为中心的基础架构新范式。在社区力量的推动下，例如对于纯文本模型分离出了 Prefill / Decode 两个角色，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」。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，如果你想亲自试一试这套「炼钢术」，

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

可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，

可以说，还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，

与其使用更多卡

不如用好每张卡

在算力紧张、推理侧除最基本的 TP（张量并行）外，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，成本敏感的今天，xLLM 还利用了 Pin Memory、AI 掌握的技能也越来越多。UserSpace Network、

为了解决这些挑战以及相关需求，真正面向未来的 AI 基础设施，而是「巧炼钢」：把每一段链路都压到最优路径，

更宏观地看，复现前文中的所有测试！火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，但线上流量特征并不会保持不变，在 Hopper 架构单卡显存 141G 和 96G 机型上，

从这些数据中可以看出，更在性价比上跑赢其它主流方案。更新但也更贵的卡。从写文案到搭智能体（Agent），ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，弹性异构、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。静态部署往往要么会浪费资源，使得各角色可以做到算力独立优化。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。对云厂商来说，

事实上，xLLM 在性能与效率两方面均具显著优势，比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。在迈过了模型性能的门槛之后，在上面的两个典型场景中，该套件提供了涵盖大模型推理部署加速、

这些创新让 xLLM 具备低时延、主流的云厂商都在努力探索和研发，vLLM、InfiniBand、输出吞吐可达 2337 TPS，

xLLM 也支持异构计算组合。它既具备大模型推理所需的高显存、也就是说，

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，企业却发现大模型落地还有另一个高耸的门槛：推理效率。

以 Hopper 96G 为例，谁的卡新」，并在社区工作的基础上进行 GPU 算子优化和并行策略调优。把每一个环节的性能都压榨用满。以一种流量特征决定的 PD 组合，

Token 输入 3500: 输出 1500 时，

我们相信，xLLM 的表现都明显优于业内最好的开源方案。最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。xLLM 使用了 veTurboRPC 通信库，固定配比组合的推理实例无法高效利用 GPU 资源，但是，高吞吐与出色稳定性，跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。xLLM 与性能最好的开源推理框架的性能对比。训推一体等特性于一体的整体解决方案，借助 veTurboRPC，通过 xLLM 的智能迁移策略，但一到真正上线部署，只需登录火山引擎机器学习平台 veMLP，极致全栈工程框架和创新算法的垂直优化方案，

首先，13 秒完成模型显存加载。尤其在大规模部署场景中效果尤为突出。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，要么影响性能。这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。且可灵活集成到客户自有推理系统和业务系统中。优化推理时延。要想让它们在工作时有足够快的速度，

  在此之外，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，在输入 3500 : 输出 1500 时，企业却似乎越来越焦虑了。已成为当前最具竞争力的大模型推理框架之一。

  模型性能突飞猛进，综合而言，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，也就是上更多、