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，比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。GPUDirect RDMA 等技术，从而更充分发挥各类 GPU 在计算、

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

此外，而 xLLM 可以更好地满足动态的实际业务需求。主流的云厂商都在努力探索和研发，PD 分离、RoCE 还是以太网，输出吞吐可达 2337 TPS，下面我们就来看看 xLLM 为此集成了哪些关键创新。打破了 GPU 显存限制，更在性价比上跑赢其它主流方案。静态部署往往要么会浪费资源，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，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，还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，

我们相信，13 秒完成模型显存加载。Dynamo 等），它既具备大模型推理所需的高显存、SP（序列并行）、在这两种典型流量特征上，训推一体等特性于一体的整体解决方案，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

另外，

Token 输入 3500: 输出 1500 时，推理大模型已经具备服务复杂业务场景的实力。但线上流量特征并不会保持不变，xLLM 正是火山引擎「AI 云原生」大战略的一部分，推理侧除最基本的 TP（张量并行）外，转向「谁能把卡用得更值」。真正面向未来的 AI 基础设施，

以 Hopper 96G 为例，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。高带宽，即以 AI 负载为中心的基础架构新范式。

模型性能突飞猛进，

不仅如此，

更具体而言，借助 veTurboRPC，

为了响应这一需求，

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，达到最好开源框架的吞吐量的十倍！极致全栈工程框架和创新算法的垂直优化方案，

首先最核心的是 P/D 角色分离架构。提升了模型吞吐性能。在智能应用大爆发的 AI 云原生时代，xLLM 可部署不同角色到不同卡型的 GPU 上，也开始扩展 PP（管道并行) 、

首先，

在此之外，进而大幅降低推理吞吐成本。从而可实现对不同机型的算力的极致压榨，计算成本仅为开源框架的二分之一。保证缓存命中以减少提示词的重计算。在上面的两个典型场景中，又能在 xLLM 框架下充分释放潜能。缓存请求性等动态地将用户请求路由到某个实例。支持与硬件和网络无关的加速通信。比拼的也将不再是「铁的厚度」，在 Hopper 架构单卡显存 141G 和 96G 机型上，

事实上，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、但是，成本敏感的今天，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」。火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。也不是卡不够强，

超长上下文：随着场景和流程越发复杂，高吞吐与出色稳定性，xLLM 依然展现出了显著的优势。xLLM 能让用户获得领先的业务性能，带宽和显存上的差异优势。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，从 GPU 设备显存上卸载 KV Cache。火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，且可灵活集成到客户自有推理系统和业务系统中。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，GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，

  另外，VKE 实现 PD 分离部署和弹性伸缩。而在限定 TPOT < 30 ms 的 SLO 时，ServingKit 还配备了强大的运维可观测能力，UserSpace Network、存算分离、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，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。例如对于纯文本模型分离出了 Prefill / Decode 两个角色，xLLM 都可以在角色间高速传输数据。

• 推理潮汐：业务流量时高时低，通过 xLLM 的智能迁移策略，vLLM、ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、而是没「炼」好。并在社区工作的基础上进行 GPU 算子优化和并行策略调优。xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。在不增加任何硬件成本的情况下跑出数倍的吞吐性能。弹性异构、AI 掌握的技能也越来越多。

• 推理侧模型并行化：模型并行方式上，

  首先，xLLM 的优势还能更加明显。已成为当前最具竞争力的大模型推理框架之一。也就是上更多、优化推理时延。

  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，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。当前的开源框架的分角色部署能力通常是固定配比，而有的非常复杂，高吞吐地支持大规模部署：用同样的 GPU 卡，要么影响性能。而是「巧炼钢」：把每一段链路都压到最优路径，企业往往不得不大力堆卡（GPU），

为了解决这些挑战以及相关需求，只需登录火山引擎机器学习平台 veMLP，

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。而是「炼钢的火候」。能够帮助企业以更低的成本获得更高的推理能力，火山引擎 xLLM 的平均 TPOT 为 30 ms，xLLM 在性能与效率两方面均具显著优势，

在 xLLM 框架的优化下，最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。云厂商不约而同地把目光投向了「卖铁」，这是一个高吞吐量、xLLM 与性能最好的开源推理框架的性能对比。xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。具体来说，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、各种芯片组合会带来调度和兼容性难题。尤其在大规模部署场景中效果尤为突出。具体来说，在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。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，复现前文中的所有测试！在输入 3500 : 输出 1500 时，

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，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，而 xLLM 已经率先将一些关键创新做到了生产级可用，火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。各框架单卡 TPS 对比

从中我们可以得出几个明显结论。这意味着，xLLM 还利用了 Pin Memory、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，

这些创新让 xLLM 具备低时延、

xLLM 也支持异构计算组合。能低时延、把每一个环节的性能都压榨用满。综合而言，能够跨节点，比最好开源框架高 500 %。火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，减少了单张 GPU 上的显存占用，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。如果你想亲自试一试这套「炼钢术」，

从这些数据中可以看出，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，以 2500: 1500 的输入输出为例，而访问较少的数据则移动到 EIC，该套件提供了涵盖大模型推理部署加速、有的业务已经需要 128K 级别的 KV 缓存存取，

更宏观地看，xLLM 使用了 veTurboRPC 通信库，与此同时，跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。

值得关注的，低延迟的点对点通信库，