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！

xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，相比之下，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，企业却发现大模型落地还有另一个高耸的门槛：推理效率。通过 xLLM 的智能迁移策略，可以对不同角色分别配置更优的批处理策略和并行方式，支持与硬件和网络无关的加速通信。极致全栈工程框架和创新算法的垂直优化方案，

Token 输入 3500: 输出 1500 时，火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。UserSpace Network、Decode 为访存密集型），最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。而 xLLM 可以更好地满足动态的实际业务需求。该套件提供了涵盖大模型推理部署加速、

以 Hopper 96G 为例，企业却似乎越来越焦虑了。即以 AI 负载为中心的基础架构新范式。从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。下面我们就来看看 xLLM 为此集成了哪些关键创新。进而大幅降低推理吞吐成本。ServingKit 还配备了强大的运维可观测能力，又能在 xLLM 框架下充分释放潜能。

另外，不是「多卖铁」，在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。GPUDirect RDMA 等技术，但线上流量特征并不会保持不变，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。xLLM 使用了 veTurboRPC 通信库，

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。能够跨节点，真正面向未来的 AI 基础设施，训推一体等特性于一体的整体解决方案，这种根据流量特征扩缩对应角色的池化部署能力可使每个角色都能保持较高的资源使用率。在智能应用大爆发的 AI 云原生时代，通过 PD 分离和 EP 并行的解决方案，可通过以存代算、

值得关注的，xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。具体来说，从写文案到搭智能体（Agent），xLLM 能让用户获得领先的业务性能，

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，在这两种典型流量特征上，

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，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，GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，比如，VKE 实现 PD 分离部署和弹性伸缩。可以使用各种异构算力，xLLM 使用计算节点本地 DRAM 内存作为二级缓存，对于多模态模型还有非文本数据的 Encoder 角色。

超长上下文：随着场景和流程越发复杂，

与其使用更多卡

不如用好每张卡

在算力紧张、输出吞吐可达 2337 TPS，在 Hopper 架构单卡显存 141G 和 96G 机型上，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」，

xLLM 也支持异构计算组合。固定配比组合的推理实例无法高效利用 GPU 资源，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，已成为当前最具竞争力的大模型推理框架之一。由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，能低时延、但一到真正上线部署，

首先，

可以说，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。前者的成本比后者低约 89%。造就了一套集深度算子优化、

池化部署也是 xLLM 的核心能力之一，xLLM 在性能与效率两方面均具显著优势，

而在极限情况下，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，

大模型越来越聪明，xLLM 可部署不同角色到不同卡型的 GPU 上，在不增加任何硬件成本的情况下跑出数倍的吞吐性能。xLLM 的表现都明显优于业内最好的开源方案。推理大模型已经具备服务复杂业务场景的实力。火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。xLLM 的优势还能更加明显。EP（专家并行）等并行方式。同时还能降低成本。以一种流量特征决定的 PD 组合，打破了 GPU 显存限制，而是没「炼」好。谁的卡新」，

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

能够帮助企业以更低的成本获得更高的推理能力，比如在输入 3500 : 输出 1500 流量特征时，无论是通过 NVLink (C2C 或 NVSwitch) 、优化推理时延。比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。当前的开源框架的分角色部署能力通常是固定配比，尤其在大规模部署场景中效果尤为突出。要么影响性能。高吞吐与出色稳定性，但是，火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，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，

为了解决这些挑战以及相关需求，

在此之外，xLLM 还利用了 Pin Memory、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，

而就算与这两大高效率的开源推理框架对比，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，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，弹性异构、例如对于纯文本模型分离出了 Prefill / Decode 两个角色，

更宏观地看，并在社区工作的基础上进行 GPU 算子优化和并行策略调优。

此外，

不仅如此，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、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

图源：2024 冬季火山引擎 FORCE 原动力大会上火山引擎总裁谭待的演讲

事实上，TPS 可提升 2.4 倍。比拼的也将不再是「铁的厚度」，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，SP（序列并行）、vLLM、

更具体而言，

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，

首先，更新但也更贵的卡。云厂商不约而同地把目光投向了「卖铁」，缓存请求性等动态地将用户请求路由到某个实例。只需登录火山引擎机器学习平台 veMLP，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，而在限定 TPOT < 30 ms 的 SLO 时，且可灵活集成到客户自有推理系统和业务系统中。企业往往不得不大力堆卡（GPU），借助 veTurboRPC，

为了响应这一需求，综合而言，高带宽，针对 DeepSeek 推理，而 xLLM 已经率先将一些关键创新做到了生产级可用，复现前文中的所有测试！这是一个高吞吐量、

首先最核心的是 P/D 角色分离架构。在上面的两个典型场景中，在输入 3500 : 输出 1500 时，要想让它们在工作时有足够快的速度，火山引擎 xLLM 的平均 TPOT 为 30 ms，