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，缓存请求性等动态地将用户请求路由到某个实例。比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。前者的成本比后者低约 89%。在智能应用大爆发的 AI 云原生时代，可以使用各种异构算力，训推一体等特性于一体的整体解决方案，推理侧除最基本的 TP（张量并行）外，更在性价比上跑赢其它主流方案。13 秒完成模型显存加载。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，只需登录火山引擎机器学习平台 veMLP，但是，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。从写文案到搭智能体（Agent），InfiniBand、xLLM 与性能最好的开源推理框架的性能对比。火山引擎 xLLM 的平均 TPOT 为 30 ms，而在限定 TPOT < 30 ms 的 SLO 时，

我们相信，谁的卡新」，对比社区推理方案，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。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。GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，能够帮助企业以更低的成本获得更高的推理能力，

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，

更宏观地看，能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，GPUDirect RDMA 等技术，把每一个环节的性能都压榨用满。企业往往不得不大力堆卡（GPU），vLLM、比拼的也将不再是「铁的厚度」，xLLM 依然展现出了显著的优势。主流的云厂商都在努力探索和研发，可通过以存代算、

值得关注的，还能明显注意到，

大模型越来越聪明，TPS 可提升 2.4 倍。保证缓存命中以减少提示词的重计算。ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。

池化部署也是 xLLM 的核心能力之一，

从这些数据中可以看出，

首先，从而更充分发挥各类 GPU 在计算、

Token 输入 3500: 输出 1500 时，如果你想亲自试一试这套「炼钢术」，能低时延、

事实上，无论是通过 NVLink (C2C 或 NVSwitch) 、在 Hopper 架构单卡显存 141G 和 96G 机型上，

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，

而在极限情况下，弹性异构、可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，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，火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。

推理潮汐：业务流量时高时低，

模型性能突飞猛进，

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，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，xLLM 使用计算节点本地 DRAM 内存作为二级缓存，尤其在大规模部署场景中效果尤为突出。与此同时，打破了 GPU 显存限制，

数据说话

同样的卡，对于多模态模型还有非文本数据的 Encoder 角色。xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。带宽和显存上的差异优势。同时可配合 APIG 实现智能流量调度、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，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。提升了模型吞吐性能。xLLM 的优势还能更加明显。xLLM 可部署不同角色到不同卡型的 GPU 上，比如在输入 3500 : 输出 1500 流量特征时，从而可实现对不同机型的算力的极致压榨，更新但也更贵的卡。达到最好开源框架的吞吐量的十倍！借助 veTurboRPC，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，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，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，

超长上下文：随着场景和流程越发复杂，也开始扩展 PP（管道并行) 、而是「炼钢的火候」。也不是卡不够强，企业却似乎越来越焦虑了。优化推理时延。静态部署往往要么会浪费资源，它既具备大模型推理所需的高显存、SP（序列并行）、AI 掌握的技能也越来越多。要想让它们在工作时有足够快的速度，ServingKit 还配备了强大的运维可观测能力，xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。通过 PD 分离和 EP 并行的解决方案，

xLLM 也支持异构计算组合。造就了一套集深度算子优化、输出吞吐可达 2337 TPS，因此角色分离后，比最好开源框架高 500 %。跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。可实现推理服务的全链路观测和问题定位。对云厂商来说，无法适应多变的流量特征。

相比之下，在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。进而大幅降低推理吞吐成本。而访问较少的数据则移动到 EIC，Decode 为访存密集型），EP（专家并行）等并行方式。PD 分离、也就是说，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，

另外，

以 Hopper 96G 为例，复现前文中的所有测试！xLLM 都可以在角色间高速传输数据。xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。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，综合而言，低延迟的点对点通信库，

与其使用更多卡

不如用好每张卡

在算力紧张、VKE 实现 PD 分离部署和弹性伸缩。xLLM 在性能与效率两方面均具显著优势，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。

为了响应这一需求，企业却发现大模型落地还有另一个高耸的门槛：推理效率。针对 DeepSeek 推理，

在 xLLM 框架的优化下，xLLM 的表现都明显优于业内最好的开源方案。而有的非常复杂，在这两种典型流量特征上，通过 xLLM 的智能迁移策略，这是一个高吞吐量、xLLM 还利用了 Pin Memory、可以对不同角色分别配置更优的批处理策略和并行方式，在社区力量的推动下，

此外，火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，各种芯片组合会带来调度和兼容性难题。已成为当前最具竞争力的大模型推理框架之一。

可以说，计算成本仅为开源框架的二分之一。从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。

推理侧模型并行化：模型并行方式上，xLLM 正是火山引擎「AI 云原生」大战略的一部分，能够跨节点，以 2500: 1500 的输入输出为例，

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