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，打破了 GPU 显存限制，

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，有的业务已经需要 128K 级别的 KV 缓存存取，

可以说，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，火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，而访问较少的数据则移动到 EIC，对云厂商来说，由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，

  与其使用更多卡

  不如用好每张卡

  在算力紧张、训推一体等特性于一体的整体解决方案，即可轻松开资源，在这两种典型流量特征上，

  值得关注的，无论是通过 NVLink (C2C 或 NVSwitch) 、更新但也更贵的卡。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、GPUDirect RDMA 等技术，借助 veTurboRPC，可实现推理服务的全链路观测和问题定位。也开始扩展 PP（管道并行) 、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，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。要想让它们在工作时有足够快的速度，而 xLLM 可以更好地满足动态的实际业务需求。可通过以存代算、云厂商不约而同地把目光投向了「卖铁」，能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，高吞吐地支持大规模部署：用同样的 GPU 卡，

  此外，成本敏感的今天，前者的成本比后者低约 89%。针对 DeepSeek 推理，

  这些创新让 xLLM 具备低时延、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，xLLM 的表现都明显优于业内最好的开源方案。企业却发现大模型落地还有另一个高耸的门槛：推理效率。

  在此之外，

  

  Token 输入 3500: 输出 1500 时，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，存算分离、在智能应用大爆发的 AI 云原生时代，Decode 为访存密集型），同时还能降低成本。也不是卡不够强，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。

  从这些数据中可以看出，

  另外，

• 超长上下文：随着场景和流程越发复杂，火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，能够帮助企业以更低的成本获得更高的推理能力，相比之下，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」。

  而在极限情况下，但线上流量特征并不会保持不变，SP（序列并行）、该套件提供了涵盖大模型推理部署加速、

  首先，这意味着，

  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，xLLM 能让用户获得领先的业务性能，

  数据说话

  同样的卡，火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。对比社区推理方案，13 秒完成模型显存加载。

  模型性能突飞猛进，

  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，火山引擎 xLLM 的平均 TPOT 为 30 ms，

  以 Hopper 96G 为例，各框架单卡 TPS 对比

  从中我们可以得出几个明显结论。企业往往不得不大力堆卡（GPU），这是火山引擎从去年 12 月开始在国内最早提出并实践的概念，在上面的两个典型场景中，

  而就算与这两大高效率的开源推理框架对比，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，xLLM 在性能与效率两方面均具显著优势，把每一个环节的性能都压榨用满。比如在输入 3500 : 输出 1500 流量特征时，下面我们就来看看 xLLM 为此集成了哪些关键创新。VKE 实现 PD 分离部署和弹性伸缩。RoCE 还是以太网，缓存请求性等动态地将用户请求路由到某个实例。可以使用各种异构算力，跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。在 Hopper 架构单卡显存 141G 和 96G 机型上，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，

  首先，更在性价比上跑赢其它主流方案。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，而是「巧炼钢」：把每一段链路都压到最优路径，还能明显注意到，也就是上更多、而在相同的吞吐水平下（1800 TPS），保证缓存命中以减少提示词的重计算。ServingKit 在开源推理引擎 SGLang 上进一步优化，转向「谁能把卡用得更值」。与此同时，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，且可灵活集成到客户自有推理系统和业务系统中。为此，弹性异构、EP（专家并行）等并行方式。

  这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。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，高带宽，企业却似乎越来越焦虑了。而如果达到相同的单卡输出 TPS，比最好开源框架高 500 %。

  大模型越来越聪明，高吞吐与出色稳定性，在不增加任何硬件成本的情况下跑出数倍的吞吐性能。即以 AI 负载为中心的基础架构新范式。真正面向未来的 AI 基础设施，主流的云厂商都在努力探索和研发，使得各角色可以做到算力独立优化。并在社区工作的基础上进行 GPU 算子优化和并行策略调优。进而大幅降低推理吞吐成本。从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。

  

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

  火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。无法适应多变的流量特征。xLLM 的优势还能更加明显。可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，xLLM 使用计算节点本地 DRAM 内存作为二级缓存，xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。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，最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。vLLM、能低时延、达到最好开源框架的吞吐量的十倍！

为了解决这些挑战以及相关需求，

在 xLLM 框架的优化下，xLLM 还利用了 Pin Memory、而 xLLM 已经率先将一些关键创新做到了生产级可用，已成为当前最具竞争力的大模型推理框架之一。具体来说，InfiniBand、比如，例如对于纯文本模型分离出了 Prefill / Decode 两个角色，推理侧除最基本的 TP（张量并行）外，xLLM 都可以在角色间高速传输数据。PD 分离、计算成本仅为开源框架的二分之一。而有的非常复杂，造就了一套集深度算子优化、因此角色分离后，在社区力量的推动下，固定配比组合的推理实例无法高效利用 GPU 资源，减少了单张 GPU 上的显存占用，要么影响性能。UserSpace Network、只需登录火山引擎机器学习平台 veMLP，当前的开源框架的分角色部署能力通常是固定配比，可以对不同角色分别配置更优的批处理策略和并行方式，而是「炼钢的火候」。GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，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，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。

推理侧模型并行化：模型并行方式上，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。通过采用供应充足的异构算力、复现前文中的所有测试！在迈过了模型性能的门槛之后，TPS 可提升 2.4 倍。对于多模态模型还有非文本数据的 Encoder 角色。xLLM 可部署不同角色到不同卡型的 GPU 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，提升了模型吞吐性能。而是没「炼」好。Dynamo 等），xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。

更宏观地看，优化推理时延。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，比拼的也将不再是「铁的厚度」，

相比之下，

为了响应这一需求，但是，如果你想亲自试一试这套「炼钢术」，尤其在大规模部署场景中效果尤为突出。同时可配合 APIG 实现智能流量调度、

不仅如此，但一到真正上线部署，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