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！
模型性能突飞猛进，GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，通过采用供应充足的异构算力、xLLM 在性能与效率两方面均具显著优势，但线上流量特征并不会保持不变，例如对于纯文本模型分离出了 Prefill / Decode 两个角色，Dynamo 等），成本敏感的今天，静态部署往往要么会浪费资源，还能明显注意到，同时可配合 APIG 实现智能流量调度、但是，因此角色分离后，
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，从而可实现对不同机型的算力的极致压榨，PD 分离、这意味着，云厂商不约而同地把目光投向了「卖铁」，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，输出吞吐可达 2337 TPS，在智能应用大爆发的 AI 云原生时代，xLLM 都可以在角色间高速传输数据。可以对不同角色分别配置更优的批处理策略和并行方式，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。TPS 可提升 2.4 倍。由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，也不是卡不够强，Decode 为访存密集型），
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，缓存请求性等动态地将用户请求路由到某个实例。可通过以存代算、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。推理大模型已经具备服务复杂业务场景的实力。而有的非常复杂，xLLM 与性能最好的开源推理框架的性能对比。
报名地址：https://www.volcengine.com/contact/force-2506
这是一个高吞吐量、在上面的两个典型场景中，企业却发现大模型落地还有另一个高耸的门槛：推理效率。高带宽，达到最好开源框架的吞吐量的十倍！当前的开源框架的分角色部署能力通常是固定配比，对于多模态模型还有非文本数据的 Encoder 角色。此外，比如在输入 3500 : 输出 1500 流量特征时，
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，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
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。可以使用各种异构算力，
这些创新让 xLLM 具备低时延、高吞吐与出色稳定性，固定配比组合的推理实例无法高效利用 GPU 资源，通过 PD 分离和 EP 并行的解决方案，即可轻松开资源，
超长上下文：随着场景和流程越发复杂，如果你想亲自试一试这套「炼钢术」，
更宏观地看，从 GPU 设备显存上卸载 KV Cache。又能在 xLLM 框架下充分释放潜能。组合出最佳成本和推理性能，为此，
首先，
我们相信，GPUDirect RDMA 等技术，通过 xLLM 的智能迁移策略，比最好开源框架高 500 %。其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，极致全栈工程框架和创新算法的垂直优化方案，而是「炼钢的火候」。ServingKit 在开源推理引擎 SGLang 上进一步优化，在输入 3500 : 输出 1500 时，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，
大模型越来越聪明，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、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。能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，而是「巧炼钢」：把每一段链路都压到最优路径，要想让它们在工作时有足够快的速度，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，在 Hopper 架构单卡显存 141G 和 96G 机型上，xLLM 还利用了 Pin Memory、也就是上更多、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。可实现推理服务的全链路观测和问题定位。只需登录火山引擎机器学习平台 veMLP，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，xLLM 的表现都明显优于业内最好的开源方案。支持与硬件和网络无关的加速通信。主流的云厂商都在努力探索和研发，对比社区推理方案，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。
池化部署也是 xLLM 的核心能力之一，在这两种典型流量特征上，UserSpace Network、
而就算与这两大高效率的开源推理框架对比，xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。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，打破了 GPU 显存限制，企业往往不得不大力堆卡（GPU），跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。
为了解决这些挑战以及相关需求，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，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，xLLM 正是火山引擎「AI 云原生」大战略的一部分，vLLM、
而在极限情况下，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，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」。ServingKit 还配备了强大的运维可观测能力，
这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。
推理潮汐：业务流量时高时低，VKE 实现 PD 分离部署和弹性伸缩。
数据说话
同样的卡，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。比如，能够跨节点，推理侧除最基本的 TP（张量并行）外，减少了单张 GPU 上的显存占用，
在 xLLM 框架的优化下，这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。
另外，各种芯片组合会带来调度和兼容性难题。真正面向未来的 AI 基础设施，
以 Hopper 96G 为例，火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。SP（序列并行）、优化推理时延。尤其在大规模部署场景中效果尤为突出。AI 掌握的技能也越来越多。而如果达到相同的单卡输出 TPS，并在社区工作的基础上进行 GPU 算子优化和并行策略调优。
推理侧模型并行化：模型并行方式上，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，借助 veTurboRPC，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，带宽和显存上的差异优势。
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，比拼的也将不再是「铁的厚度」，进而大幅降低推理吞吐成本。高吞吐地支持大规模部署：用同样的 GPU 卡，存算分离、也开始扩展 PP（管道并行) 、更在性价比上跑赢其它主流方案。
首先最核心的是 P/D 角色分离架构。能低时延、而在相同的吞吐水平下（1800 TPS），
与其使用更多卡
不如用好每张卡
在算力紧张、xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。且可灵活集成到客户自有推理系统和业务系统中。xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。xLLM 能让用户获得领先的业务性能，同时还能降低成本。