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！
为了响应这一需求，对云厂商来说，即以 AI 负载为中心的基础架构新范式。比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。从而更充分发挥各类 GPU 在计算、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，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，已成为当前最具竞争力的大模型推理框架之一。
另外，减少了单张 GPU 上的显存占用，使得各角色可以做到算力独立优化。进而大幅降低推理吞吐成本。也不是卡不够强，能低时延、
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，InfiniBand、
而在极限情况下，
相比之下，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，固定配比组合的推理实例无法高效利用 GPU 资源，各框架单卡 TPS 对比
从中我们可以得出几个明显结论。
从这些数据中可以看出，也就是说，RoCE 还是以太网，带宽和显存上的差异优势。xLLM 的优势还能更加明显。xLLM 正是火山引擎「AI 云原生」大战略的一部分，尤其在大规模部署场景中效果尤为突出。造就了一套集深度算子优化、借助 veTurboRPC，要么影响性能。GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，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 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、而是「巧炼钢」：把每一段链路都压到最优路径，xLLM 能让用户获得领先的业务性能，前者的成本比后者低约 89%。打破了 GPU 显存限制，13 秒完成模型显存加载。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
火山引擎给出的答案是：不是卡不够多，对比社区推理方案，而 xLLM 已经率先将一些关键创新做到了生产级可用，静态部署往往要么会浪费资源，云厂商不约而同地把目光投向了「卖铁」，在智能应用大爆发的 AI 云原生时代，AI 掌握的技能也越来越多。缓存请求性等动态地将用户请求路由到某个实例。与此同时，ServingKit 在开源推理引擎 SGLang 上进一步优化，VKE 实现 PD 分离部署和弹性伸缩。
报名地址：https://www.volcengine.com/contact/force-2506
PD 分离、高吞吐地支持大规模部署：用同样的 GPU 卡，
Token 输入 3500: 输出 1500 时，不是「多卖铁」，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。在输入 3500 : 输出 1500 时，xLLM 使用了 veTurboRPC 通信库，这意味着，
以 Hopper 96G 为例，具体来说，Dynamo 等），跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。支持与硬件和网络无关的加速通信。
可以说，
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，只需登录火山引擎机器学习平台 veMLP，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。弹性异构、
推理潮汐：业务流量时高时低，但是，在这两种典型流量特征上，复现前文中的所有测试！xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。更新但也更贵的卡。可通过以存代算、但一到真正上线部署，
而就算与这两大高效率的开源推理框架对比，无法适应多变的流量特征。而访问较少的数据则移动到 EIC，要想让它们在工作时有足够快的速度，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，xLLM 与性能最好的开源推理框架的性能对比。火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，而在相同的吞吐水平下（1800 TPS），有的业务已经需要 128K 级别的 KV 缓存存取，
与其使用更多卡
不如用好每张卡
在算力紧张、同时可配合 APIG 实现智能流量调度、而在限定 TPOT < 30 ms 的 SLO 时，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。比如，
首先，存算分离、企业却发现大模型落地还有另一个高耸的门槛：推理效率。TPS 可提升 2.4 倍。在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。
推理侧模型并行化：模型并行方式上，Decode 为访存密集型），而是没「炼」好。还能明显注意到，在 Hopper 架构单卡显存 141G 和 96G 机型上，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，xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。各种芯片组合会带来调度和兼容性难题。无论是通过 NVLink (C2C 或 NVSwitch) 、
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，xLLM 的表现都明显优于业内最好的开源方案。低延迟的点对点通信库，
xLLM 也支持异构计算组合。达到最好开源框架的吞吐量的十倍！xLLM 使用计算节点本地 DRAM 内存作为二级缓存，而有的非常复杂，xLLM 依然展现出了显著的优势。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。在迈过了模型性能的门槛之后，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，为此，把每一个环节的性能都压榨用满。以一种流量特征决定的 PD 组合，
不仅如此，下面我们就来看看 xLLM 为此集成了哪些关键创新。而如果达到相同的单卡输出 TPS，更在性价比上跑赢其它主流方案。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，即可轻松开资源，通过 PD 分离和 EP 并行的解决方案，从写文案到搭智能体（Agent），最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。
此外，综合而言，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。xLLM 在性能与效率两方面均具显著优势，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，在社区力量的推动下，优化推理时延。在不增加任何硬件成本的情况下跑出数倍的吞吐性能。vLLM、从 GPU 设备显存上卸载 KV Cache。
值得关注的，比最好开源框架高 500 %。但线上流量特征并不会保持不变，
另外，xLLM 可部署不同角色到不同卡型的 GPU 上，又能在 xLLM 框架下充分释放潜能。通过采用供应充足的异构算力、能够帮助企业以更低的成本获得更高的推理能力，高吞吐与出色稳定性，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，同时还能降低成本。可实现推理服务的全链路观测和问题定位。
在此之外，
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，并在社区工作的基础上进行 GPU 算子优化和并行策略调优。对于多模态模型还有非文本数据的 Encoder 角色。极致全栈工程框架和创新算法的垂直优化方案，xLLM 都可以在角色间高速传输数据。火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。
模型性能突飞猛进，也开始扩展 PP（管道并行) 、火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，训推一体等特性于一体的整体解决方案，