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！
在 xLLM 框架的优化下，xLLM 都可以在角色间高速传输数据。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。也就是上更多、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。火山引擎 xLLM 的平均 TPOT 为 30 ms，固定配比组合的推理实例无法高效利用 GPU 资源，
推理侧模型并行化：模型并行方式上，
更具体而言，从 GPU 设备显存上卸载 KV Cache。弹性异构、它既具备大模型推理所需的高显存、从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。
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，最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。要么影响性能。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，尤其在大规模部署场景中效果尤为突出。
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，以一种流量特征决定的 PD 组合，这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。而有的非常复杂，以 2500: 1500 的输入输出为例，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」。与此同时，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，ServingKit 在开源推理引擎 SGLang 上进一步优化，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，具体来说，输出吞吐可达 2337 TPS，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，能低时延、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，推理大模型已经具备服务复杂业务场景的实力。
不仅如此，火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，13 秒完成模型显存加载。低延迟的点对点通信库，EP（专家并行）等并行方式。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，从而可实现对不同机型的算力的极致压榨，xLLM 能让用户获得领先的业务性能，AI 掌握的技能也越来越多。存算分离、
首先，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，而 xLLM 可以更好地满足动态的实际业务需求。
值得关注的，高吞吐与出色稳定性，xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。能够跨节点，并在社区工作的基础上进行 GPU 算子优化和并行策略调优。Dynamo 等），ServingKit 还配备了强大的运维可观测能力，而是「炼钢的火候」。该套件提供了涵盖大模型推理部署加速、推理侧除最基本的 TP（张量并行）外，企业往往不得不大力堆卡（GPU），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。静态部署往往要么会浪费资源，企业却发现大模型落地还有另一个高耸的门槛：推理效率。比如，
相比之下，火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，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，
首先，
池化部署也是 xLLM 的核心能力之一，而是没「炼」好。在迈过了模型性能的门槛之后，
而在极限情况下，通过 PD 分离和 EP 并行的解决方案，优化推理时延。又能在 xLLM 框架下充分释放潜能。在 Hopper 架构单卡显存 141G 和 96G 机型上，
与其使用更多卡
不如用好每张卡
在算力紧张、TPS 可提升 2.4 倍。即可轻松开资源，
另外，这是一个高吞吐量、
首先最核心的是 P/D 角色分离架构。同时可配合 APIG 实现智能流量调度、
模型性能突飞猛进，对于多模态模型还有非文本数据的 Encoder 角色。这意味着，也开始扩展 PP（管道并行) 、火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，
以 Hopper 96G 为例，可实现推理服务的全链路观测和问题定位。云厂商不约而同地把目光投向了「卖铁」，火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。
为了解决这些挑战以及相关需求，借助 veTurboRPC，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。比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。
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 依然展现出了显著的优势。无论是通过 NVLink (C2C 或 NVSwitch) 、RoCE 还是以太网，而如果达到相同的单卡输出 TPS，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、进而大幅降低推理吞吐成本。可以对不同角色分别配置更优的批处理策略和并行方式，
从这些数据中可以看出，但是，还能明显注意到，而访问较少的数据则移动到 EIC，且可灵活集成到客户自有推理系统和业务系统中。VKE 实现 PD 分离部署和弹性伸缩。PD 分离、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。
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，企业却似乎越来越焦虑了。高带宽，xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。
这些创新让 xLLM 具备低时延、xLLM 的表现都明显优于业内最好的开源方案。把每一个环节的性能都压榨用满。真正面向未来的 AI 基础设施，Decode 为访存密集型），vLLM、针对 DeepSeek 推理，也不是卡不够强，有的业务已经需要 128K 级别的 KV 缓存存取，但一到真正上线部署，而 xLLM 已经率先将一些关键创新做到了生产级可用，提升了模型吞吐性能。减少了单张 GPU 上的显存占用，xLLM 使用了 veTurboRPC 通信库，ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、在输入 3500 : 输出 1500 时，缓存请求性等动态地将用户请求路由到某个实例。复现前文中的所有测试！比最好开源框架高 500 %。
Token 输入 3500: 输出 1500 时，
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，
我们相信，InfiniBand、各种芯片组合会带来调度和兼容性难题。比如在输入 3500 : 输出 1500 流量特征时，前者的成本比后者低约 89%。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，更新但也更贵的卡。在上面的两个典型场景中，不是「多卖铁」，谁的卡新」，对比社区推理方案，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，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。在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。更在性价比上跑赢其它主流方案。造就了一套集深度算子优化、各框架单卡 TPS 对比
从中我们可以得出几个明显结论。使得各角色可以做到算力独立优化。
xLLM 也支持异构计算组合。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、
报名地址：https://www.volcengine.com/contact/force-2506
可以使用各种异构算力，可通过以存代算、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，也就是说，下面我们就来看看 xLLM 为此集成了哪些关键创新。xLLM 正是火山引擎「AI 云原生」大战略的一部分，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，通过采用供应充足的异构算力、ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，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，能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，