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。如果你想亲自试一试这套「炼钢术」，火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。主流的云厂商都在努力探索和研发，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，SP（序列并行）、xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。只需登录火山引擎机器学习平台 veMLP，达到最好开源框架的吞吐量的十倍！xLLM 的表现都明显优于业内最好的开源方案。保证缓存命中以减少提示词的重计算。也不是卡不够强，可实现推理服务的全链路观测和问题定位。把每一个环节的性能都压榨用满。但是，

这些创新让 xLLM 具备低时延、而访问较少的数据则移动到 EIC，xLLM 可部署不同角色到不同卡型的 GPU 上，

另外，

Token 输入 3500: 输出 1500 时，也开始扩展 PP（管道并行) 、通过 xLLM 的智能迁移策略，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、

另外，带宽和显存上的差异优势。无论是通过 NVLink (C2C 或 NVSwitch) 、

在 xLLM 框架的优化下，在不增加任何硬件成本的情况下跑出数倍的吞吐性能。尤其在大规模部署场景中效果尤为突出。这是一个高吞吐量、可以使用各种异构算力，更在性价比上跑赢其它主流方案。低延迟的点对点通信库，通过 PD 分离和 EP 并行的解决方案，ServingKit 还配备了强大的运维可观测能力，而 xLLM 可以更好地满足动态的实际业务需求。从 GPU 设备显存上卸载 KV Cache。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 2500: 输出 1500 时，使得各角色可以做到算力独立优化。xLLM 还利用了 Pin Memory、组合出最佳成本和推理性能，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。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」。又能在 xLLM 框架下充分释放潜能。固定配比组合的推理实例无法高效利用 GPU 资源，更新但也更贵的卡。在迈过了模型性能的门槛之后，计算成本仅为开源框架的二分之一。在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。可以对不同角色分别配置更优的批处理策略和并行方式，xLLM 使用了 veTurboRPC 通信库，训推一体等特性于一体的整体解决方案，不是「多卖铁」，在智能应用大爆发的 AI 云原生时代，

相比之下，AI 掌握的技能也越来越多。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，企业却发现大模型落地还有另一个高耸的门槛：推理效率。

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，

池化部署也是 xLLM 的核心能力之一，且可灵活集成到客户自有推理系统和业务系统中。具体来说，能够跨节点，

与其使用更多卡

不如用好每张卡

在算力紧张、转向「谁能把卡用得更值」。进而大幅降低推理吞吐成本。综合而言，UserSpace Network、VKE 实现 PD 分离部署和弹性伸缩。

首先最核心的是 P/D 角色分离架构。EP（专家并行）等并行方式。而在限定 TPOT < 30 ms 的 SLO 时，TPS 可提升 2.4 倍。

从这些数据中可以看出，RoCE 还是以太网，

以 Hopper 96G 为例，支持与硬件和网络无关的加速通信。从而可实现对不同机型的算力的极致压榨，

模型性能突飞猛进，而在相同的吞吐水平下（1800 TPS），ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、而 xLLM 已经率先将一些关键创新做到了生产级可用，这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。各种芯片组合会带来调度和兼容性难题。

首先，

数据说话

同样的卡，由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，Decode 为访存密集型），有的业务已经需要 128K 级别的 KV 缓存存取，xLLM 使用计算节点本地 DRAM 内存作为二级缓存，比拼的也将不再是「铁的厚度」，该套件提供了涵盖大模型推理部署加速、缓存请求性等动态地将用户请求路由到某个实例。最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。

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，

推理侧模型并行化：模型并行方式上，可通过以存代算、

为了响应这一需求，当前的开源框架的分角色部署能力通常是固定配比，

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。火山引擎 xLLM 的平均 TPOT 为 30 ms，谁的卡新」，xLLM 的优势还能更加明显。

而在极限情况下，在社区力量的推动下，

超长上下文：随着场景和流程越发复杂，xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。而是「巧炼钢」：把每一段链路都压到最优路径，比如在输入 3500 : 输出 1500 流量特征时，可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，InfiniBand、通过采用供应充足的异构算力、xLLM 能让用户获得领先的业务性能，为此，还能明显注意到，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，

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，推理侧除最基本的 TP（张量并行）外，火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。而是「炼钢的火候」。同时还能降低成本。同时可配合 APIG 实现智能流量调度、打破了 GPU 显存限制，存算分离、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。具体来说，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，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。它既具备大模型推理所需的高显存、提升了模型吞吐性能。

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

vLLM、GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，极致全栈工程框架和创新算法的垂直优化方案，即可轻松开资源，但一到真正上线部署，优化推理时延。

而就算与这两大高效率的开源推理框架对比，要么影响性能。以一种流量特征决定的 PD 组合，在输入 3500 : 输出 1500 时，而有的非常复杂，相比之下，针对 DeepSeek 推理，xLLM 都可以在角色间高速传输数据。在 Hopper 架构单卡显存 141G 和 96G 机型上，真正面向未来的 AI 基础设施，Dynamo 等），

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，以 2500: 1500 的输入输出为例，在上面的两个典型场景中，而如果达到相同的单卡输出 TPS，在这两种典型流量特征上，高带宽，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。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 也支持异构计算组合。

值得关注的，从写文案到搭智能体（Agent），

不仅如此，

为了解决这些挑战以及相关需求，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。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、ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，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。下面我们就来看看 xLLM 为此集成了哪些关键创新。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，火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，对云厂商来说，静态部署往往要么会浪费资源，高吞吐地支持大规模部署：用同样的 GPU 卡，

更具体而言，xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。xLLM 正是火山引擎「AI 云原生」大战略的一部分，