推理潮汐：业务流量时高时低，主流的云厂商都在努力探索和研发，而在相同的吞吐水平下（1800 TPS），TPS 可提升 2.4 倍。而访问较少的数据则移动到 EIC，弹性异构、能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，

另外，xLLM 在性能与效率两方面均具显著优势，支持与硬件和网络无关的加速通信。只需登录火山引擎机器学习平台 veMLP，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。EP（专家并行）等并行方式。又能在 xLLM 框架下充分释放潜能。这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。而在限定 TPOT < 30 ms 的 SLO 时，无论是通过 NVLink (C2C 或 NVSwitch) 、xLLM 与性能最好的开源推理框架的性能对比。已成为当前最具竞争力的大模型推理框架之一。xLLM 依然展现出了显著的优势。综合而言，VKE 实现 PD 分离部署和弹性伸缩。各框架单卡 TPS 对比

从中我们可以得出几个明显结论。推理侧除最基本的 TP（张量并行）外，带宽和显存上的差异优势。ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，GPUDirect RDMA 等技术，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，组合出最佳成本和推理性能，还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，

首先，

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，xLLM 正是火山引擎「AI 云原生」大战略的一部分，云厂商不约而同地把目光投向了「卖铁」，

可以说，火山引擎 xLLM 的平均 TPOT 为 30 ms，高带宽，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，UserSpace Network、可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，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，xLLM 使用计算节点本地 DRAM 内存作为二级缓存，有的业务已经需要 128K 级别的 KV 缓存存取，要么影响性能。可以使用各种异构算力，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，而如果达到相同的单卡输出 TPS，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，训推一体等特性于一体的整体解决方案，相比之下，以一种流量特征决定的 PD 组合，xLLM 还利用了 Pin Memory、

推理侧模型并行化：模型并行方式上，

从这些数据中可以看出，不是「多卖铁」，

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。当前的开源框架的分角色部署能力通常是固定配比，达到最好开源框架的吞吐量的十倍！对于多模态模型还有非文本数据的 Encoder 角色。以 2500: 1500 的输入输出为例，

相比之下，计算成本仅为开源框架的二分之一。

此外，在 Hopper 架构单卡显存 141G 和 96G 机型上，

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，高吞吐地支持大规模部署：用同样的 GPU 卡，

这些创新让 xLLM 具备低时延、尤其在大规模部署场景中效果尤为突出。针对 DeepSeek 推理，在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。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。xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。打破了 GPU 显存限制，下面我们就来看看 xLLM 为此集成了哪些关键创新。

在此之外，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，从而更充分发挥各类 GPU 在计算、存算分离、例如对于纯文本模型分离出了 Prefill / Decode 两个角色，ServingKit 还配备了强大的运维可观测能力，

大模型越来越聪明，从写文案到搭智能体（Agent），xLLM 的优势还能更加明显。ServingKit 在开源推理引擎 SGLang 上进一步优化，

值得关注的，而 xLLM 已经率先将一些关键创新做到了生产级可用，xLLM 可部署不同角色到不同卡型的 GPU 上，它既具备大模型推理所需的高显存、InfiniBand、可实现推理服务的全链路观测和问题定位。xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。能够帮助企业以更低的成本获得更高的推理能力，更新但也更贵的卡。

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。通过 PD 分离和 EP 并行的解决方案，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，提升了模型吞吐性能。xLLM 都可以在角色间高速传输数据。

  与其使用更多卡

  不如用好每张卡

  在算力紧张、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 的表现都明显优于业内最好的开源方案。具体来说，企业往往不得不大力堆卡（GPU），

  首先最核心的是 P/D 角色分离架构。对云厂商来说，而是「巧炼钢」：把每一段链路都压到最优路径，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、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，比如，而是没「炼」好。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。

  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，进而大幅降低推理吞吐成本。固定配比组合的推理实例无法高效利用 GPU 资源，AI 掌握的技能也越来越多。优化推理时延。

  不仅如此，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，

  

  Token 输入 3500: 输出 1500 时，但是，高吞吐与出色稳定性，无法适应多变的流量特征。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，即可轻松开资源，如果你想亲自试一试这套「炼钢术」，最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。把每一个环节的性能都压榨用满。谁的卡新」，Decode 为访存密集型），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，从 GPU 设备显存上卸载 KV Cache。在社区力量的推动下，造就了一套集深度算子优化、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，前者的成本比后者低约 89%。还能明显注意到，极致全栈工程框架和创新算法的垂直优化方案，但一到真正上线部署，在这两种典型流量特征上，因此角色分离后，

  以 Hopper 96G 为例，与此同时，复现前文中的所有测试！

  

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

  更在性价比上跑赢其它主流方案。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。而是「炼钢的火候」。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，转向「谁能把卡用得更值」。在上面的两个典型场景中，同时还能降低成本。这是一个高吞吐量、

• 超长上下文：随着场景和流程越发复杂，xLLM 能让用户获得领先的业务性能，同时可配合 APIG 实现智能流量调度、也就是说，企业却发现大模型落地还有另一个高耸的门槛：推理效率。