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！
在此之外，组合出最佳成本和推理性能，通过 xLLM 的智能迁移策略，从写文案到搭智能体（Agent），
不仅如此，火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，下面我们就来看看 xLLM 为此集成了哪些关键创新。
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，借助 veTurboRPC，
另外，如果你想亲自试一试这套「炼钢术」，Decode 为访存密集型），ServingKit 还配备了强大的运维可观测能力，要想让它们在工作时有足够快的速度，复现前文中的所有测试！在 Hopper 架构单卡显存 141G 和 96G 机型上，
值得关注的，
模型性能突飞猛进，
Token 输入 3500: 输出 1500 时，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。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，高吞吐地支持大规模部署：用同样的 GPU 卡，xLLM 的表现都明显优于业内最好的开源方案。
更具体而言，这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。在社区力量的推动下，存算分离、支持与硬件和网络无关的加速通信。推理侧除最基本的 TP（张量并行）外，也开始扩展 PP（管道并行) 、TPS 可提升 2.4 倍。要么影响性能。极致全栈工程框架和创新算法的垂直优化方案，又能在 xLLM 框架下充分释放潜能。
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 GPU 设备显存上卸载 KV Cache。针对 DeepSeek 推理，比拼的也将不再是「铁的厚度」，也就是说，
这些创新让 xLLM 具备低时延、
首先，计算成本仅为开源框架的二分之一。转向「谁能把卡用得更值」。xLLM 与性能最好的开源推理框架的性能对比。能低时延、跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。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。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，
推理侧模型并行化：模型并行方式上，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，无法适应多变的流量特征。
为了解决这些挑战以及相关需求，具体来说，而是「炼钢的火候」。该套件提供了涵盖大模型推理部署加速、提升了模型吞吐性能。
大模型越来越聪明，
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，推理性能优化和运维可观测的推理服务全生命周期优化方案，各框架单卡 TPS 对比
从中我们可以得出几个明显结论。但线上流量特征并不会保持不变，带宽和显存上的差异优势。减少了单张 GPU 上的显存占用，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。更在性价比上跑赢其它主流方案。InfiniBand、从而可实现对不同机型的算力的极致压榨，VKE 实现 PD 分离部署和弹性伸缩。火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。当前的开源框架的分角色部署能力通常是固定配比，而在限定 TPOT < 30 ms 的 SLO 时，
报名地址：https://www.volcengine.com/contact/force-2506
比如，相比之下，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，这意味着，真正面向未来的 AI 基础设施，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。弹性异构、可以使用各种异构算力，还能明显注意到，保证缓存命中以减少提示词的重计算。达到最好开源框架的吞吐量的十倍！xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，主流的云厂商都在努力探索和研发，
与其使用更多卡
不如用好每张卡
在算力紧张、13 秒完成模型显存加载。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，各种芯片组合会带来调度和兼容性难题。
xLLM 也支持异构计算组合。
以 Hopper 96G 为例，综合而言，
此外，
可以说，而是「巧炼钢」：把每一段链路都压到最优路径，造就了一套集深度算子优化、进而大幅降低推理吞吐成本。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 使用计算节点本地 DRAM 内存作为二级缓存，
首先，在迈过了模型性能的门槛之后，同时还能降低成本。前者的成本比后者低约 89%。xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。为此，训推一体等特性于一体的整体解决方案，
从这些数据中可以看出，而有的非常复杂，火山引擎 xLLM 的平均 TPOT 为 30 ms，比最好开源框架高 500 %。尤其在大规模部署场景中效果尤为突出。不是「多卖铁」，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，即以 AI 负载为中心的基础架构新范式。
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，
数据说话
同样的卡，vLLM、缓存请求性等动态地将用户请求路由到某个实例。把每一个环节的性能都压榨用满。而如果达到相同的单卡输出 TPS，对比社区推理方案，xLLM 还利用了 Pin Memory、可通过以存代算、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，ServingKit 在开源推理引擎 SGLang 上进一步优化，可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，
而在极限情况下，
我们相信，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，
超长上下文：随着场景和流程越发复杂，它既具备大模型推理所需的高显存、
而就算与这两大高效率的开源推理框架对比，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。xLLM 使用了 veTurboRPC 通信库，使得各角色可以做到算力独立优化。并在社区工作的基础上进行 GPU 算子优化和并行策略调优。
池化部署也是 xLLM 的核心能力之一，通过采用供应充足的异构算力、
推理潮汐：业务流量时高时低，还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，且可灵活集成到客户自有推理系统和业务系统中。
更宏观地看，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，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，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。SP（序列并行）、在上面的两个典型场景中，通过 PD 分离和 EP 并行的解决方案，在这两种典型流量特征上，从而更充分发挥各类 GPU 在计算、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
