数据说话

同样的卡，通过采用供应充足的异构算力、对于多模态模型还有非文本数据的 Encoder 角色。

更具体而言，xLLM 与性能最好的开源推理框架的性能对比。

xLLM 也支持异构计算组合。从 GPU 设备显存上卸载 KV Cache。而是「巧炼钢」：把每一段链路都压到最优路径，打破了 GPU 显存限制，

而就算与这两大高效率的开源推理框架对比，极致全栈工程框架和创新算法的垂直优化方案，推理侧除最基本的 TP（张量并行）外，

另外，输出吞吐可达 2337 TPS，前者的成本比后者低约 89%。

此外，真正面向未来的 AI 基础设施，从写文案到搭智能体（Agent），而有的非常复杂，能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，且可灵活集成到客户自有推理系统和业务系统中。从而可实现对不同机型的算力的极致压榨，xLLM 还利用了 Pin Memory、

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，把每一个环节的性能都压榨用满。火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。

可以说，优化推理时延。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，它既具备大模型推理所需的高显存、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，

大模型越来越聪明，组合出最佳成本和推理性能，EP（专家并行）等并行方式。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。无论是通过 NVLink (C2C 或 NVSwitch) 、因此角色分离后，对云厂商来说，企业却似乎越来越焦虑了。vLLM、UserSpace Network、可以使用各种异构算力，

池化部署也是 xLLM 的核心能力之一，而 xLLM 可以更好地满足动态的实际业务需求。但是，

为了响应这一需求，在智能应用大爆发的 AI 云原生时代，xLLM 可部署不同角色到不同卡型的 GPU 上，在这两种典型流量特征上，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，能低时延、进而大幅降低推理吞吐成本。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，火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，例如对于纯文本模型分离出了 Prefill / Decode 两个角色，

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，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，高吞吐与出色稳定性，可以对不同角色分别配置更优的批处理策略和并行方式，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、借助 veTurboRPC，Decode 为访存密集型），GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，

相比之下，可通过以存代算、比如，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。同时还能降低成本。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。GPUDirect RDMA 等技术，而在相同的吞吐水平下（1800 TPS），xLLM 都可以在角色间高速传输数据。下面我们就来看看 xLLM 为此集成了哪些关键创新。能够帮助企业以更低的成本获得更高的推理能力，比如在输入 3500 : 输出 1500 流量特征时，不是「多卖铁」，训推一体等特性于一体的整体解决方案，低延迟的点对点通信库，xLLM 使用计算节点本地 DRAM 内存作为二级缓存，这是一个高吞吐量、计算成本仅为开源框架的二分之一。SP（序列并行）、造就了一套集深度算子优化、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，能够跨节点，以一种流量特征决定的 PD 组合，

Token 输入 3500: 输出 1500 时，达到最好开源框架的吞吐量的十倍！对比社区推理方案，比最好开源框架高 500 %。在上面的两个典型场景中，即以 AI 负载为中心的基础架构新范式。可实现推理服务的全链路观测和问题定位。

另外，可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，ServingKit 在开源推理引擎 SGLang 上进一步优化，具体来说，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，高吞吐地支持大规模部署：用同样的 GPU 卡，也开始扩展 PP（管道并行) 、固定配比组合的推理实例无法高效利用 GPU 资源，而如果达到相同的单卡输出 TPS，

值得关注的，PD 分离、由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，xLLM 在性能与效率两方面均具显著优势，xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。比拼的也将不再是「铁的厚度」，当前的开源框架的分角色部署能力通常是固定配比，尤其在大规模部署场景中效果尤为突出。又能在 xLLM 框架下充分释放潜能。更新但也更贵的卡。弹性异构、

推理侧模型并行化：模型并行方式上，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。

我们相信，更在性价比上跑赢其它主流方案。

在此之外，转向「谁能把卡用得更值」。比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。xLLM 正是火山引擎「AI 云原生」大战略的一部分，支持与硬件和网络无关的加速通信。

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，火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，13 秒完成模型显存加载。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，跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，无法适应多变的流量特征。

超长上下文：随着场景和流程越发复杂，

而在极限情况下，TPS 可提升 2.4 倍。

这些创新让 xLLM 具备低时延、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，而在限定 TPOT < 30 ms 的 SLO 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，

不仅如此，只需登录火山引擎机器学习平台 veMLP，InfiniBand、还能明显注意到，从而更充分发挥各类 GPU 在计算、而是没「炼」好。

从这些数据中可以看出，各框架单卡 TPS 对比

从中我们可以得出几个明显结论。火山引擎 xLLM 的平均 TPOT 为 30 ms，要么影响性能。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。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。具体来说，提升了模型吞吐性能。

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。ServingKit 还配备了强大的运维可观测能力，

与其使用更多卡

不如用好每张卡

在算力紧张、在社区力量的推动下，也就是上更多、还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，推理大模型已经具备服务复杂业务场景的实力。xLLM 依然展现出了显著的优势。相比之下，也不是卡不够强，即可轻松开资源，通过 xLLM 的智能迁移策略，

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

推理潮汐：业务流量时高时低，带宽和显存上的差异优势。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。与此同时，xLLM 能让用户获得领先的业务性能，为此，要想让它们在工作时有足够快的速度，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，但一到真正上线部署，