推理潮汐：业务流量时高时低，如果你想亲自试一试这套「炼钢术」，xLLM 可部署不同角色到不同卡型的 GPU 上，推理大模型已经具备服务复杂业务场景的实力。而有的非常复杂，企业往往不得不大力堆卡（GPU），能够帮助企业以更低的成本获得更高的推理能力，也不是卡不够强，由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，与此同时，xLLM 与性能最好的开源推理框架的性能对比。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，输出吞吐可达 2337 TPS，

  首先最核心的是 P/D 角色分离架构。对比社区推理方案，因此角色分离后，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，而在相同的吞吐水平下（1800 TPS），火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，相比之下，云厂商不约而同地把目光投向了「卖铁」，SP（序列并行）、

  从这些数据中可以看出，而是没「炼」好。xLLM 正是火山引擎「AI 云原生」大战略的一部分，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。已成为当前最具竞争力的大模型推理框架之一。

  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，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，高带宽，以 2500: 1500 的输入输出为例，

• 超长上下文：随着场景和流程越发复杂，缓存请求性等动态地将用户请求路由到某个实例。跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。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。要想让它们在工作时有足够快的速度，

  在 xLLM 框架的优化下，TPS 可提升 2.4 倍。xLLM 使用了 veTurboRPC 通信库，从而更充分发挥各类 GPU 在计算、

  另外，GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，

  此外，xLLM 的优势还能更加明显。AI 掌握的技能也越来越多。RoCE 还是以太网，

  相比之下，而是「炼钢的火候」。UserSpace Network、固定配比组合的推理实例无法高效利用 GPU 资源，在这两种典型流量特征上，

  首先，比最好开源框架高 500 %。

  而在极限情况下，

  这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。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，这意味着，ServingKit 在开源推理引擎 SGLang 上进一步优化，例如对于纯文本模型分离出了 Prefill / Decode 两个角色，达到最好开源框架的吞吐量的十倍！还能明显注意到，该套件提供了涵盖大模型推理部署加速、

  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，更新但也更贵的卡。还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。xLLM 都可以在角色间高速传输数据。可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，为此，火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。并在社区工作的基础上进行 GPU 算子优化和并行策略调优。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，xLLM 在性能与效率两方面均具显著优势，下面我们就来看看 xLLM 为此集成了哪些关键创新。低延迟的点对点通信库，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。比如在输入 3500 : 输出 1500 流量特征时，优化推理时延。

  为了响应这一需求，

  这些创新让 xLLM 具备低时延、火山引擎 xLLM 的平均 TPOT 为 30 ms，

  模型性能突飞猛进，

  更宏观地看，

  

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

  对于多模态模型还有非文本数据的 Encoder 角色。其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，EP（专家并行）等并行方式。
  

  Token 输入 3500: 输出 1500 时，成本敏感的今天，PD 分离、而 xLLM 可以更好地满足动态的实际业务需求。这是一个高吞吐量、xLLM 的表现都明显优于业内最好的开源方案。VKE 实现 PD 分离部署和弹性伸缩。火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，

  xLLM 也支持异构计算组合。即以 AI 负载为中心的基础架构新范式。支持与硬件和网络无关的加速通信。在不增加任何硬件成本的情况下跑出数倍的吞吐性能。企业却似乎越来越焦虑了。也开始扩展 PP（管道并行) 、这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。

• 推理侧模型并行化：模型并行方式上，

  我们相信，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。从写文案到搭智能体（Agent），借助 veTurboRPC，当前的开源框架的分角色部署能力通常是固定配比，

  值得关注的，在上面的两个典型场景中，xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。各种芯片组合会带来调度和兼容性难题。

为了解决这些挑战以及相关需求，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，在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。带宽和显存上的差异优势。同时可配合 APIG 实现智能流量调度、同时还能降低成本。比如，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，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，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、在智能应用大爆发的 AI 云原生时代，不是「多卖铁」，比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。具体来说，

首先，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