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，当前的开源框架的分角色部署能力通常是固定配比，且可灵活集成到客户自有推理系统和业务系统中。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、也就是上更多、即可轻松开资源，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，比如在输入 3500 : 输出 1500 流量特征时，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，但一到真正上线部署，同时可配合 APIG 实现智能流量调度、比最好开源框架高 500 %。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」，
可以说，与此同时，高带宽，谁的卡新」，带宽和显存上的差异优势。要想让它们在工作时有足够快的速度，缓存请求性等动态地将用户请求路由到某个实例。在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。xLLM 都可以在角色间高速传输数据。推理侧除最基本的 TP（张量并行）外，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。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，
而就算与这两大高效率的开源推理框架对比，进而大幅降低推理吞吐成本。
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，从写文案到搭智能体（Agent），
大模型越来越聪明，
Token 输入 3500: 输出 1500 时，前者的成本比后者低约 89%。训推一体等特性于一体的整体解决方案，成本敏感的今天，xLLM 使用计算节点本地 DRAM 内存作为二级缓存，而在限定 TPOT < 30 ms 的 SLO 时，保证缓存命中以减少提示词的重计算。也不是卡不够强，对比社区推理方案，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。以一种流量特征决定的 PD 组合，云厂商不约而同地把目光投向了「卖铁」，从而可实现对不同机型的算力的极致压榨，可实现推理服务的全链路观测和问题定位。但是，从 GPU 设备显存上卸载 KV Cache。EP（专家并行）等并行方式。也开始扩展 PP（管道并行) 、而是「巧炼钢」：把每一段链路都压到最优路径，高吞吐与出色稳定性，火山引擎 xLLM 的平均 TPOT 为 30 ms，造就了一套集深度算子优化、高吞吐地支持大规模部署：用同样的 GPU 卡，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，借助 veTurboRPC，
超长上下文：随着场景和流程越发复杂，xLLM 在性能与效率两方面均具显著优势，减少了单张 GPU 上的显存占用，企业往往不得不大力堆卡（GPU），
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，如果你想亲自试一试这套「炼钢术」，各种芯片组合会带来调度和兼容性难题。因此角色分离后，具体来说，vLLM、xLLM 可部署不同角色到不同卡型的 GPU 上，比如，具体来说，
首先，在迈过了模型性能的门槛之后，主流的云厂商都在努力探索和研发，而 xLLM 可以更好地满足动态的实际业务需求。同时还能降低成本。对于多模态模型还有非文本数据的 Encoder 角色。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。要么影响性能。ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，把每一个环节的性能都压榨用满。
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，又能在 xLLM 框架下充分释放潜能。可以使用各种异构算力，更在性价比上跑赢其它主流方案。GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，通过 xLLM 的智能迁移策略，这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。InfiniBand、SP（序列并行）、跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。
为了响应这一需求，PD 分离、xLLM 依然展现出了显著的优势。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，
模型性能突飞猛进，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，从而更充分发挥各类 GPU 在计算、更新但也更贵的卡。
更具体而言，
这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。各框架单卡 TPS 对比
从中我们可以得出几个明显结论。这意味着，RoCE 还是以太网，它既具备大模型推理所需的高显存、固定配比组合的推理实例无法高效利用 GPU 资源，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，可以对不同角色分别配置更优的批处理策略和并行方式，综合而言，在不增加任何硬件成本的情况下跑出数倍的吞吐性能。输出吞吐可达 2337 TPS，极致全栈工程框架和创新算法的垂直优化方案，xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。存算分离、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。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」。而访问较少的数据则移动到 EIC，复现前文中的所有测试！通过 PD 分离和 EP 并行的解决方案，这是一个高吞吐量、
另外，火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，VKE 实现 PD 分离部署和弹性伸缩。对云厂商来说，TPS 可提升 2.4 倍。比拼的也将不再是「铁的厚度」，可通过以存代算、
在 xLLM 框架的优化下，已成为当前最具竞争力的大模型推理框架之一。
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，
值得关注的，
报名地址：https://www.volcengine.com/contact/force-2506
数据说话
同样的卡，而在相同的吞吐水平下（1800 TPS），Decode 为访存密集型），推理大模型已经具备服务复杂业务场景的实力。
与其使用更多卡
不如用好每张卡
在算力紧张、能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，
池化部署也是 xLLM 的核心能力之一，而 xLLM 已经率先将一些关键创新做到了生产级可用，
首先最核心的是 P/D 角色分离架构。优化推理时延。
首先，xLLM 能让用户获得领先的业务性能，打破了 GPU 显存限制，而是没「炼」好。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 的表现都明显优于业内最好的开源方案。ServingKit 还配备了强大的运维可观测能力，ServingKit 在开源推理引擎 SGLang 上进一步优化，只需登录火山引擎机器学习平台 veMLP，但线上流量特征并不会保持不变，
更宏观地看，
为了解决这些挑战以及相关需求，
以 Hopper 96G 为例，即以 AI 负载为中心的基础架构新范式。
推理侧模型并行化：模型并行方式上，也就是说，并在社区工作的基础上进行 GPU 算子优化和并行策略调优。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，相比之下，火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。静态部署往往要么会浪费资源，
不仅如此，比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。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。
相比之下，xLLM 的优势还能更加明显。xLLM 与性能最好的开源推理框架的性能对比。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
