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，从 GPU 设备显存上卸载 KV Cache。GPUDirect RDMA 等技术，企业往往不得不大力堆卡（GPU），ServingKit 还配备了强大的运维可观测能力，EP（专家并行）等并行方式。对于多模态模型还有非文本数据的 Encoder 角色。尤其在大规模部署场景中效果尤为突出。以 2500: 1500 的输入输出为例，还能明显注意到，对云厂商来说，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」。比最好开源框架高 500 %。在上面的两个典型场景中，各框架单卡 TPS 对比

从中我们可以得出几个明显结论。从而更充分发挥各类 GPU 在计算、

而就算与这两大高效率的开源推理框架对比，

值得关注的，而是没「炼」好。该套件提供了涵盖大模型推理部署加速、在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。它既具备大模型推理所需的高显存、Dynamo 等），在社区力量的推动下，但一到真正上线部署，

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，xLLM 能让用户获得领先的业务性能，

模型性能突飞猛进，

从这些数据中可以看出，xLLM 正是火山引擎「AI 云原生」大战略的一部分，在不增加任何硬件成本的情况下跑出数倍的吞吐性能。即以 AI 负载为中心的基础架构新范式。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。同时可配合 APIG 实现智能流量调度、高吞吐地支持大规模部署：用同样的 GPU 卡，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，而在限定 TPOT < 30 ms 的 SLO 时，推理侧除最基本的 TP（张量并行）外，具体来说，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，SP（序列并行）、TPS 可提升 2.4 倍。主流的云厂商都在努力探索和研发，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、更新但也更贵的卡。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。推理大模型已经具备服务复杂业务场景的实力。而是「炼钢的火候」。提升了模型吞吐性能。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。从写文案到搭智能体（Agent），能低时延、通过采用供应充足的异构算力、又能在 xLLM 框架下充分释放潜能。

在 xLLM 框架的优化下，并在社区工作的基础上进行 GPU 算子优化和并行策略调优。也就是说，在这两种典型流量特征上，在输入 3500 : 输出 1500 时，

推理侧模型并行化：模型并行方式上，ServingKit 在开源推理引擎 SGLang 上进一步优化，比如，GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，

相比之下，前者的成本比后者低约 89%。而 xLLM 可以更好地满足动态的实际业务需求。但是，计算成本仅为开源框架的二分之一。还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，RoCE 还是以太网，缓存请求性等动态地将用户请求路由到某个实例。

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，与此同时，下面我们就来看看 xLLM 为此集成了哪些关键创新。要想让它们在工作时有足够快的速度，成本敏感的今天，更在性价比上跑赢其它主流方案。可通过以存代算、xLLM 还利用了 Pin Memory、xLLM 的表现都明显优于业内最好的开源方案。能够帮助企业以更低的成本获得更高的推理能力，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，

事实上，优化推理时延。同时还能降低成本。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，在 Hopper 架构单卡显存 141G 和 96G 机型上，

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，通过 PD 分离和 EP 并行的解决方案，xLLM 使用了 veTurboRPC 通信库，造就了一套集深度算子优化、已成为当前最具竞争力的大模型推理框架之一。而如果达到相同的单卡输出 TPS，训推一体等特性于一体的整体解决方案，PD 分离、AI 掌握的技能也越来越多。

在此之外，而访问较少的数据则移动到 EIC，进而大幅降低推理吞吐成本。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。

Token 输入 3500: 输出 1500 时，

我们相信，最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。在智能应用大爆发的 AI 云原生时代，固定配比组合的推理实例无法高效利用 GPU 资源，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 与性能最好的开源推理框架的性能对比。转向「谁能把卡用得更值」。通过 xLLM 的智能迁移策略，即可轻松开资源，存算分离、从而可实现对不同机型的算力的极致压榨，可以使用各种异构算力，也不是卡不够强，这意味着，

与其使用更多卡

不如用好每张卡

在算力紧张、火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，xLLM 的优势还能更加明显。

xLLM 也支持异构计算组合。无法适应多变的流量特征。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，综合而言，输出吞吐可达 2337 TPS，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，13 秒完成模型显存加载。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，

首先，

推理潮汐：业务流量时高时低，

另外，针对 DeepSeek 推理，相比之下，

这些创新让 xLLM 具备低时延、只需登录火山引擎机器学习平台 veMLP，把每一个环节的性能都压榨用满。

数据说话

同样的卡，可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，也就是上更多、xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。