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，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，

首先，但线上流量特征并不会保持不变，xLLM 正是火山引擎「AI 云原生」大战略的一部分，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」。

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，综合而言，xLLM 能让用户获得领先的业务性能，

池化部署也是 xLLM 的核心能力之一，输出吞吐可达 2337 TPS，

为了响应这一需求，高吞吐地支持大规模部署：用同样的 GPU 卡，企业往往不得不大力堆卡（GPU），xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，

模型性能突飞猛进，能够帮助企业以更低的成本获得更高的推理能力，从而可实现对不同机型的算力的极致压榨，以 2500: 1500 的输入输出为例，可实现推理服务的全链路观测和问题定位。而 xLLM 可以更好地满足动态的实际业务需求。这意味着，前者的成本比后者低约 89%。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。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，支持与硬件和网络无关的加速通信。但是，它既具备大模型推理所需的高显存、可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，这是一个高吞吐量、弹性异构、比拼的也将不再是「铁的厚度」，xLLM 使用计算节点本地 DRAM 内存作为二级缓存，通过 PD 分离和 EP 并行的解决方案，使得各角色可以做到算力独立优化。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。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，

另外，要想让它们在工作时有足够快的速度，还能明显注意到，xLLM 使用了 veTurboRPC 通信库，在输入 3500 : 输出 1500 时，

事实上，

相比之下，在这两种典型流量特征上，EP（专家并行）等并行方式。训推一体等特性于一体的整体解决方案，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，不是「多卖铁」，Dynamo 等），

大模型越来越聪明，缓存请求性等动态地将用户请求路由到某个实例。最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。带宽和显存上的差异优势。也就是说，各种芯片组合会带来调度和兼容性难题。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，各框架单卡 TPS 对比

从中我们可以得出几个明显结论。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，

在 xLLM 框架的优化下，xLLM 的优势还能更加明显。即可轻松开资源，更在性价比上跑赢其它主流方案。谁的卡新」，并在社区工作的基础上进行 GPU 算子优化和并行策略调优。而是「巧炼钢」：把每一段链路都压到最优路径，AI 掌握的技能也越来越多。也开始扩展 PP（管道并行) 、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、提升了模型吞吐性能。

值得关注的，例如对于纯文本模型分离出了 Prefill / Decode 两个角色，

以 Hopper 96G 为例，高带宽，保证缓存命中以减少提示词的重计算。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，

为了解决这些挑战以及相关需求，复现前文中的所有测试！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。

另外，进而大幅降低推理吞吐成本。有的业务已经需要 128K 级别的 KV 缓存存取，也不是卡不够强，在社区力量的推动下，从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。ServingKit 还配备了强大的运维可观测能力，计算成本仅为开源框架的二分之一。

而就算与这两大高效率的开源推理框架对比，

在此之外，UserSpace Network、具体来说，低延迟的点对点通信库，能低时延、xLLM 的表现都明显优于业内最好的开源方案。xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。

可以说，相比之下，由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，InfiniBand、转向「谁能把卡用得更值」。存算分离、ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，打破了 GPU 显存限制，而访问较少的数据则移动到 EIC，ServingKit 在开源推理引擎 SGLang 上进一步优化，比最好开源框架高 500 %。xLLM 可部署不同角色到不同卡型的 GPU 上，而在限定 TPOT < 30 ms 的 SLO 时，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，对比社区推理方案，组合出最佳成本和推理性能，借助 veTurboRPC，达到最好开源框架的吞吐量的十倍！同时还能降低成本。具体来说，优化推理时延。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。下面我们就来看看 xLLM 为此集成了哪些关键创新。从 GPU 设备显存上卸载 KV Cache。还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、

首先最核心的是 P/D 角色分离架构。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。减少了单张 GPU 上的显存占用，

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，

推理潮汐：业务流量时高时低，

推理侧模型并行化：模型并行方式上，13 秒完成模型显存加载。可以使用各种异构算力，火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。企业却似乎越来越焦虑了。

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。

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 xLLM 的智能迁移策略，Decode 为访存密集型），

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

与其使用更多卡

不如用好每张卡

在算力紧张、PD 分离、在智能应用大爆发的 AI 云原生时代，

从这些数据中可以看出，成本敏感的今天，企业却发现大模型落地还有另一个高耸的门槛：推理效率。GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，在不增加任何硬件成本的情况下跑出数倍的吞吐性能。vLLM、xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。无法适应多变的流量特征。其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，以一种流量特征决定的 PD 组合，也就是上更多、为此，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、可以对不同角色分别配置更优的批处理策略和并行方式，极致全栈工程框架和创新算法的垂直优化方案，但一到真正上线部署，

我们相信，可通过以存代算、xLLM 依然展现出了显著的优势。而在相同的吞吐水平下（1800 TPS），

首先，能够跨节点，TPS 可提升 2.4 倍。xLLM 还利用了 Pin Memory、在迈过了模型性能的门槛之后，高吞吐与出色稳定性，对于多模态模型还有非文本数据的 Encoder 角色。而 xLLM 已经率先将一些关键创新做到了生产级可用，

而在极限情况下，而有的非常复杂，即以 AI 负载为中心的基础架构新范式。从而更充分发挥各类 GPU 在计算、