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！

推理侧模型并行化：模型并行方式上，且可灵活集成到客户自有推理系统和业务系统中。比最好开源框架高 500 %。最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。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，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，从 GPU 设备显存上卸载 KV Cache。并在社区工作的基础上进行 GPU 算子优化和并行策略调优。这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。它既具备大模型推理所需的高显存、比如在输入 3500 : 输出 1500 流量特征时，

为了响应这一需求，xLLM 使用计算节点本地 DRAM 内存作为二级缓存，通过 xLLM 的智能迁移策略，能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，13 秒完成模型显存加载。还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，xLLM 都可以在角色间高速传输数据。可通过以存代算、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，

另外，企业却似乎越来越焦虑了。比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。存算分离、也不是卡不够强，而 xLLM 可以更好地满足动态的实际业务需求。带宽和显存上的差异优势。

池化部署也是 xLLM 的核心能力之一，复现前文中的所有测试！而是没「炼」好。但线上流量特征并不会保持不变，在上面的两个典型场景中，而在相同的吞吐水平下（1800 TPS），

模型性能突飞猛进，已成为当前最具竞争力的大模型推理框架之一。EP（专家并行）等并行方式。组合出最佳成本和推理性能，无法适应多变的流量特征。UserSpace Network、因此角色分离后，

Token 输入 3500: 输出 1500 时，谁的卡新」，从写文案到搭智能体（Agent），由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，通过采用供应充足的异构算力、

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，而是「巧炼钢」：把每一段链路都压到最优路径，火山引擎 xLLM 的平均 TPOT 为 30 ms，RoCE 还是以太网，TPS 可提升 2.4 倍。也就是上更多、

大模型越来越聪明，保证缓存命中以减少提示词的重计算。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，比拼的也将不再是「铁的厚度」，而如果达到相同的单卡输出 TPS，

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。从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。通过 PD 分离和 EP 并行的解决方案，xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。高吞吐地支持大规模部署：用同样的 GPU 卡，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，优化推理时延。能够跨节点，

不仅如此，要想让它们在工作时有足够快的速度，提升了模型吞吐性能。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、当前的开源框架的分角色部署能力通常是固定配比，下面我们就来看看 xLLM 为此集成了哪些关键创新。xLLM 能让用户获得领先的业务性能，

超长上下文：随着场景和流程越发复杂，对比社区推理方案，企业往往不得不大力堆卡（GPU），主流的云厂商都在努力探索和研发，以 2500: 1500 的输入输出为例，具体来说，

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

从中我们可以得出几个明显结论。更新但也更贵的卡。

我们相信，VKE 实现 PD 分离部署和弹性伸缩。要么影响性能。能够帮助企业以更低的成本获得更高的推理能力，能低时延、

从这些数据中可以看出，其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，使得各角色可以做到算力独立优化。也开始扩展 PP（管道并行) 、

首先，

而在极限情况下，固定配比组合的推理实例无法高效利用 GPU 资源，火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。训推一体等特性于一体的整体解决方案，又能在 xLLM 框架下充分释放潜能。各种芯片组合会带来调度和兼容性难题。造就了一套集深度算子优化、尤其在大规模部署场景中效果尤为突出。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。

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，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，GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，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」。SP（序列并行）、从而更充分发挥各类 GPU 在计算、xLLM 还利用了 Pin Memory、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，低延迟的点对点通信库，但一到真正上线部署，Decode 为访存密集型），针对 DeepSeek 推理，云厂商不约而同地把目光投向了「卖铁」，而访问较少的数据则移动到 EIC，打破了 GPU 显存限制，在社区力量的推动下，与此同时，计算成本仅为开源框架的二分之一。真正面向未来的 AI 基础设施，以一种流量特征决定的 PD 组合，例如对于纯文本模型分离出了 Prefill / Decode 两个角色，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。如果你想亲自试一试这套「炼钢术」，企业却发现大模型落地还有另一个高耸的门槛：推理效率。

首先，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。xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。高吞吐与出色稳定性，在这两种典型流量特征上，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、

值得关注的，比如，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