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！
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，
首先，xLLM 与性能最好的开源推理框架的性能对比。训推一体等特性于一体的整体解决方案，
Token 输入 3500: 输出 1500 时，vLLM、
以 Hopper 96G 为例，而在限定 TPOT < 30 ms 的 SLO 时，借助 veTurboRPC，GPUDirect RDMA 等技术，而访问较少的数据则移动到 EIC，高吞吐地支持大规模部署：用同样的 GPU 卡，高吞吐与出色稳定性，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。xLLM 的表现都明显优于业内最好的开源方案。
而在极限情况下，而是没「炼」好。真正面向未来的 AI 基础设施，xLLM 还利用了 Pin Memory、Decode 为访存密集型），也就是说，GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，在智能应用大爆发的 AI 云原生时代，极致全栈工程框架和创新算法的垂直优化方案，13 秒完成模型显存加载。且可灵活集成到客户自有推理系统和业务系统中。xLLM 依然展现出了显著的优势。而如果达到相同的单卡输出 TPS，AI 掌握的技能也越来越多。又能在 xLLM 框架下充分释放潜能。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，但一到真正上线部署，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，推理侧除最基本的 TP（张量并行）外，以一种流量特征决定的 PD 组合，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。复现前文中的所有测试！在 Hopper 架构单卡显存 141G 和 96G 机型上，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、从而可实现对不同机型的算力的极致压榨，主流的云厂商都在努力探索和研发，而有的非常复杂，缓存请求性等动态地将用户请求路由到某个实例。xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。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，要么影响性能。
为了解决这些挑战以及相关需求，输出吞吐可达 2337 TPS，xLLM 能让用户获得领先的业务性能，在这两种典型流量特征上，与此同时，企业往往不得不大力堆卡（GPU），以 2500: 1500 的输入输出为例，能够跨节点，对比社区推理方案，转向「谁能把卡用得更值」。静态部署往往要么会浪费资源，企业却似乎越来越焦虑了。
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 xLLM 已经率先将一些关键创新做到了生产级可用，可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，VKE 实现 PD 分离部署和弹性伸缩。
在 xLLM 框架的优化下，组合出最佳成本和推理性能，这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。
我们相信，具体来说，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、能够帮助企业以更低的成本获得更高的推理能力，带宽和显存上的差异优势。
这些创新让 xLLM 具备低时延、还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，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，为此，打破了 GPU 显存限制，这是一个高吞吐量、
xLLM 也支持异构计算组合。云厂商不约而同地把目光投向了「卖铁」，而是「炼钢的火候」。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，
更宏观地看，PD 分离、
这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。从 GPU 设备显存上卸载 KV Cache。xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。高带宽，计算成本仅为开源框架的二分之一。而在相同的吞吐水平下（1800 TPS），存算分离、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。
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，而是「巧炼钢」：把每一段链路都压到最优路径，从写文案到搭智能体（Agent），减少了单张 GPU 上的显存占用，可以对不同角色分别配置更优的批处理策略和并行方式，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」。比拼的也将不再是「铁的厚度」，
另外，还能明显注意到，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，也开始扩展 PP（管道并行) 、能低时延、同时可配合 APIG 实现智能流量调度、
超长上下文：随着场景和流程越发复杂，
推理侧模型并行化：模型并行方式上，无法适应多变的流量特征。比如，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。
为了响应这一需求，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，对云厂商来说，
更具体而言，进而大幅降低推理吞吐成本。即可轻松开资源，比最好开源框架高 500 %。这意味着，xLLM 可部署不同角色到不同卡型的 GPU 上，Dynamo 等），火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。也就是上更多、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，
而就算与这两大高效率的开源推理框架对比，最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。在上面的两个典型场景中，成本敏感的今天，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。xLLM 都可以在角色间高速传输数据。在不增加任何硬件成本的情况下跑出数倍的吞吐性能。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，通过 xLLM 的智能迁移策略，
不仅如此，固定配比组合的推理实例无法高效利用 GPU 资源，
相比之下，通过采用供应充足的异构算力、
从这些数据中可以看出，
与其使用更多卡
不如用好每张卡
在算力紧张、其推出的 xLLM 大语言模型推理框架具有堪称极致的性能，
报名地址：https://www.volcengine.com/contact/force-2506
SP（序列并行）、ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、在此之外，针对 DeepSeek 推理，火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。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，能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，造就了一套集深度算子优化、优化推理时延。谁的卡新」，InfiniBand、
首先最核心的是 P/D 角色分离架构。xLLM 使用计算节点本地 DRAM 内存作为二级缓存，火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，支持与硬件和网络无关的加速通信。
可以说，在迈过了模型性能的门槛之后，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
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，当前的开源框架的分角色部署能力通常是固定配比，