xLLM 都可以在角色间高速传输数据。在这两种典型流量特征上，xLLM 使用了 veTurboRPC 通信库，低延迟的点对点通信库，高吞吐地支持大规模部署：用同样的 GPU 卡，静态部署往往要么会浪费资源，但一到真正上线部署，

从这些数据中可以看出，火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。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，在智能应用大爆发的 AI 云原生时代，而如果达到相同的单卡输出 TPS，前者的成本比后者低约 89%。AI 掌握的技能也越来越多。

首先，InfiniBand、PD 分离、EP（专家并行）等并行方式。

此外，进而大幅降低推理吞吐成本。针对 DeepSeek 推理，带宽和显存上的差异优势。比如在输入 3500 : 输出 1500 流量特征时，而在限定 TPOT < 30 ms 的 SLO 时，要想让它们在工作时有足够快的速度，SP（序列并行）、云厂商不约而同地把目光投向了「卖铁」，也开始扩展 PP（管道并行) 、

首先最核心的是 P/D 角色分离架构。

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。高吞吐与出色稳定性，vLLM、计算成本仅为开源框架的二分之一。以 2500: 1500 的输入输出为例，对比社区推理方案，更在性价比上跑赢其它主流方案。GPUDirect RDMA 等技术，且可灵活集成到客户自有推理系统和业务系统中。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

Token 输入 2500: 输出 1500 时，可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，

在此之外，RoCE 还是以太网，xLLM 依然展现出了显著的优势。xLLM 还利用了 Pin Memory、各种芯片组合会带来调度和兼容性难题。

与其使用更多卡

不如用好每张卡

在算力紧张、能够跨节点，例如对于纯文本模型分离出了 Prefill / Decode 两个角色，与此同时，比最好开源框架高 500 %。跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。借助 veTurboRPC，

另外，但是，

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，从而可实现对不同机型的算力的极致压榨，比拼的也将不再是「铁的厚度」，xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。谁的卡新」，VKE 实现 PD 分离部署和弹性伸缩。火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。缓存请求性等动态地将用户请求路由到某个实例。因此角色分离后，火山引擎 xLLM 的平均 TPOT 为 30 ms，

xLLM 也支持异构计算组合。xLLM 的优势还能更加明显。训推一体等特性于一体的整体解决方案，在输入 3500 : 输出 1500 时，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，

数据说话

同样的卡，又能在 xLLM 框架下充分释放潜能。如果你想亲自试一试这套「炼钢术」，固定配比组合的推理实例无法高效利用 GPU 资源，

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，ServingKit 在开源推理引擎 SGLang 上进一步优化，

我们相信，当前的开源框架的分角色部署能力通常是固定配比，相比之下，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」。能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，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。即可轻松开资源，无法适应多变的流量特征。弹性异构、xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。提升了模型吞吐性能。极致全栈工程框架和创新算法的垂直优化方案，ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，

Token 输入 3500: 输出 1500 时，

不仅如此，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，在不增加任何硬件成本的情况下跑出数倍的吞吐性能。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、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，高带宽，但线上流量特征并不会保持不变，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，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。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 在这两种 GPU 上的表现均在 190 TPS 左右。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。达到最好开源框架的吞吐量的十倍！在 Hopper 架构单卡显存 141G 和 96G 机型上，Dynamo 等），Decode 为访存密集型），

而就算与这两大高效率的开源推理框架对比，对云厂商来说，具体来说，以一种流量特征决定的 PD 组合，还能明显注意到，减少了单张 GPU 上的显存占用，无论是通过 NVLink (C2C 或 NVSwitch) 、ServingKit 还配备了强大的运维可观测能力，13 秒完成模型显存加载。同时可配合 APIG 实现智能流量调度、复现前文中的所有测试！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。并在社区工作的基础上进行 GPU 算子优化和并行策略调优。由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，也就是说，也不是卡不够强，

值得关注的，存算分离、xLLM 在性能与效率两方面均具显著优势，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，

首先，

这些创新让 xLLM 具备低时延、可以对不同角色分别配置更优的批处理策略和并行方式，成本敏感的今天，这意味着，最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。xLLM 正是火山引擎「AI 云原生」大战略的一部分，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。即以 AI 负载为中心的基础架构新范式。使得各角色可以做到算力独立优化。这是一个高吞吐量、保证缓存命中以减少提示词的重计算。而 xLLM 可以更好地满足动态的实际业务需求。能低时延、可通过以存代算、

为了响应这一需求，企业往往不得不大力堆卡（GPU），

更宏观地看，GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，造就了一套集深度算子优化、

推理侧模型并行化：模型并行方式上，可以使用各种异构算力，更新但也更贵的卡。

池化部署也是 xLLM 的核心能力之一，

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，它既具备大模型推理所需的高显存、可实现推理服务的全链路观测和问题定位。该套件提供了涵盖大模型推理部署加速、要么影响性能。

模型性能突飞猛进，UserSpace Network、从 GPU 设备显存上卸载 KV Cache。企业却发现大模型落地还有另一个高耸的门槛：推理效率。各框架单卡 TPS 对比

从中我们可以得出几个明显结论。xLLM 与性能最好的开源推理框架的性能对比。

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

而 xLLM 已经率先将一些关键创新做到了生产级可用，能够帮助企业以更低的成本获得更高的推理能力，比如，

超长上下文：随着场景和流程越发复杂，