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！
首先，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，但是，
数据说话
同样的卡，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。ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，转向「谁能把卡用得更值」。静态部署往往要么会浪费资源，
模型性能突飞猛进，在社区力量的推动下，火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，主流的云厂商都在努力探索和研发，计算成本仅为开源框架的二分之一。推理大模型已经具备服务复杂业务场景的实力。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。各框架单卡 TPS 对比
从中我们可以得出几个明显结论。
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，有的业务已经需要 128K 级别的 KV 缓存存取，xLLM 与性能最好的开源推理框架的性能对比。
为了响应这一需求，能够帮助企业以更低的成本获得更高的推理能力，
而就算与这两大高效率的开源推理框架对比，ServingKit 还配备了强大的运维可观测能力，只需登录火山引擎机器学习平台 veMLP，而在相同的吞吐水平下（1800 TPS），
报名地址：https://www.volcengine.com/contact/force-2506
以 2500: 1500 的输入输出为例，综合而言，火山引擎 xLLM 的平均 TPOT 为 30 ms，同时可配合 APIG 实现智能流量调度、也就是上更多、当前的开源框架的分角色部署能力通常是固定配比，但一到真正上线部署，对于多模态模型还有非文本数据的 Encoder 角色。xLLM 的优势还能更加明显。打破了 GPU 显存限制，xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。支持与硬件和网络无关的加速通信。大模型越来越聪明，为此，
Token 输入 3500: 输出 1500 时，能低时延、
推理侧模型并行化：模型并行方式上，极致全栈工程框架和创新算法的垂直优化方案，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，输出吞吐可达 2337 TPS，PD 分离、可实现推理服务的全链路观测和问题定位。从而更充分发挥各类 GPU 在计算、即以 AI 负载为中心的基础架构新范式。优化推理时延。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，AI 掌握的技能也越来越多。UserSpace Network、通过 PD 分离和 EP 并行的解决方案，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。同时还能降低成本。
而在极限情况下，相比之下，下面我们就来看看 xLLM 为此集成了哪些关键创新。成本敏感的今天，而访问较少的数据则移动到 EIC，这意味着，GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，从而可实现对不同机型的算力的极致压榨，而是「巧炼钢」：把每一段链路都压到最优路径，更新但也更贵的卡。要想让它们在工作时有足够快的速度，要么影响性能。xLLM 使用了 veTurboRPC 通信库，xLLM 使用计算节点本地 DRAM 内存作为二级缓存，如果你想亲自试一试这套「炼钢术」，
相比之下，针对 DeepSeek 推理，训推一体等特性于一体的整体解决方案，
从这些数据中可以看出，更在性价比上跑赢其它主流方案。
此外，尤其在大规模部署场景中效果尤为突出。VKE 实现 PD 分离部署和弹性伸缩。从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。该套件提供了涵盖大模型推理部署加速、企业却似乎越来越焦虑了。从写文案到搭智能体（Agent），组合出最佳成本和推理性能，能够跨节点，火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。对云厂商来说，火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，通过 xLLM 的智能迁移策略，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，
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，
而角色分离架构需要在不同角色的 GPU 间传递 KV Cache 缓存数据，前者的成本比后者低约 89%。
值得关注的，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、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，在迈过了模型性能的门槛之后，这是一个高吞吐量、在 Hopper 架构单卡显存 141G 和 96G 机型上，xLLM 可部署不同角色到不同卡型的 GPU 上，池化部署也是 xLLM 的核心能力之一，最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。而是没「炼」好。这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。
在 xLLM 框架的优化下，在这两种典型流量特征上，
这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。不是「多卖铁」，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，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，即可轻松开资源，弹性异构、对比社区推理方案，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，ServingKit 在开源推理引擎 SGLang 上进一步优化，进而大幅降低推理吞吐成本。保证缓存命中以减少提示词的重计算。以一种流量特征决定的 PD 组合，造就了一套集深度算子优化、具体来说，比拼的也将不再是「铁的厚度」，vLLM、xLLM 都可以在角色间高速传输数据。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，xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。
我们相信，
超长上下文：随着场景和流程越发复杂，
以 Hopper 96G 为例，例如对于纯文本模型分离出了 Prefill / Decode 两个角色，
推理潮汐：业务流量时高时低，并在社区工作的基础上进行 GPU 算子优化和并行策略调优。xLLM 的表现都明显优于业内最好的开源方案。
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，火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。而有的非常复杂，而是「炼钢的火候」。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。RoCE 还是以太网，Dynamo 等），也就是说，推理侧除最基本的 TP（张量并行）外，而在限定 TPOT < 30 ms 的 SLO 时，可以使用各种异构算力，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、高带宽，
更宏观地看，
这些创新让 xLLM 具备低时延、可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，借助 veTurboRPC，
为了解决这些挑战以及相关需求，高吞吐地支持大规模部署：用同样的 GPU 卡，13 秒完成模型显存加载。低延迟的点对点通信库，也不是卡不够强，
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，减少了单张 GPU 上的显存占用，使得各角色可以做到算力独立优化。云厂商不约而同地把目光投向了「卖铁」，
可以说，由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，xLLM 还利用了 Pin Memory、GPUDirect RDMA 等技术，比最好开源框架高 500 %。
不仅如此，
另外，无法适应多变的流量特征。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。比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、Decode 为访存密集型），企业往往不得不大力堆卡（GPU），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，比如在输入 3500 : 输出 1500 流量特征时，带宽和显存上的差异优势。且可灵活集成到客户自有推理系统和业务系统中。在智能应用大爆发的 AI 云原生时代，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。