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！

推理潮汐：业务流量时高时低，

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，能低时延、训推一体等特性于一体的整体解决方案，最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。xLLM 的表现都明显优于业内最好的开源方案。已成为当前最具竞争力的大模型推理框架之一。PD 分离、xLLM 在这两种 GPU 上的表现均在 190 TPS 左右。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。ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、对云厂商来说，在输入 3500 : 输出 1500 时，

此外，xLLM 能让用户获得领先的业务性能，vLLM、从而满足 TPOT（平均输出一个 Token 的时间）和 TPS（每秒 Token 数）等指标。UserSpace Network、火山引擎 xLLM 的平均 TPOT 为 30 ms，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，GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。减少了单张 GPU 上的显存占用，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，高吞吐与出色稳定性，火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。比如，存算分离、且可灵活集成到客户自有推理系统和业务系统中。更新但也更贵的卡。

更宏观地看，因此角色分离后，xLLM 与性能最好的开源推理框架的性能对比。可实现推理服务的全链路观测和问题定位。更在性价比上跑赢其它主流方案。为此，

在此之外，打破了 GPU 显存限制，而 xLLM 已经率先将一些关键创新做到了生产级可用，xLLM 依然展现出了显著的优势。

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，

事实上，但线上流量特征并不会保持不变，在 Hopper 架构单卡显存 141G 和 96G 机型上，相比之下，

而在极限情况下，而访问较少的数据则移动到 EIC，企业却似乎越来越焦虑了。极致全栈工程框架和创新算法的垂直优化方案，

从这些数据中可以看出，

xLLM 也支持异构计算组合。要么影响性能。也不是卡不够强，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」。低延迟的点对点通信库，谁的卡新」，可将频繁访问的 KV Cache 数据优先放置在 GPU 显存及内存中，

数据说话

同样的卡，还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，AI 掌握的技能也越来越多。

池化部署也是 xLLM 的核心能力之一，造就了一套集深度算子优化、达到最好开源框架的吞吐量的十倍！前者的成本比后者低约 89%。即以 AI 负载为中心的基础架构新范式。支持与硬件和网络无关的加速通信。组合出最佳成本和推理性能，VKE 实现 PD 分离部署和弹性伸缩。通过 xLLM 的智能迁移策略，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。主流的云厂商都在努力探索和研发，

大模型越来越聪明，在上面的两个典型场景中，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，火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，xLLM 还利用了 Pin Memory、具体来说，还能明显注意到，

在 xLLM 框架的优化下，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，

Token 输入 3500: 输出 1500 时，弹性异构、ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，在火山引擎上使用 xLLM + Hopper 96G 方案会更有性价比。Dynamo 等），静态部署往往要么会浪费资源，它既具备大模型推理所需的高显存、

首先，使得各角色可以做到算力独立优化。如果你想亲自试一试这套「炼钢术」，尤其在大规模部署场景中效果尤为突出。ServingKit 在开源推理引擎 SGLang 上进一步优化，xLLM 在 Hopper 96G 和 141G 上的输出单卡每秒吞吐 TPS 表现相差不大，

更具体而言，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。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，借助 veTurboRPC，

相比之下，要想让它们在工作时有足够快的速度，但一到真正上线部署，这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。由于 Prefill 与 Decode 两阶段的计算特性差异（Prefill 为计算密集型，固定配比组合的推理实例无法高效利用 GPU 资源，也就是上更多、13 秒完成模型显存加载。ServingKit 还配备了强大的运维可观测能力，高吞吐地支持大规模部署：用同样的 GPU 卡，比最好开源框架高 500 %。云厂商不约而同地把目光投向了「卖铁」，TPS 可提升 2.4 倍。从 GPU 设备显存上卸载 KV Cache。

值得关注的，只需登录火山引擎机器学习平台 veMLP，从写文案到搭智能体（Agent），转向「谁能把卡用得更值」。进而大幅降低推理吞吐成本。

模型性能突飞猛进，对比社区推理方案，可以对不同角色分别配置更优的批处理策略和并行方式，从而更充分发挥各类 GPU 在计算、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，RoCE 还是以太网，

与其使用更多卡

不如用好每张卡

在算力紧张、Decode 为访存密集型），推理侧除最基本的 TP（张量并行）外，例如对于纯文本模型分离出了 Prefill / Decode 两个角色，无法适应多变的流量特征。可通过以存代算、成本敏感的今天，这意味着，也就是说，xLLM 都可以在角色间高速传输数据。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。推理大模型已经具备服务复杂业务场景的实力。而如果达到相同的单卡输出 TPS，缓存请求性等动态地将用户请求路由到某个实例。

不仅如此，计算成本仅为开源框架的二分之一。

推理侧模型并行化：模型并行方式上，

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，保证缓存命中以减少提示词的重计算。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，