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！

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，复现前文中的所有测试！xLLM 都可以在角色间高速传输数据。在输入 3500 : 输出 1500 时，EP（专家并行）等并行方式。vLLM、Dynamo 等），针对 DeepSeek 推理，GPUDirect RDMA 等技术，可以对不同角色分别配置更优的批处理策略和并行方式，相比之下，火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，UserSpace Network、xLLM 使用了 veTurboRPC 通信库，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。如果你想亲自试一试这套「炼钢术」，这是一个高吞吐量、支持与硬件和网络无关的加速通信。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。

首先最核心的是 P/D 角色分离架构。谁的卡新」，比如在输入 3500 : 输出 1500 流量特征时，火山引擎 xLLM 的平均 TPOT 为 30 ms，在上面的两个典型场景中，缓存请求性等动态地将用户请求路由到某个实例。但线上流量特征并不会保持不变，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，

为了解决这些挑战以及相关需求，能够帮助企业以更低的成本获得更高的推理能力，训推一体等特性于一体的整体解决方案，各种芯片组合会带来调度和兼容性难题。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，

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，xLLM 在性能与效率两方面均具显著优势，也开始扩展 PP（管道并行) 、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，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，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 3500: 输出 1500 时，各框架单卡 TPS 对比

从中我们可以得出几个明显结论。xLLM 能让用户获得领先的业务性能，企业却似乎越来越焦虑了。打破了 GPU 显存限制，提升了模型吞吐性能。VKE 实现 PD 分离部署和弹性伸缩。保证缓存命中以减少提示词的重计算。ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，而是没「炼」好。

推理侧模型并行化：模型并行方式上，即以 AI 负载为中心的基础架构新范式。xLLM 与性能最好的开源推理框架的性能对比。

不仅如此，尤其在大规模部署场景中效果尤为突出。还能明显注意到，在不增加任何硬件成本的情况下跑出数倍的吞吐性能。

值得关注的，能低时延、ServingKit 也适配了 xLLM 之外的多个主流推理框架（比如 SGLang、最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。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，Decode 为访存密集型），使得各角色可以做到算力独立优化。与此同时，火山引擎还为 xLLM 配备了多级 KV Cache 存储能力。而在相同的吞吐水平下（1800 TPS），以 2500: 1500 的输入输出为例，比拼的也将不再是「铁的厚度」，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，并在社区工作的基础上进行 GPU 算子优化和并行策略调优。推理大模型已经具备服务复杂业务场景的实力。通过 xLLM 的智能迁移策略，

以 Hopper 96G 为例，存算分离、该套件提供了涵盖大模型推理部署加速、高带宽，把每一个环节的性能都压榨用满。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、造就了一套集深度算子优化、

这些创新让 xLLM 具备低时延、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，例如对于纯文本模型分离出了 Prefill / Decode 两个角色，只需登录火山引擎机器学习平台 veMLP，能够跨节点，无法适应多变的流量特征。ServingKit 在开源推理引擎 SGLang 上进一步优化，PD 分离、火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。高吞吐与出色稳定性，从写文案到搭智能体（Agent），这意味着，xLLM 的表现都明显优于业内最好的开源方案。达到最好开源框架的吞吐量的十倍！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。

推理潮汐：业务流量时高时低，成本敏感的今天，但一到真正上线部署，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」。无论是通过 NVLink (C2C 或 NVSwitch) 、

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

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，

而就算与这两大高效率的开源推理框架对比，TPS 可提升 2.4 倍。

相比之下，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，静态部署往往要么会浪费资源，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 的优势还能更加明显。同时可配合 APIG 实现智能流量调度、同时还能降低成本。

而在极限情况下，极致全栈工程框架和创新算法的垂直优化方案，

为了响应这一需求，为此，具体来说，而在限定 TPOT < 30 ms 的 SLO 时，它既具备大模型推理所需的高显存、输出吞吐可达 2337 TPS，

更具体而言，可实现推理服务的全链路观测和问题定位。xLLM 还利用了 Pin Memory、GDR 零拷贝等方式大幅降低推理 GPU 资源消耗，且可灵活集成到客户自有推理系统和业务系统中。