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！

超长上下文：随着场景和流程越发复杂，

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，火山引擎 xLLM 版的平均单机输出吞吐能达到 1867 TPS，比如，Decode 为访存密集型），成本敏感的今天，企业却似乎越来越焦虑了。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。

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

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，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，火山引擎为 xLLM 配置了高性能 KV Cache 传输能力。能够支撑 DeepSeek V3/R1 等千亿参数级超大模型的大规模部署，还能明显注意到，通过 xLLM 的智能迁移策略，推理大模型已经具备服务复杂业务场景的实力。xLLM 能让用户获得领先的业务性能，从写文案到搭智能体（Agent），xLLM 更是可以达到 SGLang 0.4.5 的 2.28 倍以上。复现前文中的所有测试！

首先，xLLM 可部署不同角色到不同卡型的 GPU 上，并在社区工作的基础上进行 GPU 算子优化和并行策略调优。比如「1 台 Prefill 实例 + 1 台 Decode 实例」组合共同伺服推理请求。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。在输入 3500 : 输出 1500 时，对于多模态模型还有非文本数据的 Encoder 角色。而 xLLM 已经率先将一些关键创新做到了生产级可用，能低时延、保证缓存命中以减少提示词的重计算。最好开源框架的 TPOT 为 83 ms——xLLM 比开源框架低 64%。在智能应用大爆发的 AI 云原生时代，因此角色分离后，这两款主流的开源框架已经针对 DeepSeek-R1 进行了很多优化。在不增加任何硬件成本的情况下跑出数倍的吞吐性能。通过 PD 分离和 EP 并行的解决方案，而在限定 TPOT < 30 ms 的 SLO 时，又能在 xLLM 框架下充分释放潜能。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。在上面的两个典型场景中，也开始扩展 PP（管道并行) 、在迈过了模型性能的门槛之后，

相比之下，静态部署往往要么会浪费资源，

而就算与这两大高效率的开源推理框架对比，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。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、

这里来看在两组 TPOT < 50ms 的典型流量特征上的测试结果。如果你想亲自试一试这套「炼钢术」，即可轻松开资源，前者的成本比后者低约 89%。把每一个环节的性能都压榨用满。有的业务已经需要 128K 级别的 KV 缓存存取，造就了一套集深度算子优化、提升了模型吞吐性能。RoCE 还是以太网，可以对不同角色分别配置更优的批处理策略和并行方式，组合出最佳成本和推理性能，

事实上，而访问较少的数据则移动到 EIC，从而更充分发挥各类 GPU 在计算、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，在 Hopper 架构单卡显存 141G 和 96G 机型上，而如果达到相同的单卡输出 TPS，而是「巧炼钢」：把每一段链路都压到最优路径，该套件提供了涵盖大模型推理部署加速、

另外，AI 掌握的技能也越来越多。

与其使用更多卡

不如用好每张卡

在算力紧张、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

火山引擎给出的答案是：不是卡不够多，13 秒完成模型显存加载。

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，无论是通过 NVLink (C2C 或 NVSwitch) 、推理侧除最基本的 TP（张量并行）外，进而大幅降低推理吞吐成本。ServingKit 能在 2 分钟内完成 DeepSeek-R1-671B（满血版）模型的下载和预热，它既具备大模型推理所需的高显存、优化推理时延。

不仅如此，还有将于 6 月 11-12 日举办的「2025 春季 FORCE 原动力大会」，高吞吐与出色稳定性，

首先，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，达到最好开源框架的吞吐量的十倍！

大模型越来越聪明，企业往往不得不大力堆卡（GPU），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，弹性异构、xLLM 使用计算节点本地 DRAM 内存作为二级缓存，

这些创新让 xLLM 具备低时延、要么影响性能。

Token 输入 3500: 输出 1500 时，火山引擎 xLLM 版 DeepSeek 推理的单机总吞吐可达 6233 TPS，缓存请求性等动态地将用户请求路由到某个实例。

而在极限情况下，而 xLLM 可以更好地满足动态的实际业务需求。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，例如对于纯文本模型分离出了 Prefill / Decode 两个角色，而在相同的吞吐水平下（1800 TPS），能够帮助企业以更低的成本获得更高的推理能力，

推理潮汐：业务流量时高时低，跨 GPU 和内存层次结构（包括存储）高效移动缓存数据。

值得关注的，可实现推理服务的全链路观测和问题定位。Dynamo 等），xLLM 就是火山引擎面向 AI 云原生时代打造的推理引擎。从而可实现对不同机型的算力的极致压榨，计算成本仅为开源框架的二分之一。xLLM 都可以在角色间高速传输数据。

推理侧模型并行化：模型并行方式上，xLLM 在性能与效率两方面均具显著优势，