從1920TPS到2400TPS，華為云Tokens服務(wù)全面接入384超節(jié)點(diǎn)

2025年8月27日，在第四屆828 B2B企業(yè)節(jié)開(kāi)幕式上，華為云宣布其Tokens服務(wù)全面接入CloudMatrix384超節(jié)點(diǎn)，通過(guò)xDeepServe架構(gòu)創(chuàng)新，單芯片最高可實(shí)現(xiàn)2400TPS、50msTPOT的超高吞吐、低時(shí)延的性能，超過(guò)業(yè)界水平。

發(fā)揮“大雜燴”優(yōu)勢(shì)，以系統(tǒng)能力打造先進(jìn)算力

過(guò)去18個(gè)月，中國(guó)AI算力需求呈現(xiàn)指數(shù)級(jí)增長(zhǎng)。數(shù)據(jù)顯示，2024年初中國(guó)日均Token的消耗量為1000億，截至今年6月底，日均Token消耗量已突破30萬(wàn)億，1年半的時(shí)間增長(zhǎng)了300多倍，反映了我國(guó)人工智能應(yīng)用規(guī)模快速增長(zhǎng)，也對(duì)算力基礎(chǔ)設(shè)施的需求提出了更大的挑戰(zhàn)。

在以往按卡時(shí)計(jì)費(fèi)的基礎(chǔ)上，今年3月，華為云正式推出了基于MaaS的Tokens服務(wù)。針對(duì)不同應(yīng)用、不同場(chǎng)景的性能和時(shí)延要求，還提供了在線版、進(jìn)線版、離線版乃至尊享版等多種服務(wù)規(guī)格，為大模型、Agent智能體等AI工具提供了更為靈活、便捷、低成本的先進(jìn)算力。

而這一次，華為云的Tokens服務(wù)正式接入CloudMatrix384，并通過(guò)384原生的xDeepServe框架再次實(shí)現(xiàn)了吞吐量的突破，從年初的1920TPS提升至2400TPS，TPOT僅為50ms。

大算力的構(gòu)建不是單點(diǎn)突破，而是一個(gè)從硬件到軟件、從算子到存儲(chǔ)、從推理框架到超節(jié)點(diǎn)的全棧創(chuàng)新，充分依托了華為的“大雜燴”能力。

首先，CloudMatrix384 超節(jié)點(diǎn)以全新的計(jì)算架構(gòu)創(chuàng)新，突破性能瓶頸，構(gòu)筑穩(wěn)固澎湃的算力根基； CANN昇騰硬件使能，優(yōu)化算子與高效通信策略，讓云端的算力能夠以最高效的方式被調(diào)用和組合；EMS彈性內(nèi)存存儲(chǔ)打破AI內(nèi)存墻，突破性地實(shí)現(xiàn)“以存強(qiáng)算”， 徹底釋放了每一顆芯片的算力；xDeepServe 分布式推理框架則以極致分離架構(gòu)Transfomerless讓超節(jié)點(diǎn)釋放出更高效算力。

“拆掉”Transformer，xDeepServe全面激發(fā)算力潛能

作為CloudMatrix384 超節(jié)點(diǎn)的原生服務(wù)，xDeepServe以Transformerless 的極致分離架構(gòu)，把MoE大模型拆成可獨(dú)立伸縮的 Attention、FFN、Expert三個(gè)微模塊，相當(dāng)于在一臺(tái)CloudMatrix384上把“大模型”拆成“積木”，并分派到不同的NPU上同步處理任務(wù)。之后，再用基于內(nèi)存語(yǔ)義的微秒級(jí)XCCL通信庫(kù)與FlowServe 自研推理引擎把它們重新拼成一個(gè)超高吞吐的LLM服務(wù)平臺(tái)，即Tokens的“超高速流水線”。通過(guò)xDeepServe不斷調(diào)優(yōu)，最終實(shí)現(xiàn)了從非超節(jié)點(diǎn)單卡吞吐600tokens/s至超節(jié)點(diǎn)單卡吞吐2400tokens/s的提升。

作為硬件加速計(jì)算的中間層，CANN包含多個(gè)算子庫(kù)和和XCCL這種高性能通信庫(kù)等組件，共同支撐AI模型的高效運(yùn)行。其中，XCCL作為專為超節(jié)點(diǎn)上的大語(yǔ)言模型（LLM）服務(wù)而量身打造的高性能通信庫(kù)，能夠充分發(fā)揮CloudMatrix384擴(kuò)展后的UB互聯(lián)架構(gòu)（UB fabric）的全部潛力，為 Transformerless的全面分離奠定了帶寬與時(shí)延雙重硬底座。

而作為被重構(gòu)的“去中心”式分布式引擎，F(xiàn)lowServe把CloudMatrix384 切成完全自治的 DP 小組，每個(gè)小組自帶 Tokenizer、執(zhí)行器、RTC 緩存與網(wǎng)絡(luò)棧，完全自給自足，做到千卡并發(fā)也不“擁堵”。

目前，xDeepServe已實(shí)現(xiàn)MA分離，而下一步，將把Attention、MoE、Decode全部改成自由流動(dòng)的數(shù)據(jù)流，并把同樣的拼圖方法復(fù)制到多臺(tái)超節(jié)點(diǎn)，讓推理吞吐像鋪軌一樣線性延伸，最終或?qū)⒁暰�吞吐量的更大突破，讓每塊 NPU 都高效運(yùn)作，芯片永不排隊(duì)，推理永不塞車。

聚焦主流大模型，不斷提升模型性能

目前，華為云MaaS服務(wù)已支持DeepSeek、Kimi、Qwen、Pangu、SDXL、Wan等主流大模型及versatile、Dify、扣子等主流Agent平臺(tái)。

華為云積累了大量模型性能優(yōu)化、效果調(diào)優(yōu)的技術(shù)和能力，從而實(shí)現(xiàn)“源于開(kāi)源，高于開(kāi)源”，讓更多大模型可以在昇騰云上跑得更快更好。以文生圖大模型來(lái)說(shuō)，在輕微損失畫質(zhì)的情況下，通過(guò)Int8量化、旋轉(zhuǎn)位置編碼融合算子等方式，在在華為云MaaS平臺(tái)實(shí)現(xiàn)了2倍于業(yè)界主流平臺(tái)的出圖速度，最大尺寸支持2K×2K。而在文生視頻大模型上，不僅通過(guò)量化方式來(lái)提速，還通過(guò)通算并行等方式，降低延遲與顯存占用，大幅提升視頻生成速度，相較于友商實(shí)現(xiàn)了3.5倍的性能提升。華為云Tokens服務(wù)在性能、模型適配、效果調(diào)優(yōu)方面的基礎(chǔ)，也讓更多企業(yè)能夠快速開(kāi)發(fā)和構(gòu)建AI Agent。

而在應(yīng)用層，華為云已與超過(guò)100家伙伴攜手深入行業(yè)場(chǎng)景，共建豐富的Agent，在調(diào)研分析、內(nèi)容創(chuàng)作、智慧辦公、智能運(yùn)維等領(lǐng)域解決產(chǎn)業(yè)難題，讓企業(yè)更便捷地?fù)肀�AI創(chuàng)新，加速智能化。

如基于MaaS平臺(tái)推出的今日人才數(shù)智員工解決方案，集成了先進(jìn)的自然語(yǔ)言處理、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)，能實(shí)現(xiàn)與用戶的智能交互和任務(wù)處理，顯著提升服務(wù)效率與客戶滿意度；而北京方寸無(wú)憂科技開(kāi)發(fā)的無(wú)憂智慧公文解決方案可以提升公文處理效能，實(shí)現(xiàn)政企辦公智能化轉(zhuǎn)型。

以Token為動(dòng)力的智能社會(huì)已經(jīng)到來(lái)，而華為云將以系統(tǒng)級(jí)創(chuàng)新能力和全新的Tokens服務(wù)構(gòu)筑先進(jìn)算力，助力各行各業(yè)加速落地AI。