GB200 NVL72：FP4 与 FP8 精度对比
在 GB200 NVL72（NVIDIA Blackwell）上，比较 FP4 与 FP8 两种量化精度对 DeepSeek R1 推理的影响，涵盖不同 LLM 工作负载下的吞吐量、延迟和成本。可通过下方图表控件切换序列长度和指标，操作方式与主推理图表相同。
当 DeepSeek R1 在 GB200 NVL72 上的目标交互性为 76 tok/s/user 时，FP4 的吞吐量为 12458 tok/s/chip，每百万 token 成本为 $0.04；FP8 的吞吐量为 5749 tok/s/chip，每百万 token 成本为 $0.09。FP4 的成本效率高出 117%；FP4 的单芯片吞吐量高出 117%。不同量化精度下的模型准确率差异可在评估页查看。
在 GB200 NVL72 上运行 DeepSeek R1，目标交互性为 120 tok/s/user 时，FP4 与 FP8 的吞吐量分别为 9356 和 3988 tok/s/chip，每百万 token 成本分别为 $0.06 和 $0.13。FP4 的成本效率高出 135%；FP4 的单芯片吞吐量高出 135%。较低量化精度下的成本与吞吐量权衡只是整体考量的一部分；模型准确率数据请参阅评估页。
164 tok/s/user 接近 32–208 tok/s/user 交互性区间的上限。在这一运行点，FP4 在 GB200 NVL72 上运行 DeepSeek R1 的吞吐量为 3995 tok/s/chip，每百万 token 成本为 $0.13；FP8 的吞吐量为 818 tok/s/chip，每百万 token 成本为 $0.63。FP4 的成本效率高出 389%；FP4 的单芯片吞吐量高出 389%。调整量化精度会同时影响推理速度和模型质量；模型准确率基准测试请参阅评估页。 （以上数据基于此 URL 对应的默认 8k/1k 配置；在控件中切换序列长度或模型后，下方表格和图表会同步更新。两侧均采用各自精度下可用的最优推理配置；只有存在相应测试配置时，才可能纳入 MTP 等投机解码方法。该口径与其他对比页面一致。）
| 指标 | 交互性（tok/s/user） | 交互性（tok/s/user） | 交互性（tok/s/user） |
|---|---|---|---|
| 吞吐量（tok/s/chip） | FP4:12458.3FP8:5749.2 | FP4:9356.1FP8:3987.5 | FP4:3995.1FP8:817.8 |
| 成本（$/M tok） | FP4:$0.041FP8:$0.090 | FP4:$0.055FP8:$0.130 | FP4:$0.129FP8:$0.632 |
| tok/s/MW | FP4:6662190FP8:3074446 | FP4:5003271FP8:2132361 | FP4:2136436FP8:437312 |
| 并发数 | FP4:~1076FP8:~618 | FP4:~721FP8:~333 | FP4:~164FP8:~27 |
推理性能
不同模型、硬件配置和服务参数下，来自 AgentX 场景的智能体推理指标与固定序列推理指标。