GLM 5/5.1 · B200 · 精度对比
B200:FP4 与 FP8 精度对比
在 B200(NVIDIA Blackwell)上,比较 FP4 与 FP8 两种量化精度对 GLM 5/5.1 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。
在 B200 上运行 GLM 5/5.1,目标交互性为 46 tok/s/user 时,FP4 的吞吐量为 2,935 tok/s/chip,每百万 token 成本为 $0.16;FP8 的吞吐量为 1,381 tok/s/chip,每百万 token 成本为 $0.35。在同一芯片上,FP4 的单芯片吞吐量高出 113%,因此每 token 成本低 53%。较低的量化精度以模型准确率为代价换取更高吞吐量;如需了解对模型质量的影响,请查看评估页。
当 GLM 5/5.1 在 B200 上的目标交互性为 78 tok/s/user 时,FP4 的吞吐量为 1,980 tok/s/chip,每百万 token 成本为 $0.24;FP8 的吞吐量为 906 tok/s/chip,每百万 token 成本为 $0.53。在同一芯片上,FP4 的单芯片吞吐量高出 119%,因此每 token 成本低 54%。不同量化精度下的模型准确率差异可在评估页查看。
在 B200 上运行 GLM 5/5.1,目标交互性为 110 tok/s/user 时,FP4 与 FP8 的吞吐量分别为 1,417 和 569 tok/s/chip,每百万 token 成本分别为 $0.34 和 $0.84。在同一芯片上,FP4 的单芯片吞吐量高出 149%,因此每 token 成本低 60%。较低量化精度下的成本与吞吐量权衡只是整体考量的一部分;模型准确率数据请参阅评估页。 (以上数据基于此 URL 对应的默认 8k/1k 配置;在控件中切换序列长度或模型后,下方表格和图表会同步更新。两侧均采用各自精度下可用的最优推理配置;只有存在相应测试配置时,才可能纳入 MTP 等投机解码方法。该口径与其他对比页面一致。)
数据由真实基准测试结果插值得出。调整下方的目标交互性数值,即可比较不同运行点。
| 指标 | 交互性(tok/s/user) | 交互性(tok/s/user) | 交互性(tok/s/user) |
|---|---|---|---|
| 吞吐量(tok/s/chip) | FP42,935FP81,381 | FP41,980FP8906 | FP41,417FP8569 |
| 成本($/M tok) | FP4$0.16FP8$0.35 | FP4$0.24FP8$0.53 | FP4$0.34FP8$0.84 |
| tok/s/MW | FP41,716,344FP8807,393 | FP41,157,761FP8529,549 | FP4828,931FP8332,578 |
| 并发数 | FP4~29FP8~28 | FP4~12FP8~11 | FP4~6FP8~5 |
