GLM 5/5.1 · B300 · 精度对比
B300:FP4 与 FP8 精度对比
在 B300(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。
当 GLM 5/5.1 在 B300 上的目标交互性为 51 tok/s/user 时,FP4 的吞吐量为 1,775 tok/s/chip,每百万 token 成本为 $0.35;FP8 的吞吐量为 671 tok/s/chip,每百万 token 成本为 $0.94。在同一芯片上,FP4 的单芯片吞吐量高出 164%,因此每 token 成本低 62%。不同量化精度下的模型准确率差异可在评估页查看。
在 B300 上运行 GLM 5/5.1,目标交互性为 80 tok/s/user 时,FP4 与 FP8 的吞吐量分别为 1,034 和 424 tok/s/chip,每百万 token 成本分别为 $0.61 和 $1.48。在同一芯片上,FP4 的单芯片吞吐量高出 144%,因此每 token 成本低 59%。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。
108 tok/s/user 接近 24–136 tok/s/user 交互性区间的上限。在这一运行点,FP4 在 B300 上运行 GLM 5/5.1 的吞吐量为 563 tok/s/chip,每百万 token 成本为 $1.11;FP8 的吞吐量为 235 tok/s/chip,每百万 token 成本为 $2.67。在同一芯片上,FP4 的单芯片吞吐量高出 139%,因此每 token 成本低 58%。调整量化精度会同时影响推理速度和模型质量;模型准确率基准测试请参阅评估页。 (以上数据基于此 URL 对应的默认 1k/1k 配置;在控件中切换序列长度或模型后,下方表格和图表会同步更新。两侧均采用各自精度下可用的最优推理配置;只有存在相应测试配置时,才可能纳入 MTP 等投机解码方法。该口径与其他对比页面一致。)
数据由真实基准测试结果插值得出。调整下方的目标交互性数值,即可比较不同运行点。
| 指标 | 交互性(tok/s/user) | 交互性(tok/s/user) | 交互性(tok/s/user) |
|---|---|---|---|
| 吞吐量(tok/s/chip) | FP41,775FP8671 | FP41,034FP8424 | FP4563FP8235 |
| 成本($/M tok) | FP4$0.35FP8$0.94 | FP4$0.61FP8$1.48 | FP4$1.11FP8$2.67 |
| tok/s/MW | FP4934,379FP8353,288 | FP4544,052FP8223,210 | FP4296,573FP8123,852 |
| 并发数 | FP4~73FP8~54 | FP4~26FP8~22 | FP4~11FP8~9 |
