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 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 GB200 NVL72 上运行 GLM 5/5.1，目标交互性为 49 tok/s/user 时，FP4 与 FP8 的吞吐量分别为 10028 和 4348 tok/s/chip，每百万 token 成本分别为 $0.05 和 $0.12。FP4 的成本效率高出 131%；FP4 的单芯片吞吐量高出 131%。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。
69 tok/s/user 位于 30–109 tok/s/user 交互性区间的中段。在这一运行点，FP4 在 GB200 NVL72 上运行 GLM 5/5.1 的吞吐量为 8993 tok/s/chip，每百万 token 成本为 $0.06；FP8 的吞吐量为 1241 tok/s/chip，每百万 token 成本为 $0.42。FP4 的成本效率高出 625%；FP4 的单芯片吞吐量高出 625%。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。
在 GB200 NVL72 上运行 GLM 5/5.1，目标交互性为 89 tok/s/user 时，FP4 的吞吐量为 5993 tok/s/chip，每百万 token 成本为 $0.09；FP8 的吞吐量为 444 tok/s/chip，每百万 token 成本为 $1.16。FP4 的成本效率高出 1249%；FP4 的单芯片吞吐量高出 1249%。较低的量化精度以模型准确率为代价换取更高吞吐量；如需了解对模型质量的影响，请查看评估页。 （以上数据基于此 URL 对应的默认 8k/1k 配置；在控件中切换序列长度或模型后，下方表格和图表会同步更新。两侧均采用各自精度下可用的最优推理配置；只有存在相应测试配置时，才可能纳入 MTP 等投机解码方法。该口径与其他对比页面一致。）
| 指标 | 交互性（tok/s/user） | 交互性（tok/s/user） | 交互性（tok/s/user） |
|---|---|---|---|
| 吞吐量（tok/s/chip） | FP4:10028.0FP8:4347.9 | FP4:8992.6FP8:1241.0 | FP4:5993.5FP8:444.3 |
| 成本（$/M tok） | FP4:$0.052FP8:$0.119 | FP4:$0.057FP8:$0.416 | FP4:$0.086FP8:$1.163 |
| tok/s/MW | FP4:5362582FP8:2325056 | FP4:4808874FP8:663610 | FP4:3205073FP8:237619 |
| 并发数 | FP4:~1404FP8:~1975 | FP4:~664FP8:~136 | FP4:~641FP8:~47 |
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。