GLM 5/5.1 · GB200 NVL72 · 精度对比

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 10,028 和 4,348 tok/s/chip,每百万 token 成本分别为 $0.052 和 $0.12。在同一芯片上,FP4 的单芯片吞吐量高出 131%,因此每 token 成本低 57%。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 8,993 tok/s/chip,每百万 token 成本为 $0.057;FP8 的吞吐量为 1,241 tok/s/chip,每百万 token 成本为 $0.42。在同一芯片上,FP4 的单芯片吞吐量为对方的 7.2 倍,因此每 token 成本低 86%。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 5,993 tok/s/chip,每百万 token 成本为 $0.086;FP8 的吞吐量为 444 tok/s/chip,每百万 token 成本为 $1.16。在同一芯片上,FP4 的单芯片吞吐量为对方的 13 倍,因此每 token 成本低 93%。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。)

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)
FP410,028FP84,348
FP48,993FP81,241
FP45,993FP8444
成本($/M tok)
FP4$0.052FP8$0.12
FP4$0.057FP8$0.42
FP4$0.086FP8$1.16
tok/s/MW
FP45,362,582FP82,325,056
FP44,808,874FP8663,610
FP43,205,073FP8237,619
并发数
FP4~1,404FP8~1,975
FP4~664FP8~136
FP4~641FP8~47
GLM 5/5.1:GB200 NVL72 上 FP4 与 FP8 在相同交互性水平下的吞吐量与成本
GB200 NVL72 上 FP4 与 FP8 在此对比默认工作负载下的吞吐量与每百万 token 成本
查看大图 ↗