GB300 NVL72：FP4 与 FP8 精度对比
在 GB300 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。
43 tok/s/user 接近 19–115 tok/s/user 交互性区间的下限。在这一运行点，FP4 在 GB300 NVL72 上运行 GLM 5/5.1 的吞吐量为 10120 tok/s/chip，每百万 token 成本为 $0.06；FP8 的吞吐量为 2618 tok/s/chip，每百万 token 成本为 $0.25。FP4 的成本效率高出 287%；FP4 的单芯片吞吐量高出 287%。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 GB300 NVL72 上运行 GLM 5/5.1，目标交互性为 67 tok/s/user 时，FP4 的吞吐量为 6960 tok/s/chip，每百万 token 成本为 $0.09；FP8 的吞吐量为 479 tok/s/chip，每百万 token 成本为 $1.34。FP4 的成本效率高出 1353%；FP4 的单芯片吞吐量高出 1353%。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 GB300 NVL72 上的目标交互性为 91 tok/s/user 时，FP4 的吞吐量为 3619 tok/s/chip，每百万 token 成本为 $0.18；FP8 的吞吐量为 171 tok/s/chip，每百万 token 成本为 $3.74。FP4 的成本效率高出 2011%；FP4 的单芯片吞吐量高出 2011%。不同量化精度下的模型准确率差异可在评估页查看。 （以上数据基于此 URL 对应的默认 1k/1k 配置；在控件中切换序列长度或模型后，下方表格和图表会同步更新。两侧均采用各自精度下可用的最优推理配置；只有存在相应测试配置时，才可能纳入 MTP 等投机解码方法。该口径与其他对比页面一致。）
| 指标 | 交互性（tok/s/user） | 交互性（tok/s/user） | 交互性（tok/s/user） |
|---|---|---|---|
| 吞吐量（tok/s/chip） | FP4:10120.0FP8:2618.4 | FP4:6960.5FP8:479.0 | FP4:3618.6FP8:171.4 |
| 成本（$/M tok） | FP4:$0.063FP8:$0.245 | FP4:$0.092FP8:$1.340 | FP4:$0.177FP8:$3.744 |
| tok/s/MW | FP4:4773597FP8:1235080 | FP4:3283232FP8:225958 | FP4:1706884FP8:80846 |
| 并发数 | FP4:~3606FP8:~3177 | FP4:~1310FP8:~307 | FP4:~567FP8:~79 |
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。