GLM 5/5.1 · GB300 NVL72 · 精度对比

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 10,120 tok/s/chip,每百万 token 成本为 $0.063;FP8 的吞吐量为 2,618 tok/s/chip,每百万 token 成本为 $0.25。在同一芯片上,FP4 的单芯片吞吐量为对方的 3.9 倍,因此每 token 成本低 74%。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 6,960 tok/s/chip,每百万 token 成本为 $0.092;FP8 的吞吐量为 479 tok/s/chip,每百万 token 成本为 $1.34。在同一芯片上,FP4 的单芯片吞吐量为对方的 15 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。

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 3,619 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。在同一芯片上,FP4 的单芯片吞吐量为对方的 21 倍,因此每 token 成本低 95%。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。)

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)
FP410,120FP82,618
FP46,960FP8479
FP43,619FP8171
成本($/M tok)
FP4$0.063FP8$0.25
FP4$0.092FP8$1.34
FP4$0.18FP8$3.74
tok/s/MW
FP44,773,597FP81,235,080
FP43,283,232FP8225,958
FP41,706,884FP880,846
并发数
FP4~3,606FP8~3,177
FP4~1,310FP8~307
FP4~567FP8~79
GLM 5/5.1:GB300 NVL72 上 FP4 与 FP8 在相同交互性水平下的吞吐量与成本
GB300 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 ↗