MiniMax M2.5/M2.7 · 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 MiniMax M2.5/M2.7 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 MiniMax M2.5/M2.7,目标交互性为 60 tok/s/user 时,FP4 与 FP8 的吞吐量分别为 10,256 和 3,263 tok/s/chip,每百万 token 成本分别为 $0.050 和 $0.16。在同一芯片上,FP4 的单芯片吞吐量为对方的 3.1 倍,因此每 token 成本低 68%。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。
89 tok/s/user 位于 31–147 tok/s/user 交互性区间的中段。在这一运行点,FP4 在 GB200 NVL72 上运行 MiniMax M2.5/M2.7 的吞吐量为 5,504 tok/s/chip,每百万 token 成本为 $0.094;FP8 的吞吐量为 831 tok/s/chip,每百万 token 成本为 $0.62。在同一芯片上,FP4 的单芯片吞吐量为对方的 6.6 倍,因此每 token 成本低 85%。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 MiniMax M2.5/M2.7,目标交互性为 118 tok/s/user 时,FP4 的吞吐量为 2,019 tok/s/chip,每百万 token 成本为 $0.26;FP8 的吞吐量为 331 tok/s/chip,每百万 token 成本为 $1.56。在同一芯片上,FP4 的单芯片吞吐量为对方的 6.1 倍,因此每 token 成本低 84%。较低的量化精度以模型准确率为代价换取更高吞吐量;如需了解对模型质量的影响,请查看评估页。 (以上数据基于此 URL 对应的默认 1k/1k 配置;在控件中切换序列长度或模型后,下方表格和图表会同步更新。两侧均采用各自精度下可用的最优推理配置;只有存在相应测试配置时,才可能纳入 MTP 等投机解码方法。该口径与其他对比页面一致。)
数据由真实基准测试结果插值得出。调整下方的目标交互性数值,即可比较不同运行点。
| 指标 | 交互性(tok/s/user) | 交互性(tok/s/user) | 交互性(tok/s/user) |
|---|---|---|---|
| 吞吐量(tok/s/chip) | FP410,256FP83,263 | FP45,504FP8831 | FP42,019FP8331 |
| 成本($/M tok) | FP4$0.050FP8$0.16 | FP4$0.094FP8$0.62 | FP4$0.26FP8$1.56 |
| tok/s/MW | FP45,484,468FP81,744,903 | FP42,943,092FP8444,236 | FP41,079,723FP8177,148 |
| 并发数 | FP4~1,024FP8~318 | FP4~395FP8~32 | FP4~124FP8~9 |
