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 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。
53 tok/s/user 接近 30–122 tok/s/user 交互性区间的下限。在这一运行点，FP4 在 GB300 NVL72 上运行 MiniMax M2.5/M2.7 的吞吐量为 12145 tok/s/chip，每百万 token 成本为 $0.05；FP8 的吞吐量为 4368 tok/s/chip，每百万 token 成本为 $0.15。FP4 的成本效率高出 178%；FP4 的单芯片吞吐量高出 178%。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 MiniMax M2.5/M2.7，目标交互性为 76 tok/s/user 时，FP4 的吞吐量为 7589 tok/s/chip，每百万 token 成本为 $0.08；FP8 的吞吐量为 1760 tok/s/chip，每百万 token 成本为 $0.36。FP4 的成本效率高出 331%；FP4 的单芯片吞吐量高出 331%。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 MiniMax M2.5/M2.7 在 GB300 NVL72 上的目标交互性为 100 tok/s/user 时，FP4 的吞吐量为 3983 tok/s/chip，每百万 token 成本为 $0.16；FP8 的吞吐量为 887 tok/s/chip，每百万 token 成本为 $0.72。FP4 的成本效率高出 349%；FP4 的单芯片吞吐量高出 349%。不同量化精度下的模型准确率差异可在评估页查看。 （以上数据基于此 URL 对应的默认 1k/1k 配置；在控件中切换序列长度或模型后，下方表格和图表会同步更新。两侧均采用各自精度下可用的最优推理配置；只有存在相应测试配置时，才可能纳入 MTP 等投机解码方法。该口径与其他对比页面一致。）
| 指标 | 交互性（tok/s/user） | 交互性（tok/s/user） | 交互性（tok/s/user） |
|---|---|---|---|
| 吞吐量（tok/s/chip） | FP4:12144.7FP8:4368.4 | FP4:7588.8FP8:1760.1 | FP4:3982.7FP8:886.8 |
| 成本（$/M tok） | FP4:$0.053FP8:$0.147 | FP4:$0.085FP8:$0.365 | FP4:$0.161FP8:$0.724 |
| tok/s/MW | FP4:5728652FP8:2060561 | FP4:3579613FP8:830251 | FP4:1878642FP8:418299 |
| 并发数 | FP4:~1143FP8:~500 | FP4:~1024FP8:~64 | FP4:~229FP8:~32 |
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。