MiniMax M2.5/M2.7 · 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 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 12,145 tok/s/chip,每百万 token 成本为 $0.053;FP8 的吞吐量为 4,368 tok/s/chip,每百万 token 成本为 $0.15。在同一芯片上,FP4 的单芯片吞吐量高出 178%,因此每 token 成本低 64%。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 7,589 tok/s/chip,每百万 token 成本为 $0.085;FP8 的吞吐量为 1,760 tok/s/chip,每百万 token 成本为 $0.36。在同一芯片上,FP4 的单芯片吞吐量为对方的 4.3 倍,因此每 token 成本低 77%。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 3,983 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。在同一芯片上,FP4 的单芯片吞吐量为对方的 4.5 倍,因此每 token 成本低 78%。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)
FP412,145FP84,368
FP47,589FP81,760
FP43,983FP8887
成本($/M tok)
FP4$0.053FP8$0.15
FP4$0.085FP8$0.36
FP4$0.16FP8$0.72
tok/s/MW
FP45,728,652FP82,060,561
FP43,579,613FP8830,251
FP41,878,642FP8418,299
并发数
FP4~1,143FP8~500
FP4~1,024FP8~64
FP4~229FP8~32
MiniMax M2.5/M2.7: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 ↗