GLM 5/5.1 · 投机解码

B200 FP4:启用 MTP 与关闭投机解码的对比

在 B200 FP4(NVIDIA Blackwell)上运行 GLM 5/5.1 时,对比启用 MTP和关闭投机解码两种配置的表现,涵盖不同 LLM 工作负载下的吞吐量、成本和交互性。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。

MTP 接受率不宜跨引擎直接比较

不同推理引擎统计 MTP 接受率的口径并不一致,因此同一条曲线上来自不同引擎的数据点不可直接比较。在交互性相同的情况下,吞吐量和成本差异可能来自引擎本身,并不完全代表投机解码带来的收益。跨引擎对比时请谨慎解读。

GLM 5/5.1 在 B200 FP4 上的目标交互性设为 40 tok/s/user:启用 MTP 时,吞吐量为 1,269 tok/s/chip,每百万 token 成本为 $0.38;关闭投机解码时,吞吐量为 1,089 tok/s/chip,每百万 token 成本为 $0.44。在同一芯片上,MTP 的单芯片吞吐量高出 17%,因此每 token 成本低 14%。draft token 接受率决定了在给定并发数下,投机解码是提升性能还是拖累性能。

在 B200 FP4 上运行 GLM 5/5.1,目标交互性设为 57 tok/s/user:启用 MTP 时,吞吐量为 934 tok/s/chip,每百万 token 成本为 $0.51;关闭投机解码时,吞吐量为 577 tok/s/chip,每百万 token 成本为 $0.83。在同一芯片上,MTP 的单芯片吞吐量高出 62%,因此每 token 成本低 38%。投机解码会增加 draft token 的计算量,以减少解码步数;收益取决于序列长度和批大小。

75 tok/s/user 接近 23–92 tok/s/user 交互性区间的上限。在这一运行点,启用 MTP 时,吞吐量为 687 tok/s/chip,每百万 token 成本为 $0.70;关闭投机解码时,吞吐量为 281 tok/s/chip,每百万 token 成本为 $1.71。在同一芯片上,MTP 的单芯片吞吐量高出 145%,因此每 token 成本低 59%。投机解码的收益因工作负载而异;输出较短的 prompt 通常收益较小。 (以上数据基于此 URL 固定的 1k/1k · fp4 工作负载;切换序列长度或模型后,表格和图表会同步更新。表格始终使用本页指定的精度,控件中的精度选项只影响图表。)

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)
启用 MTP1,269关闭投机解码1,089
启用 MTP934关闭投机解码577
启用 MTP687关闭投机解码281
成本($/M tok)
启用 MTP$0.38关闭投机解码$0.44
启用 MTP$0.51关闭投机解码$0.83
启用 MTP$0.70关闭投机解码$1.71
tok/s/MW
启用 MTP742,326关闭投机解码636,858
启用 MTP546,308关闭投机解码337,384
启用 MTP401,758关闭投机解码164,159
并发数
启用 MTP~64关闭投机解码~55
启用 MTP~34关闭投机解码~21
启用 MTP~19关闭投机解码~8
GLM 5/5.1:B200 FP4 上两种配置(启用 MTP、关闭投机解码)在相同交互性水平下的对比
B200 FP4 上两种配置(启用 MTP、关闭投机解码)的对比(默认工作负载)
查看大图 ↗