GLM 5/5.1 · 投机解码
GB200 NVL72 FP4:启用 MTP 与关闭投机解码的对比
在 GB200 NVL72 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。
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 GB200 NVL72 FP4 上的目标交互性设为 50 tok/s/user:启用 MTP 时,吞吐量为 9,984 tok/s/chip,每百万 token 成本为 $0.052;关闭投机解码时,吞吐量为 2,207 tok/s/chip,每百万 token 成本为 $0.23。在同一芯片上,MTP 的单芯片吞吐量为对方的 4.5 倍,因此每 token 成本低 78%。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 GB200 NVL72 FP4 上运行 GLM 5/5.1,目标交互性设为 62 tok/s/user:启用 MTP 时,吞吐量为 9,414 tok/s/chip,每百万 token 成本为 $0.055;关闭投机解码时,吞吐量为 1,209 tok/s/chip,每百万 token 成本为 $0.43。在同一芯片上,MTP 的单芯片吞吐量为对方的 7.8 倍,因此每 token 成本低 87%。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。
74 tok/s/user 接近 38–86 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 8,514 tok/s/chip,每百万 token 成本为 $0.061;关闭投机解码时,吞吐量为 466 tok/s/chip,每百万 token 成本为 $1.11。在同一芯片上,MTP 的单芯片吞吐量为对方的 18 倍,因此每 token 成本低 95%。投机解码的收益因工作负载而异;输出较短的 prompt 通常收益较小。 (以上数据基于此 URL 固定的 8k/1k · fp4 工作负载;切换序列长度或模型后,表格和图表会同步更新。表格始终使用本页指定的精度,控件中的精度选项只影响图表。)
数据由真实基准测试结果插值得出。调整下方的目标交互性数值,即可比较不同运行点。
| 指标 | 交互性(tok/s/user) | 交互性(tok/s/user) | 交互性(tok/s/user) |
|---|---|---|---|
| 吞吐量(tok/s/chip) | 启用 MTP9,984关闭投机解码2,207 | 启用 MTP9,414关闭投机解码1,209 | 启用 MTP8,514关闭投机解码466 |
| 成本($/M tok) | 启用 MTP$0.052关闭投机解码$0.23 | 启用 MTP$0.055关闭投机解码$0.43 | 启用 MTP$0.061关闭投机解码$1.11 |
| tok/s/MW | 启用 MTP5,338,994关闭投机解码1,180,133 | 启用 MTP5,034,330关闭投机解码646,310 | 启用 MTP4,552,911关闭投机解码249,075 |
| 并发数 | 启用 MTP~1,340关闭投机解码~227 | 启用 MTP~818关闭投机解码~105 | 启用 MTP~618关闭投机解码~74 |
