GB300 NVL72 FP4：启用 MTP 与关闭投机解码的对比
在 GB300 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。
在 GB300 NVL72 FP4 上运行 GLM 5/5.1，目标交互性设为 42 tok/s/user：启用 MTP 时，吞吐量为 10234 tok/s/chip，每百万 token 成本为 $0.06；关闭投机解码时，吞吐量为 5653 tok/s/chip，每百万 token 成本为 $0.11。MTP 的成本效率高出 81%；MTP 的单芯片吞吐量高出 81%。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。
63 tok/s/user 位于 21–104 tok/s/user 交互性区间的中段。在这一运行点，启用 MTP 时，吞吐量为 7527 tok/s/chip，每百万 token 成本为 $0.09；关闭投机解码时，吞吐量为 429 tok/s/chip，每百万 token 成本为 $1.50。MTP 的成本效率高出 1657%；MTP 的单芯片吞吐量高出 1657%。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。
在 GB300 NVL72 FP4 上运行 GLM 5/5.1，目标交互性设为 84 tok/s/user：启用 MTP 时，吞吐量为 4517 tok/s/chip，每百万 token 成本为 $0.14；关闭投机解码时，吞吐量为 92 tok/s/chip，每百万 token 成本为 $7.01。MTP 的成本效率高出 4832%；MTP 的单芯片吞吐量高出 4832%。投机解码通过接受 draft token 降低每 token 延迟；收益因工作负载和 prompt 分布而异。 （以上数据基于此 URL 固定的 1k/1k · fp4 工作负载；切换序列长度或模型后，表格和图表会同步更新。表格始终使用本页指定的精度，控件中的精度选项只影响图表。）
| 指标 | 交互性（tok/s/user） | 交互性（tok/s/user） | 交互性（tok/s/user） |
|---|---|---|---|
| 吞吐量（tok/s/chip） | 启用 MTP:10233.9关闭投机解码:5653.3 | 启用 MTP:7526.9关闭投机解码:428.5 | 启用 MTP:4516.5关闭投机解码:91.6 |
| 成本（$/M tok） | 启用 MTP:$0.063关闭投机解码:$0.114 | 启用 MTP:$0.085关闭投机解码:$1.497 | 启用 MTP:$0.142关闭投机解码:$7.006 |
| tok/s/MW | 启用 MTP:4827317关闭投机解码:2666668 | 启用 MTP:3550446关闭投机解码:202127 | 启用 MTP:2130446关闭投机解码:43199 |
| 并发数 | 启用 MTP:~3770关闭投机解码:~2253 | 启用 MTP:~1486关闭投机解码:~104 | 启用 MTP:~721关闭投机解码:~35 |
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。