GLM 5/5.1 · 投机解码
H200 FP8:启用 MTP 与关闭投机解码的对比
在 H200 FP8(NVIDIA Hopper)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 H200 FP8 上的目标交互性设为 41 tok/s/user:启用 MTP 时,吞吐量为 329 tok/s/chip,每百万 token 成本为 $1.03;关闭投机解码时,吞吐量为 145 tok/s/chip,每百万 token 成本为 $2.34。在同一芯片上,MTP 的单芯片吞吐量高出 128%,因此每 token 成本低 56%。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 H200 FP8 上运行 GLM 5/5.1,目标交互性设为 47 tok/s/user:启用 MTP 时,吞吐量为 286 tok/s/chip,每百万 token 成本为 $1.19;关闭投机解码时,吞吐量为 113 tok/s/chip,每百万 token 成本为 $3.00。在同一芯片上,MTP 的单芯片吞吐量高出 153%,因此每 token 成本低 61%。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。
54 tok/s/user 接近 34–60 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 247 tok/s/chip,每百万 token 成本为 $1.37;关闭投机解码时,吞吐量为 82 tok/s/chip,每百万 token 成本为 $4.14。在同一芯片上,MTP 的单芯片吞吐量为对方的 3.0 倍,因此每 token 成本低 67%。投机解码的收益因工作负载而异;输出较短的 prompt 通常收益较小。 (以上数据基于此 URL 固定的 1k/1k · fp8 工作负载;切换序列长度或模型后,表格和图表会同步更新。表格始终使用本页指定的精度,控件中的精度选项只影响图表。)
数据由真实基准测试结果插值得出。调整下方的目标交互性数值,即可比较不同运行点。
| 指标 | 交互性(tok/s/user) | 交互性(tok/s/user) | 交互性(tok/s/user) |
|---|---|---|---|
| 吞吐量(tok/s/chip) | 启用 MTP329关闭投机解码145 | 启用 MTP286关闭投机解码113 | 启用 MTP247关闭投机解码82 |
| 成本($/M tok) | 启用 MTP$1.03关闭投机解码$2.34 | 启用 MTP$1.19关闭投机解码$3.00 | 启用 MTP$1.37关闭投机解码$4.14 |
| tok/s/MW | 启用 MTP240,498关闭投机解码105,518 | 启用 MTP208,666关闭投机解码82,381 | 启用 MTP180,539关闭投机解码59,680 |
| 并发数 | 启用 MTP~34关闭投机解码~14 | 启用 MTP~24关闭投机解码~10 | 启用 MTP~19关闭投机解码~6 |
