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。MTP 的成本效率高出 128%；MTP 的单芯片吞吐量高出 128%。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。MTP 的成本效率高出 153%；MTP 的单芯片吞吐量高出 153%。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 $4.14。MTP 的成本效率高出 203%；MTP 的单芯片吞吐量高出 203%。投机解码的收益因工作负载而异；输出较短的 prompt 通常收益较小。 （以上数据基于此 URL 固定的 1k/1k · fp8 工作负载；切换序列长度或模型后，表格和图表会同步更新。表格始终使用本页指定的精度，控件中的精度选项只影响图表。）
| 指标 | 交互性（tok/s/user） | 交互性（tok/s/user） | 交互性（tok/s/user） |
|---|---|---|---|
| 吞吐量（tok/s/chip） | 启用 MTP:329.5关闭投机解码:144.6 | 启用 MTP:285.9关闭投机解码:112.9 | 启用 MTP:247.3关闭投机解码:81.8 |
| 成本（$/M tok） | 启用 MTP:$1.029关闭投机解码:$2.344 | 启用 MTP:$1.185关闭投机解码:$3.003 | 启用 MTP:$1.370关闭投机解码:$4.145 |
| tok/s/MW | 启用 MTP:240498关闭投机解码:105518 | 启用 MTP:208666关闭投机解码:82381 | 启用 MTP:180539关闭投机解码:59680 |
| 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 |
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。