H100 FP8：启用 MTP 与关闭投机解码的对比
在 H100 FP8（NVIDIA Hopper）上运行 Qwen 3.5 397B-A17B 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 H100 FP8 上运行 Qwen 3.5 397B-A17B，目标交互性设为 84 tok/s/user：启用 MTP 时，吞吐量为 361 tok/s/chip，每百万 token 成本为 $0.90；关闭投机解码时，吞吐量为 214 tok/s/chip，每百万 token 成本为 $1.52。MTP 的成本效率高出 69%；MTP 的单芯片吞吐量高出 69%。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。
108 tok/s/user 位于 60–157 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 292 tok/s/chip，每百万 token 成本为 $1.11；关闭投机解码时，吞吐量为 160 tok/s/chip，每百万 token 成本为 $2.03。MTP 的成本效率高出 82%；MTP 的单芯片吞吐量高出 82%。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 H100 FP8 上运行 Qwen 3.5 397B-A17B，目标交互性设为 133 tok/s/user：启用 MTP 时，吞吐量为 240 tok/s/chip，每百万 token 成本为 $1.35；关闭投机解码时，吞吐量为 102 tok/s/chip，每百万 token 成本为 $3.20。MTP 的成本效率高出 137%；MTP 的单芯片吞吐量高出 137%。投机解码通过接受 draft token 降低每 token 延迟；收益因工作负载和 prompt 分布而异。 （以上数据基于此 URL 固定的 1k/1k · fp8 工作负载；切换序列长度或模型后，表格和图表会同步更新。表格始终使用本页指定的精度，控件中的精度选项只影响图表。）
| 指标 | 交互性（tok/s/user） | 交互性（tok/s/user） | 交互性（tok/s/user） |
|---|---|---|---|
| 吞吐量（tok/s/chip） | 启用 MTP:360.9关闭投机解码:213.9 | 启用 MTP:291.9关闭投机解码:160.2 | 启用 MTP:240.5关闭投机解码:101.5 |
| 成本（$/M tok） | 启用 MTP:$0.901关闭投机解码:$1.519 | 启用 MTP:$1.113关闭投机解码:$2.029 | 启用 MTP:$1.352关闭投机解码:$3.201 |
| tok/s/MW | 启用 MTP:263401关闭投机解码:156145 | 启用 MTP:213065关闭投机解码:116900 | 启用 MTP:175528关闭投机解码:74101 |
| 并发数 | 启用 MTP:~18关闭投机解码:~11 | 启用 MTP:~11关闭投机解码:~6 | 启用 MTP:~8关闭投机解码:~3 |
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。