Optimizasyon öncesi ve sonrası benchmark sonuçlarının karşılaştırması:
Benchmark senaryosu
temel yapılandırma (optimizasyonsuz vLLM)
Optimize edilmiş
Balanced: 8K giriş / 1K çıkış (optimizasyon hedefi)
Toplam TPS: 5481.90 Ortalama TPOT(ms): 636.24
Toplam TPS: 17525.76 (+219.70%) Ortalama TPOT(ms): 217.89
Kısa bağlam (1K giriş / 128 çıkış)
Toplam TPS: 13196.90 Ortalama TPOT(ms): 316.73
Toplam TPS: 18276.60 (+38.49%) Ortalama TPOT(ms): 211.06
Uzun bağlam (32K giriş / 100 çıkış)
Toplam TPS: 10513.68 Ortalama TPOT(ms): 1320.02
Toplam TPS: 26433.15 (+151.42%) Ortalama TPOT(ms): 537.26
Yoğun üretim (1K giriş / 2K çıkış)
Toplam TPS: 2268.18 Ortalama TPOT(ms): 42.11
Toplam TPS: 2267.33 (-0.04%) Ortalama TPOT(ms): 46.54
ShareGPT
Toplam TPS: 6040.94 Ortalama TPOT(ms): 149.24
Toplam TPS: 2845.48 (-52.90%) Ortalama TPOT(ms): 331.21
Not
Benchmark testlerimiz olası tüm optimizasyon birleşimlerini kapsamaz. Örneğin, varsayılan yapılandırmasında en iyi performansı gösteren çıkarım motorunu sonraki ayarlamalar için başlangıç noktası olarak seçeriz. Bu eleme yaklaşımı yerel bir optimum verir; bu, genel optimum olmayabilir.
En büyük toplu iş boyutu, zamanlama yapılandırması, genişletilmiş KV önbelleği, CUDA graph gibi belirli kullanım senaryolarına bağlı başka optimizasyonlar da vardır. Bu belgedeki sonuçlar, daha hedefli optimizasyonlar için başlangıç noktası olabilir.
Testler belirli donanım ve yazılım yapılandırmalarında yürütülmüştür. Çıkarım motorlarındaki gelişmeler sonuçları değiştirebilir.
Nicemleme doğruluğu etkileyebilir; ancak FP8 nicemleme çoğu modelde %1'den az doğruluk kaybı sağlayabilir. Ayrıntılar için değerlendirme sonuçlarına bakın. Bu nedenle düşük gecikmeli sunum senaryolarında FP8 nicemleme önemle önerilir.
Önerilen yapılandırma yüksek eş zamanlılık ve orta-uzun girdiler için ayarlanmıştır (temel iş yükü: 8K giriş / 1K çıkış). ShareGPT gibi kısa giriş/çıkışlı konuşma iş yüklerinde düz tensör paralelliğinden daha düşük performans verir; çünkü DP-attention ve DeepEP uzun diziler için tasarlanmıştır ve ek yükleri kısa isteklerde karşılanamaz (Diğer Benchmark Senaryoları altındaki ShareGPT'ye bakın). Bu denge GLM-5.2'nin hedef kullanımına uygundur: güçlü kodlama yeteneği, bağlamın çoğunlukla uzun olduğu kodlama ajanı sunumunu başlıca senaryo yapar; yapılandırma tam olarak bu alana göre optimize edilmiştir.
Eksik noktalar veya yeni değişiklikleri yansıtacak güncellemeler varsa bize bildirin.
Deney kurulumu
Model
zai-org/GLM-5.2-FP8
Donanım
NVIDIA H200x8
Motor sürümü
vLLM v0.24.0
SGLang v0.5.14
Benchmark yöntemi
Bu projede model sunum iş yükleri için GPUStack'in tek tıklamalı benchmark özelliği kullanılır. Bu belgedeki benchmark testleri bu akışla yürütülmüştür.
GPUStack'in benchmark uygulaması guidellm üzerine, sarmalayıcı benchmark-runner projesi aracılığıyla kurulmuştur.
Aşağıda listelenen benchmark yapılandırmalarında model dağıtımı, benchmark işinin gönderilmesi ve sonuçların toplanması GPUStack tarafından yapılır.
============ Serving Benchmark Result ============
Successful requests: 1000
Maximum request concurrency: 512
Benchmark duration (s): 1425.58
Total input tokens: 8204000
Total generated tokens: 1024000
Request throughput (req/s): 0.70
Output token throughput (tok/s): 719.90
Peak output token throughput (tok/s): 36770.60
Peak concurrent requests: 512.00
Total Token throughput (tok/s): 6487.53
----------------------Latency---------------------
Mean Latency(s): 553.77
Median Latency(s): 674.98
P95 Latency(s): 738.28
P99 Latency(s): 1087.06
---------------Time to First Token----------------
Mean TTFT (ms): 499353.08
Median TTFT (ms): 640537.31
P95 TTFT (ms): 692823.09
P99 TTFT (ms): 694859.54
-----Time per Output Token (excl. 1st token)------
Mean TPOT (ms): 540.79
Median TPOT (ms): 659.16
P95 TPOT (ms): 720.97
P99 TPOT (ms): 1061.58
---------------Inter-token Latency----------------
Mean ITL (ms): 53.19
Median ITL (ms): 41.87
P95 ITL (ms): 53.14
P99 ITL (ms): 661.38
==================================================
Özet: SGLang Toplam TPS = 6487.53, vLLM Toplam TPS = 5481.90. SGLang, 1005.62 tok/s daha hızlıdır (18.34%); Ortalama TPOT = 540.79 ms ile 636.24 ms, azalma: 95.45 ms (15.00%).
============ Serving Benchmark Result ============
Successful requests: 1000
Maximum request concurrency: 512
Benchmark duration (s): 688.60
Total input tokens: 8204000
Total generated tokens: 1024000
Request throughput (req/s): 1.45
Output token throughput (tok/s): 1527.01
Peak output token throughput (tok/s): 46500.08
Peak concurrent requests: 512.00
Total Token throughput (tok/s): 13760.98
----------------------Latency---------------------
Mean Latency(s): 273.29
Median Latency(s): 272.67
P95 Latency(s): 362.52
P99 Latency(s): 488.73
---------------Time to First Token----------------
Mean TTFT (ms): 201642.60
Median TTFT (ms): 219374.83
P95 TTFT (ms): 293139.84
P99 TTFT (ms): 297529.93
-----Time per Output Token (excl. 1st token)------
Mean TPOT (ms): 266.89
Median TPOT (ms): 266.28
P95 TPOT (ms): 354.02
P99 TPOT (ms): 477.28
---------------Inter-token Latency----------------
Mean ITL (ms): 70.04
Median ITL (ms): 65.72
P95 ITL (ms): 85.73
P99 ITL (ms): 276.51
==================================================
Özet: 0.85 Toplam TPS = 13760.98, auto Toplam TPS = 5881.79. 0.85, 7879.19 tok/s daha hızlıdır (133.96%); Ortalama TPOT = 266.89 ms ile 594.26 ms, azalma: 327.38 ms (55.09%).
============ Serving Benchmark Result ============
Successful requests: 1000
Maximum request concurrency: 512
Benchmark duration (s): 689.11
Total input tokens: 8204000
Total generated tokens: 1024000
Request throughput (req/s): 1.45
Output token throughput (tok/s): 1526.75
Peak output token throughput (tok/s): 52394.68
Peak concurrent requests: 512.00
Total Token throughput (tok/s): 13758.60
----------------------Latency---------------------
Mean Latency(s): 273.27
Median Latency(s): 272.75
P95 Latency(s): 362.79
P99 Latency(s): 489.22
---------------Time to First Token----------------
Mean TTFT (ms): 201640.48
Median TTFT (ms): 219319.19
P95 TTFT (ms): 293076.86
P99 TTFT (ms): 297429.96
-----Time per Output Token (excl. 1st token)------
Mean TPOT (ms): 266.86
Median TPOT (ms): 266.36
P95 TPOT (ms): 354.28
P99 TPOT (ms): 477.76
---------------Inter-token Latency----------------
Mean ITL (ms): 70.02
Median ITL (ms): 65.70
P95 ITL (ms): 85.80
P99 ITL (ms): 276.29
==================================================
Özet: default Toplam TPS = 13760.98, 8K Toplam TPS = 13758.60. default, 2.37 tok/s daha hızlıdır (0.02%); Ortalama TPOT = 266.89 ms ile 266.86 ms, artış: 0.03 ms (0.01% daha yavaş).
Büyük parçalı prefill boyutlarında bellek yetersizliği
Bu yapılandırmada --chunked-prefill-size değerini 16384 veya 32768 yapmak bellek yetersizliğiyle çökmeye yol açar. Daha büyük blok, aktivasyon rezervini artırır; bellek planlayıcısı bunu KV önbellek bütçesinden çıkarınca ~700B FP8 ağırlıkları ve KV önbelleği için yeterli alan kalmaz. Yalnızca 8192 ve varsayılan değer çalışır; aralarındaki fark ölçüm gürültüsü düzeyindedir. 8K girdide blok boyutu işlem hacmi kazancı sağlamadığından önerilen yapılandırmada varsayılan bırakılmıştır.
============ Serving Benchmark Result ============
Successful requests: 1000
Maximum request concurrency: 512
Benchmark duration (s): 666.14
Total input tokens: 8204000
Total generated tokens: 1024000
Request throughput (req/s): 1.50
Output token throughput (tok/s): 1581.39
Peak output token throughput (tok/s): 38164.10
Peak concurrent requests: 512.00
Total Token throughput (tok/s): 14251.08
----------------------Latency---------------------
Mean Latency(s): 265.47
Median Latency(s): 292.45
P95 Latency(s): 368.40
P99 Latency(s): 482.40
---------------Time to First Token----------------
Mean TTFT (ms): 203755.52
Median TTFT (ms): 239495.62
P95 TTFT (ms): 301525.04
P99 TTFT (ms): 304478.79
-----Time per Output Token (excl. 1st token)------
Mean TPOT (ms): 259.25
Median TPOT (ms): 285.59
P95 TPOT (ms): 359.76
P99 TPOT (ms): 471.09
---------------Inter-token Latency----------------
Mean ITL (ms): 60.33
Median ITL (ms): 54.22
P95 ITL (ms): 70.59
P99 ITL (ms): 291.22
==================================================
Özet: max-running 256 Toplam TPS = 14451.05, max-running 64 Toplam TPS = 9959.18. max-running 256, 4491.87 tok/s daha hızlıdır (45.10%); Ortalama TPOT = 255.63 ms ile 359.30 ms, azalma: 103.67 ms (28.85%).
============ Serving Benchmark Result ============
Successful requests: 1000
Maximum request concurrency: 512
Benchmark duration (s): 2722.41
Total input tokens: 8204000
Total generated tokens: 1024000
Request throughput (req/s): 0.37
Output token throughput (tok/s): 378.79
Peak output token throughput (tok/s): 63639.56
Peak concurrent requests: 512.00
Total Token throughput (tok/s): 3413.56
----------------------Latency---------------------
Mean Latency(s): 1084.11
Median Latency(s): 1206.16
P95 Latency(s): 1510.02
P99 Latency(s): 1897.83
---------------Time to First Token----------------
Mean TTFT (ms): 773983.92
Median TTFT (ms): 924140.14
P95 TTFT (ms): 1214572.96
P99 TTFT (ms): 1217017.99
-----Time per Output Token (excl. 1st token)------
Mean TPOT (ms): 1058.70
Median TPOT (ms): 1177.89
P95 TPOT (ms): 1474.63
P99 TPOT (ms): 1853.35
---------------Inter-token Latency----------------
Mean ITL (ms): 303.15
Median ITL (ms): 277.82
P95 ITL (ms): 294.11
P99 ITL (ms): 1229.38
==================================================
Özet: auto Toplam TPS = 14451.05, normal Toplam TPS = 3413.56. auto, 11037.49 tok/s daha hızlıdır (323.34%); Ortalama TPOT = 255.63 ms ile 1058.70 ms, azalma: 803.07 ms (75.85%).
============ Serving Benchmark Result ============
Successful requests: 1000
Maximum request concurrency: 512
Benchmark duration (s): 539.39
Total input tokens: 8204000
Total generated tokens: 1024000
Request throughput (req/s): 1.85
Output token throughput (tok/s): 1944.77
Peak output token throughput (tok/s): 60301.69
Peak concurrent requests: 512.00
Total Token throughput (tok/s): 17525.76
----------------------Latency---------------------
Mean Latency(s): 223.12
Median Latency(s): 219.64
P95 Latency(s): 327.25
P99 Latency(s): 327.80
---------------Time to First Token----------------
Mean TTFT (ms): 143076.43
Median TTFT (ms): 151142.06
P95 TTFT (ms): 234645.47
P99 TTFT (ms): 239552.62
-----Time per Output Token (excl. 1st token)------
Mean TPOT (ms): 217.89
Median TPOT (ms): 214.49
P95 TPOT (ms): 319.58
P99 TPOT (ms): 320.12
---------------Inter-token Latency----------------
Mean ITL (ms): 78.24
Median ITL (ms): 74.83
P95 ITL (ms): 105.11
P99 ITL (ms): 217.21
==================================================
Özet: fp8_e4m3 Toplam TPS = 17525.76, bf16 Toplam TPS = 14451.05. fp8_e4m3, 3074.72 tok/s daha hızlıdır (21.28%); Ortalama TPOT = 217.89 ms ile 255.63 ms, azalma: 37.74 ms (14.76%).
FP8 KV önbelleği doğruluk denetimi (GSM8K)
Hopper'da FP8 KV önbelleği varsayılan değildir (SGLang otomatik olarak bf16 seçer); yalnızca KV ile sınırlı, yüksek eş zamanlılık ve uzun bağlam koşullarında işlem hacmini artırır. Kaliteyi düşürmediğini doğrulamak için bir GSM8K kontrol testi yaptık (200 örnek, düşünme kapalı, açgözlü çözümleme):
KV veri türü
GSM8K puanı
bf16
0.975
fp8_e4m3
0.980
Fark ölçüm gürültüsü düzeyindedir (~1 soru / 200); ölçülebilir bir doğruluk kaybı yoktur. Yine de özellikle FP8 nicemleme hatasının birikebildiği uzun bağlamlarda kendi iş yükünüzün doğruluğunu doğrulayın.
Optimizasyon seçeneklerinin özeti
Benchmark senaryoları
Optimize edilmiş
Temel yapılandırma
Çıkarım motoru seçimi
Toplam TPS: 6487.53 (+18.34%) Ortalama TPOT(ms): 540.79
Toplam TPS: 5481.90 Ortalama TPOT(ms): 636.24
Paralellik stratejisi
Toplam TPS: 7011.17 (+27.90%) Ortalama TPOT(ms): 497.48
Toplam TPS: 5481.90 Ortalama TPOT(ms): 636.24
Bellek oranı
Toplam TPS: 13760.98 (+151.03%) Ortalama TPOT(ms): 266.89
Toplam TPS: 5481.90 Ortalama TPOT(ms): 636.24
Parçalı prefill boyutu
Toplam TPS: 13760.98 (+151.03%) Ortalama TPOT(ms): 266.89
Toplam TPS: 5481.90 Ortalama TPOT(ms): 636.24
DeepEP ve en fazla çalışan istek
Toplam TPS: 14451.05 (+163.61%) Ortalama TPOT(ms): 255.63
Toplam TPS: 5481.90 Ortalama TPOT(ms): 636.24
DeepEP modu
Toplam TPS: 14451.05 (+163.61%) Ortalama TPOT(ms): 255.63
Toplam TPS: 5481.90 Ortalama TPOT(ms): 636.24
KV önbelleği veri türü
Toplam TPS: 17525.76 (+219.70%) Ortalama TPOT(ms): 217.89
Toplam TPS: 5481.90 Ortalama TPOT(ms): 636.24
Diğer benchmark senaryoları
Balanced: 8K giriş / 1K çıkış (optimizasyon hedefi)