能效比常被简化成“每瓦算力”，但在真实业务里，这个数字几乎无法直接横向比较。爱看球产品与方案栏目在处理公开规格时，会把能效比拆成算力密度、显存带宽利用率、互联开销与场景负载匹配度四个维度并列呈现。只有把维度拆开，读者才能判断某一组规格在自己的场景里到底意味着什么。

算力密度：先确认精度口径

算力密度的比较前提是精度口径一致。不同方案在低精度格式上的算力标注差异很大，若把不同精度的数字放在一起排序，结论会完全失真。

  • 先确认标注的是哪种精度下的算力，再看是否支持稀疏化加速。
  • 算力密度高不等于实际吞吐高，还要看显存带宽能否喂饱计算单元。
  • 面向推理的方案常在中低精度上做优化，比较时应以业务实际使用的精度为准。

爱看球在结构化条目中会把精度口径单独列为一栏，避免读者拿不同口径的数字直接对比。

内存带宽利用率：能效比的隐形分母

很多推理任务的瓶颈不在计算，而在显存访问。带宽利用率低的方案，即便算力密度很高，单位功耗下的有效吞吐也会被拖累。

  • 解码类任务访存密集，带宽与缓存设计对能效比的影响大于峰值算力。
  • 批处理规模提升可以摊薄权重读取开销，但会抬高显存容量压力。
  • 片上缓存与近存计算的取舍，需要在延迟与容量之间找平衡点。

爱看球建议读者先估算自己业务的访存特征，再去看带宽参数，这样能效比的比较才有意义。

互联开销：集群视角下的能效账

单卡能效比好看，放进集群后可能被互联开销吃掉。训练任务的梯度同步、推理服务的请求调度，都会在互联层面产生额外功耗与等待。

  • 大规模训练集群应把互联功耗计入整体能效，而不是只统计计算芯片本身。
  • 推理服务可通过拓扑感知调度降低跨节点通信比例，改善整体能效表现。
  • 封装内互联的演进正在改变多芯方案的能效边界，值得持续跟踪公开资料。

爱看球在方案对比中会把互联方式与典型拓扑并列，方便读者估算集群层面的真实开销。

场景负载匹配：能效比的最终落点

同一组规格，在不同负载下的能效表现可能相差数倍。把负载特征说清楚，比争论哪颗芯片更能效更有价值。

  • 预训练负载：关注长时间高负载下的功耗稳定性与互联效率。
  • 在线推理负载：关注低延迟约束下的单位功耗吞吐与弹性扩缩容。
  • 边缘负载：关注功耗上限、散热条件与环境温度对持续性能的影响。

爱看球产品与方案栏目以结构化条目呈现公开规格，支持按制程、显存类型、互联方式与应用场景筛选对比，不提供厂商正式选型结论，而是把取舍关系摆出来。读者可在安卓、苹果 iOS、Windows 电脑版与 Mac 电脑版客户端同步查看这些条目，结合自身负载特征做判断。