引导式测验 · 硬 等级

FP8 和低精度格式测验

练习 FP8 指数和尾数选择、缩放比例和硬件要求，包括为什么较小的数字格式不能保证相同的输出。

相关引导路径Fp8 和低精度格式
问题 1 的 8

与标准 FP32 数字相比，FP8 数字使用多少位？

预览每个问题8 问题

当您参加测验时，就会出现答案和解释。

  1. 与标准 FP32 数字相比，FP8 数字使用多少位？
    • 8 位 vs 16 位（一半）
    • 8 位与 64 位（八分之一）
    • 8 位与 32 位（四分之一）
    • 8 位 vs 8 位（相同）
  2. “E4M3”和“E5M2”标签描述了 FP8 格式的哪些内容？
    • 错误率和模型大小
    • 指数位数与尾数位数
    • 时钟速度和内存通道
    • 训练时期和模型层
  3. 为什么 FP8 管道将缩放因子应用于张量？
    • 为了安全起见对权重进行加密
    • 增加模型层数
    • 将模型转换为不同的语言
    • 将值保持在 FP8 的窄可表示范围内并避免上溢/下溢
  4. 使用 FP8 的主要缺点是什么？
    • 数值精度降低（舍入误差）
    • 更高的内存使用率
    • 较慢的矩阵乘法
    • 无法在任何 GPU 上运行
  5. 哪一代 NVIDIA GPU 首先添加了对 FP8 矩阵数学的专用硬件支持？
    • 帕斯卡 (P100)
    • 料斗 (H100)
    • 开普勒 (K80)
    • 麦克斯韦 (M40)
  6. 超越 FP8 的精度格式的趋势是什么？
    • 返回 64 位双精度进行推理
    • 完全消除浮点数以支持文本
    • 所有模型权重仅使用 FP32
    • 甚至更低位的微缩放格式，如 MXFP4 和 NVFP4
  7. A tensor’s values need more dynamic range. Which common FP8 encoding allocates more exponent bits?
    • E5M2
    • E4M3
    • Both allocate zero exponent bits
    • Neither encoding uses an exponent
  8. Why can an FP8 result differ from the same operation using FP32 inputs?
    • Eight-bit input storage is automatically exact for every real value
    • FP8 removes all mathematical operations
    • The lower-precision input representation can introduce rounding error
    • Higher-precision accumulation restores every lost input detail