一、前言：当前最具性价比的96GB/192GB AI推理卡
凭借深耕多年的CUDA护城河，NVIDIA在AI领域一度拥有"定价权"，这也让这家公司的GPU及相关产品的售价逐渐脱离普通的消费者。
然而，随着硬件巨头Intel向"全栈AI公司"快速转型，这种绝对垄断正在被打破。
早在2019年，Intel就发布了oneAPI 跨架构编程模型，旨在让代码在 CPU、GPU、NPU 之间通用。这意味着开发者用一套代码即可调用 Intel 的所有算力，降低了迁移成本。
oneAPI还允许开发者将原本仅能NVIDIA CUDA环境下运行的代码，通过其迁移工具（SYCLomatic）快速转换到Intel硬件上，为Arc系列显卡运行主流大模型打下了坚实的软件基础。
去年，Intel发布了基于第二代Xe2架构（Battlemage）的专业级显卡—Intel Arc Pro B60。随后，以Maxsun（铭瑄）、SPARKLE（撼与）、GUNNIR（蓝戟）为代表的核心伙伴正式将其推向全球市场，直指高性能AI推理领域。
Intel Arc Pro B60与此前发布的消费级Intel Arc B580一样，都采用了完整的BMG-G21 GPU 核心， 拥有20个Xe2核心，2560个FP32单元（也可以说是2560个流处理器），20个光追单元和160个XXM AI引擎。
每颗BMG-G21 GPU可提供12.28 TFLOPS的FP32浮点性能以及197 TOPS的INT8 AI性能。
在显存方面，Intel Arc Pro B60设计了192bit位宽、19Gbps GDDR6显存，显存带宽高达456GB/s，显存容量则从Intel Arc B580的12GB直接翻倍到了24GB。
与更贵的NVIDIA RTX Pro 2000相比，Intel Arc Pro B60不论是显存容量还是显存带宽都比对手高出了50%。
而在大模型推理中，显存容量决定了模型的参数上限，带宽则决定了吐字速度。
相比之下，NVIDIA同样显存规格的AI加速卡，售价往往是Arc Pro B60的3至4倍。
随着DeepSeek等大规模 MoE 模型爆发的，Intel Arc Pro B60成为了目前市面上构建 96GB（4卡） 到 192GB（8卡）超大显存池最具性价比的方案。
此次我们收到了来自于长城的世恒X-AIGC工作站，这台主机搭载了Intel Xeon w5-3435X处理器、256GB（4x64GB）DDR5 ECC 6400MHz内存、2600W金牌电源以及4张Intel Arc Pro B60 24GB显卡，共计96GB显存。
二、英特尔锐炫Pro B60和长城世恒X-AIGC工作站图赏
长城世恒X图形工作站包含4张Arc Pro B60显卡，不过为了运输安全，发货时，显卡会单独包装，并不会直接安装在主机里面。
Arc Pro B60 24GB公版显卡正面照，双槽厚度，配备一个涡轮风扇。
显卡背面有全尺寸的金属背板，大量的片式聚合物电容也放在背面。
3个DP 2.1和一个HDMI 2.1接口。
2个8Pin供电接口放在了显卡尾端。
长城世恒X图形工作站。
超大的水冷头与水泵采用了分离设计，水泵在其中一根水冷管上。
将4张Arc Pro B60安装进去。
长城世恒X图形工作站与4张Arc Pro B60合体。
三、GPT-OSS-120B MXFP4多并发性能测试：能满足千人同时在线聊天
GPT-OSS-120B是OpenAI首个开源的千亿级参数模型，总参数 1170 亿 (117B)，被认为是测试多卡并联（Multi-GPU Parallelism）和分布式计算性能的标杆。
我们将GPT-OSS-120B模型下载至容器的llmmodels目录下，并开启vLLM OpenAI API服务，具体参数如下：
由于120b占用显卡超过66GB，只能4卡并联进行测试，推理精度bfloat16，单次批处理的最大Token总数为 8192，最大上下文长度（Token 数）为 3000，GPU 显存利用率上限为 90%（预留10%给系统），使用MXFP4（混合精度 FP4）进行量化压缩。
vLLM OpenAI API 服务已经成功启动，下面单开一个窗口进行测试。
vLLM版本是最新的0.5.0，无法使用过去的benchmark_serving.py脚本进行测试，因此我们直接使用vllm bench serve命令，分别测试并发数1,10,20,30,40,50,60,70,80,90,100时的AI性能。
这是并发数为1的测试成绩日志，请求成功率 100%，在处理 120B 这种超大规模模型时，100 个请求全部成功且无一报错，说明4卡 Arc Pro B60 + MXFP4运行测试时非常稳定。
TTFT (首字延迟)仅为91.37ms，说明Arc Pro B60预填充（Prefill）阶段的爆发力极强。
平均 ITL (逐词延迟) 为 32.01 ms，输出吞吐量则为184tok/s。
下面是并发数从1,10,20,30,40,50,60,70,80,90,100的性能变化。
当并发数从1~10时： 系统的吞吐量呈现指数级增长，从 184 飙升至 613 tok/s。
不过并发数达到60之后，吞吐量为701 tok/s，基本上已经达到了这套系统的极限，即便请求数增加到100之后，总吞吐量也就增加了1%左右。
整个测试期间，ITL (逐词延迟)稳定得出奇，在达到并发 30 后，ITL 甚至随着并发增加而轻微下降。也就是说在高负载下，计算核心被填充得更满，单步推理的效率反而由于批处理效应而略微提升。
TTFT (首字延迟)震动比较剧烈，并发数为1时仅有91ms，并发数20时为241ns，并发数100时已经到了1344ms。
对于大多数用户而言，10 tok/s即可拥有丝滑的访问体验，根据长城世恒X图形工作站700tok/s的极限性能计算，它可以承受70个用户同时请求回答。
再按1:15的活跃比计算，这台工作站可以支持1000人同时在线聊天。
四、Llama-3.1-8B测试：比同价位RTX Pro 2000 16GB要快50%
1、Llama-3.1-8B
Llama-3.1-8B的显存需求只有7GB左右，因此不仅可以对Arc Pro B60 24GB进行单卡、双卡、4卡测试，我们还能测试桌面版RTX 5060 Ti 16GB的推理性能并与之进行对比！
vLLM 0.5.0 正式建立了对 Intel Arc GPU的原生支持，不再是以往那种简单的代码迁移，而是针对 Intel 的计算单元架构做了适配：
在并发数下，RTX 5060 Ti 16GB的性能略胜于单卡Arc Pro B60 24GB，但随着并发数的提升，Arc Pro B60 24GB随着并发数的提升，Arc Pro B60 24GB凭借大显存的优势开始逆袭，并发数90时，可以领先RTX 5060 Ti 16GB约10%左右。
4张Arc Pro B60 24GB在低并发数时性能优势并不明显，但随着并发数的提升，特别是达到100并发后，4张Arc Pro B60 24GB的性能几乎是单卡的4倍。
下面将精度降为FP8，重复上面的测试，但将N卡换成RTX Pro 2000。
与同价位的NVIDIA RTX Pro 2000 16GB相比，Arc Pro B60 24GB几乎展现出了碾压性优势。
同样是4卡并行进行运算，4xArc Pro B60 24GB比起4xRTX Pro 2000 16GB要强了50%左右，在并发数为100的情况下，凭借96GB大显存，Intel的领先幅度甚至达到了65%。
五、小结：用入门级N卡的价钱 买了接近旗舰级N卡的显存容量和推理性能
凭借CUDA生态的支持，NVIDIA的GPU在特定的生产力与AI方面的确有无可比拟的性能优势。
但是在大模型时代，显存即正义。
96GB显存意味着你可以本地运行参数量更大的模型，比如千亿级参数GPT-OSS-120B、LLaMA-3-130B对于4卡Arc Pro B60 24GB完全不是问题。
同样价位的NVIDIA RTX Pro 2000 16GB，4卡合计64GB显存，这是一个相对尴尬的显存容量，只能运行70B模型。在面对千亿级模型时必须极致量化压缩显存，且仅支持短上下文低负载推理，完全无法支持训练和微调。
而在性能方面，Arc Pro B60 24GB几乎展现出了碾压性优势。
同样是4卡并行运算（Llama-3.1-8B-Instruct FP8），4xArc Pro B60 24GB比起4xRTX Pro 2000 16GB要强了50%左右，在并发数为100的情况下，凭借96GB大显存，高负载（Batch 100）下，Intel 方案达到了 2110 Tokens/s，而同样价位的NVIDIA方案仅为 1279 Tokens/s。
Intel的领先幅度超过了65%。
在运行1200亿参数的GPT-OSS-120B时，Arc Pro B60 24GB在预填充（Prefill）阶段展现出了极强的爆发力，并发数为1的时候，Mean TFT (首字延迟)仅为91.37ms。
当并发数达到60之后，4张Arc Pro B60 24GB的吞吐量超过了701 tok/s，能满足千人同时在线聊天。
对于想要组建高性能本地 LLM 推理站的企业而言，5000元的Arc Pro B60 24GB显然是更具性价比的选择。
要知道NVIDIA类型算力的24GB专业卡，其售价几乎是Arc Pro B60 24GB的4倍左右。
很简单的结论：Arc Pro B60 24GB能让用户以入门级N卡的价钱，买了接近旗舰级N卡的显存容量和推理性能。
