部署大语言模型只是走向生产可用服务的第一步。生产团队还需要在现有GPU基础设施上尽可能服务更多并发用户，同时保持应用响应所需的交互性。
对于智能体AI工作负载而言，这种权衡显得更加重要，因为其提示词往往较长，上下文可能在多个步骤间被复用，应用程序通常还需要向用户流式返回较长的响应内容。
NVIDIA NIM将模型和GPU相关的服务配置选择打包成可部署的微服务。开发者无需从空白的运行时配置开始，而是获得一套经过验证的服务配置和受支持的部署路径，同时仍可根据自身流量对NIM进行基准测试。
NIM带来的价值：性能工程与生产就绪能力
推理性能是一种系统属性。精度与内核、并行方式、调度、批处理、内存分配、前缀复用、模型专属状态缓存以及解码策略等因素相互影响。只有在满足应用延迟目标的前提下提升吞吐量的配置才是有价值的。
NIM将这些优化工作转化为经过测试的起点。NVIDIA工程师针对受支持的模型、GPU和精度组合验证配置，然后将运行时与模型工件打包在标准API之后。对于生产环境部署，NIM认证版还提供定期的推理栈更新、CVE处理、更广泛的硬件验证，以及通过NVIDIA AI Enterprise提供的商业支持。
NIM在一条部署路径中提供了两大优势：经过验证的性能工程，以及企业级容器生命周期与支持模式。
案例研究：Nemotron 3 Ultra NIM为智能体工作负载带来最高2.5倍的吞吐量提升
本文中使用的基准定义如下：
硬件：4块B200
智能体工作负载：64K/400/76% KV复用率/每用户50 TPS（20毫秒ITL）
该帕累托图对比了开源基准服务栈（NIM关闭状态）与完全优化的NIM 2.0.12服务栈（NIM开启状态）。
NIM 2.0.12优化服务栈的工作原理
所测得的性能提升来自各配置组合之间的相互作用，而非可以简单相加百分比的独立开关。主要优化层包括：
精度与自动调优的模型感知内核。自动调优的混合专家（MoE）与Mamba内核能高效地将混合架构映射到NVIDIA Blackwell GPU上。
并行执行。张量并行将模型分布在四块GPU上，而专家感知执行方式提升了混合专家层的利用率。
前缀与模型状态复用。前缀缓存避免了重复上下文的重新计算，部分前缀匹配可在仅部分前缀匹配时恢复复用能力，同时Mamba状态缓存设置针对该模型架构进行了调优。
调度器、批处理与内存调优。并发序列限制、批处理Token限制、块大小及GPU内存分配，使更多工作能够在不突破延迟目标的前提下同时进行。
MTP推测解码。NIM 2.0.12优化服务栈（包括MTP）将MTP及其相关修复纳入同一优化服务栈中。其增量收益取决于接受率与可用内存余量。
在自身工作负载上对NIM进行基准测试
已发布的曲线只是一个起点，并不能保证每个应用都能获得相同的结果。确定适配程度最快的方法是回放具有代表性的流量，并针对用户关心的延迟指标构建帕累托曲线。
部署确切的软件版本。使用NIM 2.0.12（或更新版本），并在每次运行中固定镜像标签或摘要。
准备具有代表性的流量。使用Mooncake格式的JSONL跟踪记录，或在适当的访问控制和敏感数据脱敏处理下捕获受控的NIM请求。
测量性能。使用NVIDIA AIPerf回放具有代表性的流量并获取性能基准。
选择满足SLO的帕累托点。在满足SLO/延迟约束的各点之间比较输出吞吐量，判断是否适合部署。
（示例代码：AIPerf并发扫描，请将跟踪记录、请求数量和端点详情替换为你想要模拟的工作负载。）
下载并运行Nemotron 3 Ultra NIM
从Nemotron 3 Ultra NIM页面开始，接受相关条款，并选择NIM 2.0.12标签或确切的已发布摘要。下载完成后，查找并选择一个配置文件。以下列出了该NIM中打包的所有配置文件。
（示例代码：列出模型配置文件）
若要为四GPU B200系统上的智能体工作负载选择优化配置文件，可将NIM_MODEL_PROFILE设置为vllm-nvidia-b200-nvfp4-tp4-pp1-throughput-90.0，并启用推测解码。
（示例代码：启动带推测解码的优化配置）
面向生产环境的性能工程起点
NVIDIA NIM将模型和GPU感知的服务优化打包成可部署的微服务。对于运行在4块B200系统上的Nemotron 3 Ultra，这些优化使企业能够在每用户50 TPS的条件下，相比关闭NIM的基准配置服务多达2.5倍的用户，同时保持部署路径在真实多用户服务场景中的实用性。
NIM将经过验证的性能工程与定期推理栈更新、CVE处理、硬件验证以及通过NVIDIA AI Enterprise提供的商业支持结合在一起。未来还计划针对更广泛的模型范围推出更多性能优化的NIM配置，为开发者提供更多经过验证的起点，以满足其自身的延迟、吞吐量和成本目标。
开始使用
从NGC下载Nemotron 3 Ultra NIM 2.0.12，在你的NVIDIA GPU基础设施上运行，并使用NVIDIA AIPerf回放具有代表性的流量，以选择满足你应用目标的帕累托点。
资源
在NGC上下载Nemotron 3 Ultra NIM
试用托管API
阅读NIM文档
Q&A
Q1：NVIDIA NIM能带来多大的性能提升？
A：在4块B200 GPU上运行Nemotron 3 Ultra时，NIM 2.0.12优化服务栈相比未优化的基准配置，最高可实现2.5倍的用户吞吐量提升，同时保持每用户50 TPS的响应速度。
Q2：NIM 2.0.12的性能提升主要来自哪些优化？
A：主要来自精度与自动调优内核、张量并行执行、前缀与模型状态复用、调度批处理与内存调优，以及MTP推测解码等多层优化组合共同作用的结果，而非单一开关的简单叠加。
Q3：如何在自己的业务场景中验证NIM的性能表现？
A：可以部署NIM 2.0.12版本，使用具有代表性的流量数据（如Mooncake格式的JSONL跟踪记录），通过NVIDIA AIPerf工具回放流量并测量性能，最终根据延迟约束选出满足业务需求的最佳配置点。
