GPU 機器類型

本文列出 Compute Engine 提供的 NVIDIA GPU 型號，您可以在虛擬機器 (VM) 執行個體上使用這些 GPU，加快機器學習 (ML)、資料處理和需要大量圖形處理的工作負載。本文也詳細說明哪些 GPU 預先附加至加速器最佳化機器系列 (例如 A4X、A4、A3、A2、G4 和 G2)，以及哪些 GPU 可附加至 N1 一般用途執行個體。

您可以參考這份文件，比較不同 GPU 型號的效能、記憶體和功能。如要進一步瞭解加速器最佳化機器家族，包括 CPU 平台、儲存空間選項和網路功能，以及找出符合工作負載的特定機型，請參閱「加速器最佳化機器家族」。

如要進一步瞭解 Compute Engine 上的 GPU，請參閱「關於 GPU」一文。

如要查看 Compute Engine 中 GPU 的可用區域和可用區，請參閱「GPU 區域和可用區」。

GPU 機器類型

Compute Engine 提供不同機器類型，支援各種工作負載。

部分機器類型支援 NVIDIA RTX 虛擬工作站 (vWS)。建立使用 NVIDIA RTX Virtual Workstation 的執行個體時，Compute Engine 會自動新增 vWS 授權。如要瞭解虛擬工作站的價格，請參閱 GPU 定價頁面。

GPU 機器類型
AI 和機器學習工作負載 圖形和視覺化 其他 GPU 工作負載
加速器最佳化 A 系列機器類型專為高效能運算 (HPC)、人工智慧 (AI) 和機器學習 (ML) 工作負載設計。

後續世代的 A 系列非常適合預先訓練和微調基礎模型，這類模型需要大量加速器叢集；A2 系列則可用於訓練較小的模型和單一主機推論。

對於這些機器類型，系統會自動將 GPU 型號附加至執行個體。

 加速器最佳化 G 系列機型專為工作負載設計，例如 NVIDIA Omniverse 模擬工作負載、含有大量圖案的應用程式、影片轉碼和虛擬桌面。這些機器類型支援 NVIDIA RTX 虛擬工作站 (vWS)。

G 系列也可用於訓練較小的模型，以及單一主機推論。

對於這些機器類型，系統會自動將 GPU 型號附加至執行個體。

對於 N1 一般用途機器類型 (N1 共用核心除外，即 f1-micro 和 g1-small)，您可以附加一組選定的 GPU 型號。部分 GPU 型號也支援 NVIDIA RTX 虛擬工作站 (vWS)。
  • A4X (NVIDIA GB200 Superchips)
    (nvidia-gb200)
  • A4 (NVIDIA B200)
    (nvidia-b200)
  • A3 Ultra (NVIDIA H200)
    (nvidia-h200-141gb)
  • A3 Mega (NVIDIA H100)
    (nvidia-h100-mega-80gb)
  • A3 High (NVIDIA H100)
    (nvidia-h100-80gb)
  • A3 Edge (NVIDIA H100)
    (nvidia-h100-80gb)
  • A2 Ultra (NVIDIA A100 80GB)
    (nvidia-a100-80gb)
  • A2 Standard (NVIDIA A100)
    (nvidia-a100-40gb)
  • G4 (NVIDIA RTX PRO 6000)
    (nvidia-rtx-pro-6000)
    (nvidia-rtx-pro-6000-vws)
  • G2 (NVIDIA L4)
    (nvidia-l4)
    (nvidia-l4-vws)
 下列 GPU 型號可附加至 N1 一般用途機器類型：
  • NVIDIA T4
    (nvidia-tesla-t4)
    (nvidia-tesla-t4-vws)
  • NVIDIA P4
    (nvidia-tesla-p4)
    (nvidia-tesla-p4-vws)
  • NVIDIA V100
    (nvidia-tesla-v100)
  • NVIDIA P100
    (nvidia-tesla-p100)
    (nvidia-tesla-p100-vws)

您也可以在 AI Hypercomputer 上使用部分 GPU 機器類型。AI Hypercomputer 是一套超級電腦系統，經過最佳化處理，可支援人工智慧 (AI) 和機器學習 (ML) 工作負載。建議您使用這個選項建立密集分配的基礎架構，並整合 Google Kubernetes Engine (GKE) 和 Slurm 排程器，以達到最佳效能。

A4X 系列機器

A4X 加速器最佳化 機型使用 NVIDIA GB200 Grace Blackwell Superchip (nvidia-gb200)， 非常適合基礎模型訓練和服務。

A4X 是以 NVIDIA GB200 NVL72 為基礎的百京級平台。每部機器都有兩個插槽，搭載 NVIDIA Grace CPU 和 Arm Neoverse V2 核心。這些 CPU 會透過快速晶片對晶片 (NVLink-C2C) 通訊，連線至四個 NVIDIA B200 Blackwell GPU。

已連結 NVIDIA GB200 Grace Blackwell 超級晶片
機型 vCPU 數量1 執行個體記憶體 (GB) 已連結的本機 SSD (GiB) 實體 NIC 數量 網路頻寬上限 (Gbps)2 GPU 數量 GPU 記憶體3
(GB HBM3e)
a4x-highgpu-4g 140 884 12,000 6 2,000 4 720

1 在其中一個可用的 CPU 平台中，我們會以單一硬體超執行緒的形式提供 vCPU。
2輸出頻寬上限不得超過指定數量。實際輸出頻寬取決於目的地 IP 位址和其他因素。如要進一步瞭解網路頻寬，請參閱「網路頻寬」。
3GPU 記憶體是 GPU 裝置上的記憶體，可用於暫時儲存資料。這與執行個體的記憶體不同，專門用於處理需要高頻寬的繪圖密集型工作負載。

A4 系列機型

A4 加速器最佳化機型連接 NVIDIA B200 Blackwell GPU (nvidia-b200)，非常適合用於基礎模型訓練和服務。

已連結的 NVIDIA B200 Blackwell GPU
機型 vCPU 數量1 執行個體記憶體 (GB) 已連結的本機 SSD (GiB) 實體 NIC 數量 網路頻寬上限 (Gbps)2 GPU 數量 GPU 記憶體3
(GB HBM3e)
a4-highgpu-8g 224 3,968 12,000 10 3,600 8 1,440

1 在其中一個可用的 CPU 平台中，我們會以單一硬體超執行緒的形式提供 vCPU。
2輸出頻寬上限不得超過指定數量。實際輸出頻寬取決於目的地 IP 位址和其他因素。如要進一步瞭解網路頻寬，請參閱網路頻寬。
3GPU 記憶體是 GPU 裝置上的記憶體，可用於暫時儲存資料。這與執行個體的記憶體不同，專門用於處理需要高頻寬的繪圖密集型工作負載。

A3 系列機型

A3 加速器最佳化機型連接的是 NVIDIA H100 SXM 或 NVIDIA H200 SXM GPU。

A3 Ultra 機型

A3 Ultra 機型連接 NVIDIA H200 SXM GPU (nvidia-h200-141gb)，是 A3 系列中網路效能最高的機型。A3 Ultra 機型非常適合基礎模型訓練和服務。

附加的 NVIDIA H200 GPU
機型 vCPU 數量1 執行個體記憶體 (GB) 已連結的本機 SSD (GiB) 實體 NIC 數量 網路頻寬上限 (Gbps)2 GPU 數量 GPU 記憶體3
(GB HBM3e)
a3-ultragpu-8g 224 2,952 12,000 10 3,600 8 1128

1 在其中一個可用的 CPU 平台中，我們會以單一硬體超執行緒的形式提供 vCPU。
2輸出頻寬上限不得超過指定數量。實際輸出頻寬取決於目的地 IP 位址和其他因素。如要進一步瞭解網路頻寬，請參閱「網路頻寬」。
3GPU 記憶體是 GPU 裝置上的記憶體，可用於暫時儲存資料。這與執行個體的記憶體不同，專門用於處理需要高頻寬的繪圖密集型工作負載。

A3 Mega、High 和 Edge 機型

如要使用 NVIDIA H100 SXM GPU，可以選擇下列方式：

  • A3 Mega：這類機型搭載 H100 SXM GPU (nvidia-h100-mega-80gb)，非常適合大規模訓練和服務工作負載。
  • A3 High：這類機型搭載 H100 SXM GPU (nvidia-h100-80gb)，非常適合訓練和服務工作。
  • A3 Edge：這類機型搭載 H100 SXM GPU (nvidia-h100-80gb)，專為服務而設計，且僅在特定區域提供。

A3 Mega

附加的 NVIDIA H100 GPU
機型 vCPU 數量1 執行個體記憶體 (GB) 已連結的本機 SSD (GiB) 實體 NIC 數量 網路頻寬上限 (Gbps)2 GPU 數量 GPU 記憶體3
(GB HBM3)
a3-megagpu-8g 208 1,872 6,000 9 1,800 8 640

A3 High

附加的 NVIDIA H100 GPU
機型 vCPU 數量1 執行個體記憶體 (GB) 已連結的本機 SSD (GiB) 實體 NIC 數量 網路頻寬上限 (Gbps)2 GPU 數量 GPU 記憶體3
(GB HBM3)
a3-highgpu-1g 26 234 750 1 25 1 80
a3-highgpu-2g 52 468 1,500 1 50 2 160
a3-highgpu-4g 104 936 3,000 1 100 4 320
a3-highgpu-8g 208 1,872 6,000 5 1,000 8 640

A3 Edge

附加的 NVIDIA H100 GPU
機型 vCPU 數量1 執行個體記憶體 (GB) 已連結的本機 SSD (GiB) 實體 NIC 數量 網路頻寬上限 (Gbps)2 GPU 數量 GPU 記憶體3
(GB HBM3)
a3-edgegpu-8g 208 1,872 6,000 5
  • 800：適用於 asia-south1 和 northamerica-northeast2
  • 400：適用於所有其他 A3 Edge 區域
 8 640

1 在其中一個可用的 CPU 平台中，我們會以單一硬體超執行緒的形式提供 vCPU。
2輸出頻寬上限不得超過指定數量。實際輸出頻寬取決於目的地 IP 位址和其他因素。如要進一步瞭解網路頻寬，請參閱「網路頻寬」。
3GPU 記憶體是 GPU 裝置上的記憶體，可用於暫時儲存資料。這與執行個體的記憶體不同，專門用於處理需要高頻寬的繪圖密集型工作負載。

A2 系列機型

A2 加速器最佳化機型連接 NVIDIA A100 GPU，非常適合模型微調、大型模型和符合成本效益的推論。

A2 系列機器分為兩種：

  • A2 Ultra：這類機型連接 A100 80GB GPU (nvidia-a100-80gb) 和本機 SSD 磁碟。
  • A2 Standard：這類機型連接 A100 40GB GPU (nvidia-tesla-a100)。建立 A2 Standard 執行個體時，您也可以新增本機 SSD 磁碟。如要瞭解可附加的磁碟數量，請參閱需要選擇本機 SSD 磁碟數量的機器類型。

A2 Ultra

已連結 NVIDIA A100 80GB GPU
機型 vCPU 數量1 執行個體記憶體 (GB) 已連結的本機 SSD (GiB) 網路頻寬上限 (Gbps)2 GPU 數量 GPU 記憶體3
(GB HBM2e)
a2-ultragpu-1g 12 170 375 24 1 80
a2-ultragpu-2g 24 340 750 32 2 160
a2-ultragpu-4g 48 680 1,500 50 4 320
a2-ultragpu-8g 96 1,360 3,000 100 8 640

A2 Standard

已連結 NVIDIA A100 40GB GPU
機型 vCPU 數量1 執行個體記憶體 (GB) 支援本機 SSD 網路頻寬上限 (Gbps)2 GPU 數量 GPU 記憶體3
(GB HBM2)
a2-highgpu-1g 12 85 是 24 1 40
a2-highgpu-2g 24 170 是 32 2 80
a2-highgpu-4g 48 340 是 50 4 160
a2-highgpu-8g 96 680 是 100 8 320
a2-megagpu-16g 96 1,360 是 100 16 640

1 在其中一個可用的 CPU 平台中，我們會以單一硬體超執行緒的形式提供 vCPU。
2輸出頻寬上限不得超過指定數量。實際輸出頻寬取決於目的地 IP 位址和其他因素。如要進一步瞭解網路頻寬，請參閱「網路頻寬」。
3GPU 記憶體是 GPU 裝置上的記憶體，可用於暫時儲存資料。這與執行個體的記憶體不同，專門用於處理需要高頻寬的繪圖密集型工作負載。

G4 系列機型

G4 加速器最佳化 機型使用 NVIDIA RTX PRO 6000 Blackwell Server Edition GPU (nvidia-rtx-pro-6000)， 適合用於 NVIDIA Omniverse 模擬工作負載、需要大量繪圖資源的應用程式、影片轉碼和虛擬桌面。與 A 系列機型相比，G4 機型也提供低成本解決方案，可執行單一主機推論和模型微調。

G4 系列的主要功能是支援多 GPU 機型 (g4-standard-96、g4-standard-192、g4-standard-384) 的直接 GPU 對等 (P2P) 通訊。這項功能可讓同一執行個體內的 GPU 透過 PCIe 匯流排直接交換資料，不必經過 CPU 主機。如要進一步瞭解 G4 GPU 對等互連通訊，請參閱「G4 GPU 對等互連通訊」。

附加的 NVIDIA RTX PRO 6000 GPU
機型 vCPU 數量1 執行個體記憶體 (GB) 支援的 Titanium SSD 容量上限 (GiB)2 實體 NIC 數量 網路頻寬上限 (Gbps)3 GPU 數量 GPU 記憶體4
(GB GDDR7)
g4-standard-48 48 180 1,500 1 50 1 96
g4-standard-96 96 360 3,000 1 100 2 192
g4-standard-192 192 720 6,000 1 200 4 384
g4-standard-384 384 1,440 12,000 2 400 8 768

1 在其中一個可用的 CPU 平台中，我們會以單一硬體超執行緒的形式提供 vCPU。
2建立 G4 執行個體時，可以新增 Titanium SSD 磁碟。如要瞭解可附加的磁碟數量，請參閱需要選擇本機 SSD 磁碟數量的機器類型。
3輸出頻寬上限不得超過指定數量。實際輸出頻寬取決於目的地 IP 位址和其他因素。請參閱「網路頻寬」。
4GPU 記憶體是 GPU 裝置上的記憶體，可用於暫時儲存資料。這與執行個體的記憶體不同，專門用於處理需要高頻寬的繪圖密集型工作負載。

G2 機器系列

G2 加速器最佳化機型連接的是 NVIDIA L4 GPU，非常適合用於成本最佳化的推論、需要大量圖形處理的作業，以及高效能運算工作負載。

每個 G2 機型也都有預設記憶體和自訂記憶體範圍。自訂記憶體範圍會定義每個機型可分配給執行個體的記憶體大小。您也可以在建立 G2 執行個體時新增本機 SSD 磁碟。如要瞭解可附加的磁碟數量，請參閱需要選擇本機 SSD 磁碟數量的機器類型。

已附加的 NVIDIA L4 GPU
機型 vCPU 數量1 預設執行個體記憶體 (GB) 自訂執行個體記憶體範圍 (GB) 支援的最大本機 SSD (GiB) 網路頻寬上限 (Gbps)2 GPU 數量 GPU 記憶體3 (GB GDDR6)
g2-standard-4 4 16 16 至 32 375 10 1 24
g2-standard-8 8 32 32 至 54 375 16 1 24
g2-standard-12 12 48 48 到 54 歲 375 16 1 24
g2-standard-16 16 64 54 到 64 375 32 1 24
g2-standard-24 24 96 96 至 108 750 32 2 48
g2-standard-32 32 128 96 到 128 375 32 1 24
g2-standard-48 48 192 192 至 216 1,500 50 4 96
g2-standard-96 96 384 384 到 432 3,000 100 8 192

1 在其中一個可用的 CPU 平台中，我們會以單一硬體超執行緒的形式提供 vCPU。
2輸出頻寬上限不得超過指定數量。實際輸出頻寬取決於目的地 IP 位址和其他因素。如要進一步瞭解網路頻寬，請參閱「網路頻寬」。
3GPU 記憶體是 GPU 裝置上的記憶體，可用於暫時儲存資料。這與執行個體的記憶體不同，專門用於處理需要高頻寬的繪圖密集型工作負載。

N1 機器系列

您可以將下列 GPU 型號附加至N1 機器類型，但N1 共用核心機器類型除外。

與加速器最佳化機器系列中的機器類型不同，N1 機器類型不會隨附一組已附加的 GPU。而是在建立執行個體時，指定要附加的 GPU 數量。

GPU 數量較少的 N1 執行個體會有 vCPU 數量上限。一般而言，GPU 數量越多，表示您可以建立 vCPU 較多且記憶體較大的執行個體。

N1+T4 GPU

您可以將 NVIDIA T4 GPU 附加至 N1 一般用途執行個體，但須符合下列執行個體設定。

加速器類型 GPU 數量 GPU 記憶體1 (GB GDDR6) vCPU 數量 執行個體記憶體 (GB) 支援本機 SSD
nvidia-tesla-t4或
nvidia-tesla-t4-vws 		1 16 1 至 48 1 至 312 是
2 32 1 至 48 1 至 312 是
4 64 1 至 96 1 至 624 是

1GPU 記憶體是 GPU 裝置上的可用記憶體，可用於暫時儲存資料。這與執行個體的記憶體不同，專門用於處理需要高頻寬的繪圖密集型工作負載。

N1+P4 GPU

您可以將 NVIDIA P4 GPU 附加至 N1 一般用途執行個體，但須符合下列執行個體設定。

加速器類型 GPU 數量 GPU 記憶體1 (GB GDDR5) vCPU 數量 執行個體記憶體 (GB) 支援本機 SSD2
nvidia-tesla-p4或
nvidia-tesla-p4-vws 		1 8 1 至 24 1 至 156 是
2 16 1 至 48 1 至 312 是
4 32 1 至 96 1 至 624 是

1GPU 記憶體是 GPU 裝置上的可用記憶體，可用於暫時儲存資料。與執行個體的記憶體不同，專門用於處理需要高頻寬的繪圖密集型工作負載。
2對於已連結 NVIDIA P4 GPU 的執行個體，本機 SSD 磁碟僅支援 us-central1-c 和 northamerica-northeast1-b 區域。

N1+V100 GPU

您可以將 NVIDIA V100 GPU 附加至 N1 一般用途執行個體，但須符合下列執行個體設定。

加速器類型 GPU 數量 GPU 記憶體1 (GB HBM2) vCPU 數量 執行個體記憶體 (GB) 支援本機 SSD2
nvidia-tesla-v100 1 16 1 至 12 1 至 78 是
2 32 1 至 24 1 至 156 是
4 64 1 至 48 1 至 312 是
8 128 1 至 96 1 至 624 是

1GPU 記憶體是 GPU 裝置上的可用記憶體，可用於暫時儲存資料。這與執行個體的記憶體不同，專門用於處理需要高頻寬的繪圖密集型工作負載。
2對於搭載 NVIDIA V100 GPU 的執行個體，us-east1-c 不支援本機 SSD 磁碟。

N1+P100 GPU

您可以將 NVIDIA P100 GPU 附加至 N1 一般用途執行個體，但須符合下列執行個體設定。

對於部分 NVIDIA P100 GPU，某些設定的可用 CPU 和記憶體上限取決於 GPU 資源執行的區域。

加速器類型 GPU 數量 GPU 記憶體1 (GB HBM2) 可用區 vCPU 數量 執行個體記憶體 (GB) 支援本機 SSD
nvidia-tesla-p100或
nvidia-tesla-p100-vws 		1 16 所有 P100 區域 1 至 16 1 至 104 是
2 32 所有 P100 區域 1 至 32 1 至 208 是
4 64 us-east1-c、
europe-west1-d、
europe-west1-b		 1 至 64 1 至 208 是
所有其他 P100 區域 1 至 96 1 至 624 是

1GPU 記憶體是 GPU 裝置上的可用記憶體，可用於暫時儲存資料。這與執行個體的記憶體不同，專門用於處理需要高頻寬的繪圖密集型工作負載。

一般比較圖表

下表說明 Compute Engine 上提供的不同 GPU 型號，在 GPU 記憶體大小、功能可用性，以及理想的工作負載類型等各個要素最適合的選項。

GPU 模型 GPU 記憶體 互連網路 支援 NVIDIA RTX 虛擬工作站 (vWS) 最適用
GB200 180 GB HBM3e @ 8 TBps NVLink 全網格 @ 1,800 GBps 大規模分散式訓練和推論 LLM、推薦系統、HPC
B200 180 GB HBM3e @ 8 TBps NVLink 全網格 @ 1,800 GBps 大規模分散式訓練和推論 LLM、推薦系統、HPC
H200 141 GB HBM3e @ 4.8 TBps NVLink 全網格 @ 900 GBps 大型模型，搭配巨量資料表，適用於機器學習訓練、推論、HPC、BERT、DLRM
H100 80 GB HBM3 @ 3.35 TBps NVLink 全網格 @ 900 GBps 大型模型，搭配巨量資料表，適用於機器學習訓練、推論、HPC、BERT、DLRM
A100 80GB 80 GB HBM2e @ 1.9 TBps NVLink 全網格 @ 600 GBps 大型模型，搭配巨量資料表，適用於機器學習訓練、推論、HPC、BERT、DLRM
A100 40GB 40 GB HBM2 @ 1.6 TBps NVLink 全網格 @ 600 GBps 機器學習訓練、推論、HPC
RTX PRO 6000 96 GB GDDR7 (含 ECC) @ 1597 GBps 不適用 機器學習推論、訓練、遠端視覺化工作站、影片轉碼、HPC
L4 24 GB GDDR6 @ 300 GBps 不適用 機器學習推論、訓練、遠端視覺化工作站、影片轉碼、HPC
T4 16 GB GDDR6 @ 320 GBps 不適用 機器學習推論、訓練、遠端視覺化工作站、影片轉碼
V100 16 GB HBM2 @ 900 GBps NVLink Ring @ 300 GBps 機器學習訓練、推論、HPC
P4 8 GB GDDR5 @ 192 GBps 不適用 遠端視覺化工作站、機器學習推論與影片轉碼
P100 16 GB HBM2 @ 732 GBps 不適用 機器學習訓練、推論、HPC、遠端視覺化工作站

如要比較 Compute Engine 提供之不同 GPU 型號和地區的 GPU 定價，請參閱 GPU 定價一文。

成效比較圖表

下表說明 Compute Engine 提供的不同 GPU 型號效能規格。

運算效能

GPU 模型 FP64 FP32 FP16 INT8
GB200 90 TFLOPS 180 TFLOPS
B200 40 TFLOPS 80 TFLOPS
H200 34 TFLOPS 67 TFLOPS
H100 34 TFLOPS 67 TFLOPS
A100 80GB 9.7 TFLOPS 19.5 TFLOPS
A100 40GB 9.7 TFLOPS 19.5 TFLOPS
L4 0.5 TFLOPS1 30.3 TFLOPS
T4 0.25 TFLOPS1 8.1 TFLOPS
V100 7.8 TFLOPS 15.7 TFLOPS
P4 0.2 TFLOPS1 5.5 TFLOPS 22 TOPS2
P100 4.7 TFLOPS 9.3 TFLOPS 18.7 TFLOPS

1為了讓 FP64 程式碼正常運作，T4、L4 和 P4 GPU 架構中包含少量的 FP64 硬體單元。
2 每秒萬億次運算。

Tensor 核心效能

GPU 模型 FP64 TF32 混合精確度 FP16/FP32 INT8 INT4 FP8
GB200 90 TFLOPS 2,500 TFLOPS2 5,000 TFLOPS1, 2 10,000 TFLOPS2 20,000 TFLOPS2 10,000 TFLOPS2
B200 40 TFLOPS 1,100 TFLOPS2 4,500 TFLOPS1, 2 9,000 TFLOPS2 9,000 TFLOPS2
H200 67 TFLOPS 989 TFLOPS2 1,979 TFLOPS1, 2 3,958 TOPS2 3,958 TFLOPS2
H100 67 TFLOPS 989 TFLOPS2 1,979 TFLOPS1, 2 3,958 TOPS2 3,958 TFLOPS2
A100 80GB 19.5 TFLOPS 156 TFLOPS 312 TFLOPS1 624 TOPS 1248 TOPS
A100 40GB 19.5 TFLOPS 156 TFLOPS 312 TFLOPS1 624 TOPS 1248 TOPS
L4 120 TFLOPS2 242 TFLOPS1, 2 485 TOPS2 485 TFLOPS2
T4 65 TFLOPS 130 TOPS 260 TOPS
V100 125 TFLOPS
P4
P100

1如要進行混合精度訓練，NVIDIA GB200、B200、H200、H100、A100 和 L4 GPU 也支援 bfloat16 資料型別。
2NVIDIA GB200、B200、H200、H100 和 L4 GPU支援結構化稀疏性。您可以使用結構化稀疏性，將模型效能提升一倍。使用結構化稀疏性時，適用於文件中記錄的值。 如果未使用結構化稀疏性，值會減半。

後續步驟