搜”5090算力”的人，大概率被不同页面的数字搞晕过。有的写3352，有的写1676，有的写838。这三个数字差别这么大，到底哪个才是5090的真实算力？
直接给答案：3352是NVIDIA官方明确给出的AI TOPS；1676和838是按精度与稀疏口径推导出来的理论参考值。
NVIDIA官方产品页给出的表述是”3,352 AI TOPS”，技术社区通常将其理解为FP4 Sparse口径下的峰值。除该数字外，其余数值主要用于帮助理解不同精度/稀疏口径之间的关系，不等同于NVIDIA官方产品页逐项单独列出的规格。
所以问题不是”哪个对”，而是”你看到的页面没告诉你这个数字对应什么精度、什么口径”。
一、为什么同一个卡，算力数字差8倍？
从3352到419，差距来自两个维度：精度不同 + Sparse vs Dense。
精度维度：FP4用4位表示一个数，INT8用8位，FP16用16位。位数越少，同样时间能算的数字越多，算力数字自然就越大。3352 AI TOPS（通常理解为FP4 Sparse）是INT8的2倍，是FP16的4倍，这是数学上的必然。
Sparse维度：NVIDIA官方标称的3352 AI TOPS，以及基于架构推导的1676、838，全部是Sparse（稀疏）口径。它假设模型权重有50%是零，可以跳过不计算。但大多数实际模型的权重并不具备这种稀疏结构，所以Dense（稠密）性能才是更接近真实场景的参考值。
在NVIDIA 2:4结构化稀疏Tensor Core的理论口径下，可近似按Sparse≈Dense×2理解；但实际收益取决于模型是否满足结构化稀疏条件以及框架支持情况。
也就是说： - 3352 AI TOPS（官方口径，技术社区通常理解为FP4 Sparse） → Dense约1676（推导） - FP8 Sparse 1676（推导） → Dense约838（推导） - INT8 Sparse 1676（推导） → Dense约838（推导） - FP16 Sparse 838（推导） → Dense约419（推导）
二、NVIDIA为什么爱标Sparse？
因为数字好看。
Sparse值比Dense值大一倍，在宣传页上更有冲击力。但选卡的人如果只看Sparse数字，容易高估实际性能。在做训练选型时，通常更应关注Dense口径；在推理场景中，是否参考Sparse口径取决于模型和框架是否能真正利用相关加速路径。
三、TOPS和TFLOPS是什么关系？
搜索”TOPS”的用户经常困惑单位。简单讲：
- TOPS：每秒万亿次操作（Tera Operations Per Second），通常用于整数运算（INT8/INT4）
- TFLOPS：每秒万亿次浮点运算（Tera FLOating Point Operations Per Second），用于浮点运算（FP16/FP32）
两者都描述吞吐规模，但操作类型不同，通常不应脱离精度和算子语境直接横向比较。NVIDIA官方给5090标称的是3,352 AI TOPS，其余精度下的数值是基于Blackwell Tensor Core精度倍率关系推导的理论参考值。
四、租卡时到底该看哪个数字？
不同任务，参考的指标不同：
一句话总结：训练看FP16 Dense（419），推理看INT8 Sparse（1676）或FP8 Dense（838），3352 AI TOPS是官方标称值但对应工具链尚不成熟。
