Llama 3.3 70B — H100 vs H200 每美元性能
H100（NVIDIA Hopper）与 H200（NVIDIA Hopper）在 Llama 3.3 70B 上的每百万 token 成本。基于所属云服务商 TCO 归一化的输出 token 性能——在各类 LLM 工作负载下的每美元性能。在每个目标交互性水平下选出更经济的 SKU。使用下方图表控件切换序列、精度和指标——交互方式与主推理图表相同。
在 Llama 3.3 70B 上以 38 tok/s/user 运行时，每百万 token 成本分别为：H100 $0.18、H200 $0.10；H200 每美元多产出 72% 的 token。
在 Llama 3.3 70B 上以 58 tok/s/user 运行时，H100 每百万 token 成本为 $0.28，H200 为 $0.13。H200 在此工作点上的成本效率高出 106%。
H200 在 Llama 3.3 70B 上以 78 tok/s/user 运行时领先于 H100——每百万 token 成本 $0.18 对 $0.37，差距达 104%。 （数据反映此 URL 的默认 8k/1k · fp8 选择——如果您在控件中更改序列、精度或模型，下方表格和图表会自动更新。）
芯片定价（所属云服务商）： H100 $1.17/chip/hr · H200 $1.22/chip/hr. 来源： SemiAnalysis Market July 2026 Pricing Surveys & AI Cloud TCO Model.
| Metric | Interactivity (tok/s/user) | Interactivity (tok/s/user) | Interactivity (tok/s/user) |
|---|---|---|---|
| 每百万 token 美元成本 | H100:$0.176H200:$0.102 | H100:$0.277H200:$0.135 | H100:$0.370H200:$0.182 |
| Concurrency | H100:~20H200:~32 | H100:~16H200:~23 | H100:~8H200:~10 |
推理性能
不同模型、硬件配置和服务参数下，来自 AgentX 场景的智能体推理指标与固定序列推理指标。
每百万总 token 成本（自有 - 超大规模） vs. 交互性
Llama 3.3 70B Instruct • FP4 • 8K / 1K • 来源：SemiAnalysis InferenceX™
TCO $/chip/hr： H100: 1.17H200: 1.22B200: 1.73B300: 2.26GB200: 1.86GB300: 2.31MI300X: 0.95MI325X: 1.1MI355X: 1.5RTX6000PRO: 0.68
来源： SemiAnalysis Market July 2026 Pricing Surveys & AI Cloud TCO Model
注意：分离式推理配置（如 MoRI SGLang、Dynamo TRTLLM）按解码芯片或预填充 芯片计算每百万 token 成本，而非按芯片总数计算。因此，与聚合配置进行token 成本的直接对比并不完全等价。
注意：分离式推理配置（如 MoRI SGLang、Dynamo TRTLLM）按解码芯片或预填充 芯片计算输入吞吐量，而非按芯片总数计算。因此，与聚合配置进行输入吞吐量的直接对比并不完全等价。
注意：分离式推理配置（如 MoRI SGLang、Dynamo TRTLLM）按解码芯片或预填充 芯片计算输出吞吐量，而非按芯片总数计算。因此，与聚合配置进行输出吞吐量的直接对比并不完全等价。
注意：分离式推理配置（如 MoRI SGLang、Dynamo TRTLLM）按解码芯片或预填充 芯片计算功耗，而非按芯片总数计算。因此，与聚合配置进行功耗的直接对比并不完全等价。
注意：分离式推理配置（如 MoRI SGLang、Dynamo TRTLLM）按解码芯片或预填充 芯片计算能耗，而非按芯片总数计算。因此，与聚合配置进行每 token 能耗的直接对比并不完全等价。
No data available
Please change the model, sequence, precision, date range or chip selection.
Shift+Scroll to zoom • Drag to pan • Double-click to reset • Click a point to pin tooltip