对比 H100（NVIDIA Hopper）与 H200（NVIDIA Hopper）在 DeepSeek V4.1 Flash 552B 上的 AI 推理基准测试结果，涵盖不同 LLM 工作负载下的延迟、吞吐量和成本。可通过下方图表控件切换序列长度、精度和指标，操作方式与主推理图表相同。
AgentX 回放真实的 coding agent 会话，而非定长 prompt。随着会话轮次增加，上下文不断增长；每个请求的大部分内容都可直接从 cache 读取，无需重新计算。因此，这项对比不仅取决于芯片本身的吞吐量，还会受到跨节点 KV 传输、prefix-aware routing 和 cache 容量等系统因素影响。定长序列工作负载仍是衡量 kernel 与芯片性能的清晰基线；两种场景从不同角度回答同一硬件的性能问题。 进一步了解 AgentX →
以 118 tok/s/user 为目标运行 DeepSeek V4.1 Flash 552B 时，H100 的吞吐量为 15557 tok/s/chip，每百万 token 成本为 $0.02；H200 的吞吐量为 20870 tok/s/chip，每百万 token 成本为 $0.02。H200 的成本效率高出 29%；H200 的单芯片吞吐量高出 34%。
177 tok/s/user 位于 60–294 tok/s/user 交互性区间的中段。在这一运行点，H100 运行 DeepSeek V4.1 Flash 552B 的吞吐量为 7702 tok/s/chip，每百万 token 成本为 $0.04；H200 的吞吐量为 11068 tok/s/chip，每百万 token 成本为 $0.03。H200 的成本效率高出 38%；H200 的单芯片吞吐量高出 44%。
将 DeepSeek V4.1 Flash 552B 的目标交互性设为 235 tok/s/user 时，H100 的吞吐量为 4479 tok/s/chip，每百万 token 成本为 $0.07；H200 的吞吐量为 5920 tok/s/chip，每百万 token 成本为 $0.06。H200 的成本效率高出 27%；H200 的单芯片吞吐量高出 32%。 （以上数据基于此 URL 对应的默认 agentic-traces · fp4 配置；在控件中切换序列长度、精度或模型后，下方表格和图表会同步更新。）
| 指标 | 交互性（tok/s/user） | 交互性（tok/s/user） | 交互性（tok/s/user） |
|---|---|---|---|
| 吞吐量（tok/s/chip） | H100:15556.5H200:20870.3 | H100:7702.4H200:11068.4 | H100:4478.8H200:5920.0 |
| 成本（$/M tok） | H100:$0.021H200:$0.016 | H100:$0.042H200:$0.031 | H100:$0.073H200:$0.057 |
| tok/s/MW | H100:11355124H200:15233814 | H100:5622168H200:8079091 | H100:3269195H200:4321203 |
| 并发数 | H100:~19H200:~11 | H100:~9H200:~6 | H100:~5H200:~3 |
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。
当前选择没有可绘制的测量数据。请检查上方的基准测试设置，或调整快捷筛选。
