GLM 5.3 744B — H200 与 TPU7x
对比 H200（NVIDIA Hopper）与 TPU7x（Google Ironwood）在 GLM 5.3 744B 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 →
当 GLM 5.3 744B 的目标交互性为 122 tok/s/user 时，H200 的吞吐量为 2769 tok/s/chip，每百万 token 成本为 $0.12；TPU7x 的吞吐量为 6896 tok/s/chip，每百万 token 成本为 $0.04。TPU7x 的成本效率高出 195%；TPU7x 的单芯片吞吐量高出 149%。
在 GLM 5.3 744B 的 134 tok/s/user 运行点，H200 的吞吐量为 2306 tok/s/chip，每百万 token 成本为 $0.15；TPU7x 的吞吐量为 6543 tok/s/chip，每百万 token 成本为 $0.04。TPU7x 的成本效率高出 236%；TPU7x 的单芯片吞吐量高出 184%。
当 GLM 5.3 744B 的目标交互性为 147 tok/s/user 时，H200 与 TPU7x 的吞吐量分别为 1545 和 6115 tok/s/chip，每百万 token 成本分别为 $0.22 和 $0.05。TPU7x 的成本效率高出 369%；TPU7x 的单芯片吞吐量高出 296%。 （以上数据基于此 URL 对应的默认 agentic-traces · fp8 配置；在控件中切换序列长度、精度或模型后，下方表格和图表会同步更新。）
| 指标 | 交互性（tok/s/user） | 交互性（tok/s/user） | 交互性（tok/s/user） |
|---|---|---|---|
| 吞吐量（tok/s/chip） | H200:2768.5TPU7x:6895.6 | H200:2305.6TPU7x:6542.6 | H200:1545.1TPU7x:6114.6 |
| 成本（$/M tok） | H200:$0.122TPU7x:$0.041 | H200:$0.147TPU7x:$0.044 | H200:$0.219TPU7x:$0.047 |
| tok/s/MW | H200:2020825TPU7x:5713023 | H200:1682909TPU7x:5420512 | H200:1127835TPU7x:5065987 |
| 并发数 | H200:~12TPU7x:~8 | H200:~9TPU7x:~7 | H200:~5TPU7x:~6 |