Kimi K3 2.8T — GB200 NVL72 与 H200
对比 GB200 NVL72（NVIDIA Blackwell）与 H200（NVIDIA Hopper）在 Kimi K3 2.8T 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 →
在 Kimi K3 2.8T 的 56 tok/s/user 运行点，GB200 NVL72 的吞吐量为 8117 tok/s/chip，每百万 token 成本为 $0.06；H200 的吞吐量为 70 tok/s/chip，每百万 token 成本为 $4.85。GB200 NVL72 的成本效率高出 7520%；GB200 NVL72 的单芯片吞吐量高出 11517%。
当 Kimi K3 2.8T 的目标交互性为 110 tok/s/user 时，GB200 NVL72 与 H200 的吞吐量分别为 4009 和 70 tok/s/chip，每百万 token 成本分别为 $0.13 和 $4.85。GB200 NVL72 的成本效率高出 3663%；GB200 NVL72 的单芯片吞吐量高出 5638%。
以 164 tok/s/user 为目标运行 Kimi K3 2.8T 时，GB200 NVL72 的吞吐量为 2356 tok/s/chip，每百万 token 成本为 $0.22；H200 的吞吐量为 70 tok/s/chip，每百万 token 成本为 $4.85。GB200 NVL72 的成本效率高出 2112%；GB200 NVL72 的单芯片吞吐量高出 3272%。 （以上数据基于此 URL 对应的默认 agentic-traces · fp4 配置；在控件中切换序列长度、精度或模型后，下方表格和图表会同步更新。）
| 指标 | 交互性（tok/s/user） | 交互性（tok/s/user） | 交互性（tok/s/user） |
|---|---|---|---|
| 吞吐量（tok/s/chip） | GB200 NVL72:8116.8H200:69.9 | GB200 NVL72:4008.9H200:69.9 | GB200 NVL72:2356.1H200:69.9 |
| 成本（$/M tok） | GB200 NVL72:$0.064H200:$4.850 | GB200 NVL72:$0.129H200:$4.850 | GB200 NVL72:$0.219H200:$4.850 |
| tok/s/MW | GB200 NVL72:4340555H200:51001 | GB200 NVL72:2143818H200:51001 | GB200 NVL72:1259949H200:51001 |
| 并发数 | GB200 NVL72:~24H200:~1 | GB200 NVL72:~16H200:~1 | GB200 NVL72:~9H200:~1 |