对比 GB200 NVL72（NVIDIA Blackwell）与 TPU7x（Google Ironwood）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 68 tok/s/user 运行点，GB200 NVL72 的吞吐量为 3432 tok/s/chip，每百万 token 成本为 $0.15；TPU7x 的吞吐量为 5981 tok/s/chip，每百万 token 成本为 $0.05。TPU7x 的成本效率高出 215%；TPU7x 的单芯片吞吐量高出 74%。
当 Kimi K3 2.8T 的目标交互性为 112 tok/s/user 时，GB200 NVL72 与 TPU7x 的吞吐量分别为 2050 和 4175 tok/s/chip，每百万 token 成本分别为 $0.25 和 $0.07。TPU7x 的成本效率高出 268%；TPU7x 的单芯片吞吐量高出 104%。
以 155 tok/s/user 为目标运行 Kimi K3 2.8T 时，GB200 NVL72 的吞吐量为 963 tok/s/chip，每百万 token 成本为 $0.54；TPU7x 的吞吐量为 2554 tok/s/chip，每百万 token 成本为 $0.11。TPU7x 的成本效率高出 379%；TPU7x 的单芯片吞吐量高出 165%。 （以上数据基于此 URL 对应的默认 agentic-traces · fp4 配置；在控件中切换序列长度、精度或模型后，下方表格和图表会同步更新。）
| 指标 | 交互性（tok/s/user） | 交互性（tok/s/user） | 交互性（tok/s/user） |
|---|---|---|---|
| 吞吐量（tok/s/chip） | GB200 NVL72:3431.5TPU7x:5981.4 | GB200 NVL72:2050.0TPU7x:4175.0 | GB200 NVL72:962.5TPU7x:2554.4 |
| 成本（$/M tok） | GB200 NVL72:$0.151TPU7x:$0.048 | GB200 NVL72:$0.252TPU7x:$0.069 | GB200 NVL72:$0.537TPU7x:$0.112 |
| tok/s/MW | GB200 NVL72:1835033TPU7x:4955578 | GB200 NVL72:1096256TPU7x:3459016 | GB200 NVL72:514709TPU7x:2116310 |
| 并发数 | GB200 NVL72:~16TPU7x:~40 | GB200 NVL72:~14TPU7x:~22 | GB200 NVL72:~2TPU7x:~12 |
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。
