对比 H200（NVIDIA Hopper）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 →
将 Kimi K3 2.8T 的目标交互性设为 99 tok/s/user 时，H200 的吞吐量为 70 tok/s/chip，每百万 token 成本为 $4.85；TPU7x 的吞吐量为 4701 tok/s/chip，每百万 token 成本为 $0.06。TPU7x 的成本效率高出 7870%；TPU7x 的单芯片吞吐量高出 6629%。
当 Kimi K3 2.8T 的目标交互性为 196 tok/s/user 时，H200 的吞吐量为 70 tok/s/chip，每百万 token 成本为 $4.85；TPU7x 的吞吐量为 1608 tok/s/chip，每百万 token 成本为 $0.18。TPU7x 的成本效率高出 2626%；TPU7x 的单芯片吞吐量高出 2202%。
在 Kimi K3 2.8T 的 293 tok/s/user 运行点，H200 的吞吐量为 70 tok/s/chip，每百万 token 成本为 $4.85；TPU7x 的吞吐量为 967 tok/s/chip，每百万 token 成本为 $0.30。TPU7x 的成本效率高出 1539%；TPU7x 的单芯片吞吐量高出 1284%。 （以上数据基于此 URL 对应的默认 agentic-traces · fp4 配置；在控件中切换序列长度、精度或模型后，下方表格和图表会同步更新。）
| 指标 | 交互性（tok/s/user） | 交互性（tok/s/user） | 交互性（tok/s/user） |
|---|---|---|---|
| 吞吐量（tok/s/chip） | H200:69.9TPU7x:4701.4 | H200:69.9TPU7x:1608.1 | H200:69.9TPU7x:967.0 |
| 成本（$/M tok） | H200:$4.850TPU7x:$0.061 | H200:$4.850TPU7x:$0.178 | H200:$4.850TPU7x:$0.296 |
| tok/s/MW | H200:51001TPU7x:3895149 | H200:51001TPU7x:1332323 | H200:51001TPU7x:801140 |
| 并发数 | H200:~1TPU7x:~26 | H200:~1TPU7x:~7 | H200:~1TPU7x:~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。
