Kimi K3.1 Pro — B200 与 GB300 NVL72
对比 B200（NVIDIA Blackwell）与 GB300 NVL72（NVIDIA Blackwell）在 Kimi K3.1 Pro 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 Kimi K3.1 Pro 的目标交互性为 67 tok/s/user 时，B200 的吞吐量为 1590 tok/s/chip，每百万 token 成本为 $0.30；GB300 NVL72 的吞吐量为 29513 tok/s/chip，每百万 token 成本为 $0.02。GB300 NVL72 的成本效率高出 1290%；GB300 NVL72 的单芯片吞吐量高出 1756%。
在 Kimi K3.1 Pro 的 72 tok/s/user 运行点，B200 的吞吐量为 1450 tok/s/chip，每百万 token 成本为 $0.33；GB300 NVL72 的吞吐量为 27813 tok/s/chip，每百万 token 成本为 $0.02。GB300 NVL72 的成本效率高出 1337%；GB300 NVL72 的单芯片吞吐量高出 1818%。
当 Kimi K3.1 Pro 的目标交互性为 78 tok/s/user 时，B200 与 GB300 NVL72 的吞吐量分别为 1122 和 25614 tok/s/chip，每百万 token 成本分别为 $0.43 和 $0.03。GB300 NVL72 的成本效率高出 1609%；GB300 NVL72 的单芯片吞吐量高出 2182%。 （以上数据基于此 URL 对应的默认 agentic-traces · fp4 配置；在控件中切换序列长度、精度或模型后，下方表格和图表会同步更新。）
| 指标 | 交互性（tok/s/user） | 交互性（tok/s/user） | 交互性（tok/s/user） |
|---|---|---|---|
| 吞吐量（tok/s/chip） | B200:1590.1GB300 NVL72:29512.8 | B200:1449.7GB300 NVL72:27812.6 | B200:1122.2GB300 NVL72:25613.6 |
| 成本（$/M tok） | B200:$0.302GB300 NVL72:$0.022 | B200:$0.331GB300 NVL72:$0.023 | B200:$0.428GB300 NVL72:$0.025 |
| tok/s/MW | B200:929863GB300 NVL72:13921136 | B200:847792GB300 NVL72:13119142 | B200:656246GB300 NVL72:12081897 |
| 并发数 | B200:~6GB300 NVL72:~256 | B200:~5GB300 NVL72:~218 | B200:~3GB300 NVL72:~176 |