Muse Spark Open 816B — H200 与 TPU7x
对比 H200（NVIDIA Hopper）与 TPU7x（Google Ironwood）在 Muse Spark Open 816B 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 Muse Spark Open 816B 的目标交互性设为 118 tok/s/user 时，H200 的吞吐量为 4535 tok/s/chip，每百万 token 成本为 $0.07；TPU7x 的吞吐量为 23165 tok/s/chip，每百万 token 成本为 $0.01。TPU7x 的成本效率高出 505%；TPU7x 的单芯片吞吐量高出 411%。
当 Muse Spark Open 816B 的目标交互性为 142 tok/s/user 时，H200 的吞吐量为 3274 tok/s/chip，每百万 token 成本为 $0.10；TPU7x 的吞吐量为 20674 tok/s/chip，每百万 token 成本为 $0.01。TPU7x 的成本效率高出 648%；TPU7x 的单芯片吞吐量高出 531%。
在 Muse Spark Open 816B 的 165 tok/s/user 运行点，H200 的吞吐量为 2043 tok/s/chip，每百万 token 成本为 $0.17；TPU7x 的吞吐量为 18720 tok/s/chip，每百万 token 成本为 $0.02。TPU7x 的成本效率高出 985%；TPU7x 的单芯片吞吐量高出 816%。 （以上数据基于此 URL 对应的默认 agentic-traces · fp4 配置；在控件中切换序列长度、精度或模型后，下方表格和图表会同步更新。）
| 指标 | 交互性（tok/s/user） | 交互性（tok/s/user） | 交互性（tok/s/user） |
|---|---|---|---|
| 吞吐量（tok/s/chip） | H200:4534.7TPU7x:23165.0 | H200:3273.9TPU7x:20674.0 | H200:2042.9TPU7x:18719.7 |
| 成本（$/M tok） | H200:$0.075TPU7x:$0.012 | H200:$0.104TPU7x:$0.014 | H200:$0.166TPU7x:$0.015 |
| tok/s/MW | H200:3309985TPU7x:19192228 | H200:2389709TPU7x:17128451 | H200:1491144TPU7x:15509294 |
| 并发数 | H200:~6TPU7x:~19 | H200:~4TPU7x:~16 | H200:~2TPU7x:~13 |