对比 GB200 NVL72（NVIDIA Blackwell）与 MI355X（AMD CDNA 4）在 Qwen 3.5 397B-A17B 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 Qwen 3.5 397B-A17B 的目标交互性为 110 tok/s/user 时，GB200 NVL72 的吞吐量为 70266 tok/s/chip，每百万 token 成本为 $0.01；MI355X 的吞吐量为 39312 tok/s/chip，每百万 token 成本为 $0.01。GB200 NVL72 的成本效率高出 44%；GB200 NVL72 的单芯片吞吐量高出 79%。
在 Qwen 3.5 397B-A17B 的 177 tok/s/user 运行点，GB200 NVL72 的吞吐量为 50186 tok/s/chip，每百万 token 成本为 $0.01；MI355X 的吞吐量为 22468 tok/s/chip，每百万 token 成本为 $0.02。GB200 NVL72 的成本效率高出 80%；GB200 NVL72 的单芯片吞吐量高出 123%。
当 Qwen 3.5 397B-A17B 的目标交互性为 244 tok/s/user 时，GB200 NVL72 与 MI355X 的吞吐量分别为 27887 和 10600 tok/s/chip，每百万 token 成本分别为 $0.02 和 $0.04。GB200 NVL72 的成本效率高出 112%；GB200 NVL72 的单芯片吞吐量高出 163%。 （以上数据基于此 URL 对应的默认 agentic-traces · fp4 配置；在控件中切换序列长度、精度或模型后，下方表格和图表会同步更新。）
| 指标 | 交互性（tok/s/user） | 交互性（tok/s/user） | 交互性（tok/s/user） |
|---|---|---|---|
| 吞吐量（tok/s/chip） | GB200 NVL72:70265.8MI355X:39311.9 | GB200 NVL72:50185.9MI355X:22468.3 | GB200 NVL72:27886.7MI355X:10600.3 |
| 成本（$/M tok） | GB200 NVL72:$0.007MI355X:$0.011 | GB200 NVL72:$0.010MI355X:$0.019 | GB200 NVL72:$0.019MI355X:$0.039 |
| tok/s/MW | GB200 NVL72:37575280MI355X:18809502 | GB200 NVL72:26837375MI355X:10750404 | GB200 NVL72:14912684MI355X:5071899 |
| 并发数 | GB200 NVL72:~25MI355X:~15 | GB200 NVL72:~23MI355X:~16 | GB200 NVL72:~18MI355X:~8 |
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。
TCO $/chip/hr：
来源： SemiAnalysis Market July 2026 Pricing Surveys & AI Cloud TCO Model
注意：分离式推理配置（如 MoRI SGLang、Dynamo TRTLLM）按解码芯片或预填充 芯片计算每百万 token 成本，而非按芯片总数计算。因此，与聚合配置进行token 成本的直接对比并不完全等价。
注意：分离式推理配置（如 MoRI SGLang、Dynamo TRTLLM）按解码芯片或预填充 芯片计算输入吞吐量，而非按芯片总数计算。因此，与聚合配置进行输入吞吐量的直接对比并不完全等价。
注意：分离式推理配置（如 MoRI SGLang、Dynamo TRTLLM）按解码芯片或预填充 芯片计算输出吞吐量，而非按芯片总数计算。因此，与聚合配置进行输出吞吐量的直接对比并不完全等价。
注意：分离式推理配置（如 MoRI SGLang、Dynamo TRTLLM）按解码芯片或预填充 芯片计算功耗，而非按芯片总数计算。因此，与聚合配置进行功耗的直接对比并不完全等价。
注意：分离式推理配置（如 MoRI SGLang、Dynamo TRTLLM）按解码芯片或预填充 芯片计算能耗，而非按芯片总数计算。因此，与聚合配置进行每 token 能耗的直接对比并不完全等价。
有符合条件的测量数据，但对应的芯片曲线已隐藏。
按住 Shift 滚动以缩放 · 拖动以平移 · 双击以重置 · 点击数据点固定提示框
1 ATOM 引擎前景可期，但尚未用于生产环境 token 服务，仍处于早期阶段。
Qwen3.5 397B 8K / 1K 每 1 美元 TCO 对应的总 token 数 vs. 交互性