Llama 3.3 70BNVIDIA Hopper
在 H200 上运行 Llama 3.3 70B
快速结论
Llama 3.3 70B 在 H200 上、每用户每秒 50 token 档位下单 GPU 可持续输出 2,099 token/s，按超大规模云价格折合每百万 token $0.16，推理引擎为 vLLM。全部实测配置中最快 TTFT 为 0.1 ms，最快 TPOT 为 0.0 ms（两者各自取最优，可能来自不同配置）。
实测配置数
132
推理引擎
TRTLLM, vLLM
精度
fp8
运行日期
2025-10-29 → 2025-10-29
各交互档位下的吞吐表现
推理部署是一种权衡：单 GPU 上并发用户越多，每个用户收到 token 的速度就越慢。下表在单轮对话工作负载（8k 输入 / 1k 输出）下按每个单用户速度目标读取实测前沿，取该工作点上最优的引擎与精度。
| 单用户速度目标 | 单 GPU 每秒 token 数 | 每百万 token 成本 | 推理引擎 | 精度 |
|---|---|---|---|---|
| 30 tok/s | 2,581 | $0.13 | vLLM | fp8 |
| 50 tok/s | 2,099 | $0.16 | vLLM | fp8 |
| 75 tok/s | 1,263 | $0.27 | vLLM | fp8 |
| 100 tok/s | 798 | $0.42 | vLLM | fp8 |
| 150 tok/s | - | - | vLLM | fp8 |
| 200 tok/s | - | - | vLLM | fp8 |
实际部署成本
将每用户每秒 50 token 工作点的实测吞吐，按 SemiAnalysis AI Cloud TCO 模型的各档租用价格换算为每百万 token（输入加输出）成本。
| 价格档位 | $/GPU/小时 | 每百万 token 成本 |
|---|---|---|
| 超大规模云 | $1.22 | $0.16 |
| 新兴云 | $1.59 | $0.21 |
| 零售租用 | $2.05 | $0.27 |
常见问题
- Llama 3.3 70B 在 H200 上能跑多快？
- 在单轮对话工作负载（8k 输入 / 1k 输出）、每用户每秒 50 token 的交互档位下，H200 部署 Llama 3.3 70B 单 GPU 可持续输出 2,099 token/s，推理引擎为 vLLM，精度 FP8。全部配置中的实测峰值吞吐为单 GPU 5,312 token/s。
- 在 H200 上部署 Llama 3.3 70B 的成本是多少？
- 按超大规模云 $/GPU/小时 价格、每用户每秒 50 token 档位计算，每百万 token（输入加输出）成本为 $0.16。新兴云与零售租用价格见上方表格；更慢的交互档位成本更低。
- 哪些推理引擎可以在 H200 上运行 Llama 3.3 70B？
- 本页数据来自 TRTLLM、vLLM，精度覆盖 FP8。推理引擎持续重新构建并重跑基准，最优配置可能随时变化。
- 这些 Llama 3.3 70B 数据是如何测得的？
- 所有数字均由 InferenceX 集群在真实 H200 硬件上实测，通过在单轮对话工作负载（8k 输入 / 1k 输出）下扫描并发数绘制吞吐与交互速度前沿曲线；最新一次运行落在 2025-10-29。推导方式与 InferenceX 总览排行榜完全一致。