新智元報道

【新智元導讀】跑分跑了這么多年，新基準偏說FLOPS量不動智能體了，英偉達GB300一上來，就把上代甩開20倍。

同樣一兆瓦電，英偉達最新的GB300 NVL72能同時扛住61400個智能體，上一代H200只扛得住大約2600個。

這中間，差了整整20倍。

英偉達公布的AA-AgentPerf成績：在每秒20與60個token兩檔服務標準下，GB300 NVL72每兆瓦的并發智能體數，都約為H200的20倍。

6月12日，英偉達剛放出這組數字的時候，外界第一反應是又一次性能炫技。

但真正變了的，并非這代芯片有多猛，而是丈量算力的那把尺子。

它就是獨立評測機構Artificial Analysis發布的新基準：AA-AgentPerf。

Artificial Analysis在官方博客中將它稱為業界第一個專門為「AI智能體（AI agent）」設計的推理基準。

它的主指標也和以往不同：并非每秒多少token，而是「每兆瓦并發智能體數（Agents per Megawatt）」。

通俗點說，就是每給系統供1兆瓦的電力，它能同時「養活」多少個智能體。

FLOPS量了這么多年，每秒吐多少token也用得好好的，為什么還要推出AA-AgentPerf這個新基準？

舊尺子

量不動智能體了

要回答這個問題，得先弄明白智能體跑起來時到底是個什么負載。

Artificial Analysis的判斷很明確，2026年最主流的AI負載，和那些老基準當年設計時瞄準的東西，早就不是一回事了：老基準量的是定長的合成請求，還順手關掉了生產環境里真會開的那些優化。

英偉達官方也打了一個貼切的比方：

一次普通的對話，是百米沖刺，模型接一個問題，吐一段回答，結束；但一個智能體干活，更像跑接力。

它把一個目標拆成幾十上百個步驟，讀文件、寫代碼、跑命令、看結果，再決定下一步，一棒接一棒，直到任務真正做完。

這一路下來，幾十次甚至上百次的大模型調用串在一起，每一次都把越滾越長的上下文遞給下一棒，還夾雜著編譯、查庫、跑搜索這些工具調用。

復雜度并非簡單相加，而是層層相乘。

英偉達用「接力」比喻智能體負載。一個目標被拆成幾十上百步，大模型調用與工具調用一棒接一棒，串成不斷變長的長鏈。

問題恰恰就出在這里。

市面上現有的推理基準測試，量的都是單次調用，一個請求進去多久回來、一臺機器能同時接多少個請求。

它們原本就不是為智能體設計的。鏈式調用、工具等待、上下文膨脹，這些東西對系統的壓榨方式，和單次請求完全是兩回事。

僅是長會話就藏著老基準的測試盲區：同一段長長的前綴，會一輪一輪重復出現，誰能把它緩存住、不必每次重算，誰就省下大筆算力。

再加上工具結果動不動把上下文撐爆、輸出卻常常只有幾百個token，調度器和顯存層級扛不扛得住這種忽長忽短的節奏，直接決定一套系統是順暢運轉還是當場崩掉。

這恰恰是固定長度的合成測試無法觸及的地方。

對于真金白銀買卡、建數據中心的人來說，他們真正關心的是這套系統到底能同時養活多少個干活的智能體，每一度電、每一塊GPU又換來多少有用產出。

這些問題老基準測試答不上來。

第一個為智能體造的尺子

AA-AgentPerf的做法和老基準不一樣，不喂那種長度固定的合成提示詞，而是回放真實的編程智能體軌跡。

AA-AgentPerf回放的智能體軌跡示意。從一個請求出發，LLM調用與工具調用交替推進，直到任務真正完成。

這些軌跡，是讓智能體去解真實代碼倉庫里的問題攢出來的，覆蓋12種以上編程語言，一段會話最長能跑到200輪，上下文輕松沖破10萬token。

輸入長度從5千到13萬token不等，平均約2.7萬。真正把長度撐起來的，并非提示詞本身，而是一輪輪累積的工具輸出和對話歷史。

更關鍵的，是它怎么算成績。

它不去拼極致的并發數。并發一旦堆太高，每個智能體都慢得像爬，并發數再大，也只是中看不中用。

AA-AgentPerf反過來做：先鎖死一個服務標準，每個智能體的輸出速度、首字延遲（TTFT）都得達標，再看系統守住這條線，最多能扛住多少個智能體。

這套約束有個名字，叫服務等級目標（SLO）。

這套標準還分了幾檔，從每秒20個token的夠用檔，到每秒180個token的飛快檔，每一檔單獨測一遍最大并發，對應市面上真實存在的幾種服務水平。

服務等級目標（SLO）如何卡住最大并發。綠點是達標區，一旦并發堆高、速度跌破門檻，對應的并發上限就是這套系統的成績。

它還做了一件別的基準不太敢做的事，把廠商在生產里真會開的優化全都放開。

KV cache復用、推測解碼、把預填充和解碼拆開部署，這些以前常被基準一刀切關掉的招數，這次全部允許。

理由很簡單：關掉這些優化測出來的，量了也沒意義。

與此同時，它還盯著輸出質量，不讓某個優化靠犧牲回答質量去換并發數。這樣一來，每多一項軟硬件進步帶來的提升，都能被它如實測量出來。

最后落到一個核心指標：每兆瓦并發智能體數。在一個電力越來越緊、能耗就是成本的世界里，這個指標，才是買家真正關心的那一個：從tokens每秒，到agents每兆瓦。

每兆瓦領先20倍

每塊GPU領先40倍

在一個代表當下最強一類的前沿混合專家（MoE）模型測試里，GB300 NVL72每兆瓦能撐起61400個并發智能體，平均每塊GPU扛起57.5個。

對照組H200，每兆瓦大約2600個，每塊GPU只有1.4個。二者之間每兆瓦差出約20倍，每塊GPU差出約40倍。

這兩個數的含金量也不一樣。

每兆瓦衡量的是同樣一度電能買到多少智能體產能，是一筆能效賬；而每GPU衡量的則是單塊卡的服務密度，是一筆硬件賬。

根據這兩個數，就能直接換算自己手里那點電力預算，到底能跑起多大規模的智能體應用。

榜單上不止英偉達的GB300，還有AMD的MI355X。從單卡、整機到整機架，都擺出來同臺競技。

第一批結果里跑出了兩條很明顯的規律。

規律1：機架級系統天然更便宜，它能更充分地把推理拆開、攤到更多卡上，無論純算力還是每兆瓦能效，都把單節點甩在身后；

規律2：從Hopper到Blackwell這一代的跨越，把系統能扛的并發數直接頂上了一個新臺階，并非小修小補。

從單卡到機架

系統級的勝利

從H200到GB300，這看起來像單卡性能的飛躍，事實上是一場系統級的勝利。

更為關鍵的是GB300 NVL72把72塊GPU用NVLink連成了一個機架級的整體。

對這種龐大的混合專家模型來說，這才是要害：模型能整個攤開，專家分到一整片GPU上并行執行，而并非全擠在單卡里干耗。

CUDA核心在底下做了進一步優化，把跨專家之間的通信和計算重疊起來，讓協調各路專家的那點開銷被算力悄悄吞掉，而并非堆在時延上。

TensorRT-LLM則負責在并發會話不斷往上漲的時候，把效率守住，比如把輸入的處理和輸出的生成拆成兩件事，各自單獨優化。

說白了，這個測試成績，是硬件、互聯和軟件棧共同作用的結果。

GB300 NVL72機架。72塊GPU經NVLink連成單一高帶寬整體，這才是6萬個智能體能協同運轉的硬件底座。

把72塊卡焊成一個高帶寬的整體，每塊GPU都能飛快地共享參數、KV cache和中間結果，這才是6萬個智能體能協同跑起來的底氣。

幾條不能略過的邊界

這里有幾點需要注意，不能把基準測試等同于生產現實。

第一，6萬這個數，并非一臺機器同時跑6萬個獨立的大模型。

它是基準定義下的并發會話模擬，每個智能體走的是一條預先錄好的軌跡，連工具調用都并非真去執行，而是用一段固定的CPU耗時去模擬。

這么設計，是為了讓最終結果只反映算力本身的差異，但它和真實生產環境里能交付的服務能力，并不能直接畫等號。

第二，基準成績并非生產服務協議。

Artificial Analysis自己也說，這是一份還在快速變動的前沿快照，各家系統都還有沒榨干的余量，成績會隨著軟件優化一路向上爬升。

第三，AA-AgentPerf目前還是單一機構提出的標準。

它會不會像MLPerf那樣，最終長成全行業公認的標尺，現在下結論還尚早。

參考資料：

https://artificialanalysis.ai/articles/aa-agentperf

https://developer.nvidia.com/blog/nvidia-achieves-leading-agentic-coding-performance-on-first-agentic-ai-benchmark/

編輯：元宇