B200
NVIDIA推出的旗舰数据中心GPU，基于Blackwell架构，面向大规模AI训练和推理，代表当前最高性能级别
时间轴 (近 90 天)
课程以B200为例：2.25 PFLOPS的BF16算力，8 TB/s的内存带宽。
按官方口径折算，DeepInfer一张卡一小时营收38美元，而B200市场租金大约8美元，相差四倍多，但这是营收对租金，未扣除电费、折旧、存储等成本。
H100和B200这类产品单价通常在数万美元量级，且受产能与出口管制影响，交货周期长、渠道加价严重。
B200属于Blackwell架构，采用双芯片封装。
当大模型训练和推理的需求持续膨胀，而专业级加速卡（如H100、B200系列）产能有限、价格高昂时，采购方会把目光投向消费级旗舰卡。
SM100对应英伟达Blackwell架构中计算能力10.0的GPU，如B200、GB200等，它是一个架构标识而非具体显卡型号。
官方数据显示，在单张 B200 上，LFM2.5-1.2B 在 RIPL 上的 p95 延迟比 Qwen3.5-0.8B 在 vLLM 上低 14.4 至 28.4 倍。
DeepInfra 的内核是为 NVIDIA 数据中心 Blackwell 芯片（如 B200）编写的，无法直接在 DGX Spark 等使用不同 Blackwell 芯片的设备上开箱即用。
单个集群一天处理155万亿个Token，平均每张卡每小时收入38美元。
A100在4K token prefill期间浪费超过97%的HBM带宽；HBM占A100制造成本的18%，在B200上高达45%
还有 34 条时间轴事件
全部知识事实 (20)
英伟达最新的B200芯片单卡热设计功耗达1000瓦
90%待验证装满B200芯片的机架功率可达120千瓦，是传统服务器机架的十倍以上
80%待验证图像模型在卸载时可保持 INT8 或 FP8 精度，Z-Image 生成耗时在 10 GiB 显存上限的 B200 上从 38.4 秒降至 2.3 秒
70%待验证在B200上，Qwen3.5-9B的LoRA SFT训练每步耗时从0.84秒降到0.77秒
70%待验证单个集群一天处理155万亿个Token，平均每张卡每小时收入38美元。
60%待验证NVIDIA的A100、H100以及最新的B200 GPU已经成为AI训练和推理的事实标准
60%待验证课程以B200为例：2.25 PFLOPS的BF16算力，8 TB/s的内存带宽。
50%待验证按官方口径折算，DeepInfer一张卡一小时营收38美元，而B200市场租金大约8美元，相差四倍多，但这是营收对租金，未扣除电费、折旧、存储等成本。
50%待验证当大模型训练和推理的需求持续膨胀，而专业级加速卡（如H100、B200系列）产能有限、价格高昂时，采购方会把目光投向消费级旗舰卡。
50%待验证H100和B200这类产品单价通常在数万美元量级，且受产能与出口管制影响，交货周期长、渠道加价严重。
50%待验证B200属于Blackwell架构，采用双芯片封装。
50%待验证SM100对应英伟达Blackwell架构中计算能力10.0的GPU，如B200、GB200等，它是一个架构标识而非具体显卡型号。
50%待验证官方数据显示，在单张 B200 上，LFM2.5-1.2B 在 RIPL 上的 p95 延迟比 Qwen3.5-0.8B 在 vLLM 上低 14.4 至 28.4 倍。
50%待验证DeepInfra 的内核是为 NVIDIA 数据中心 Blackwell 芯片（如 B200）编写的，无法直接在 DGX Spark 等使用不同 Blackwell 芯片的设备上开箱即用。
50%待验证A100在4K token prefill期间浪费超过97%的HBM带宽；HBM占A100制造成本的18%，在B200上高达45%
50%待验证Reddit讨论者引用的TTT-Discover配方使用Qwen3-8B并开启thinking模式，跑在两块B200上。
50%待验证同一先进制程产线的产能需要在数据中心GPU（如H100/B200系列）、消费级旗舰与中端型号之间分配。
50%待验证AI训练所需的高端GPU如NVIDIA H100、B200均依赖台积电的5纳米、3纳米乃至更先进节点生产。
50%待验证在 Kimi Linear、8 卡 B200 并发 8 的测试中，cached-prefix 吞吐提升约 10.9 倍
50%待验证Kimi-K2.7-Code 可以在 6 张 B200 上以打包的 INT4 专家进行训练，而换成 16-bit 副本则需要约 2 TB 显存
50%