01 · 核心结论
SemiAnalysis 对 July 2026 GB200/GB300 基线的重算显示 Rubin 在高 interactivity inference 下优势扩大，但样本来自 pre-production rack，不能把 5x headline 直接当作量产经济性。
Rubin 的经济性不只来自 peak FLOPS，还来自 HBM bandwidth、低 batch decode、kernel reuse 和 rack bring-up；真正控制点是可复现吞吐、利用率、良率、供电和软件成熟度。
02 · 来源证据
证据 1
SemiAnalysis 认为 Rubin 相对 July 2026 GB200 在不超过 100 tok/s/user 时约便宜 1.5x，在 200–250 tok/s/user 时约便宜 3x；300 tok/s/user 对 GB300 的约 5x 差距包含后者接近可用边界的影响。
证据 2
Rubin 采用 HBM4，报告称 global memory bandwidth 较 Blackwell Ultra 高 2.8x，并可复用 Blackwell kernels，降低 early bring-up 摩擦。
证据 3
早期数据来自 CoreWeave 的 Dell engineering-sample rack、single-turn 8k input/1k output DeepSeek R1，未含 scale-out fabric；SemiAnalysis 估算 server-level power 约 185kW。
03 · 推断与预测
推断
Rubin 的经济性不只来自 peak FLOPS，还来自 HBM bandwidth、低 batch decode、kernel reuse 和 rack bring-up；真正控制点是可复现吞吐、利用率、良率、供电和软件成熟度。
预测
若 3Q26 InferenceX 与量产客户数据复现当前曲线，Rubin 可继续压低高 interactivity token cost；若 scale-out、可靠性或功率使利用率下降，TCO 优势会收窄。
04 · 最值得挑战的假设
CoreWeave 数据未获独立验证，2025 GB200 基线会放大 headline，TCO/BOM/功率均为模型；NVIDIA、Google 与 AMD 的统一可比提交仍未到齐。