本文针对NVIDIA Blackwell B200 GPU上可信执行环境（TEE）的性能开销进行了系统性基准测量。研究背景是：随着机密计算（Confidential Computing, CC）在AI/LLM工作负载中的重要性上升，用户需要在保护模型权重和用户数据的同时，了解启用TEE后对推理与训练性能的实际影响。作者在单一物理主机上成对运行机密与非机密任务，唯一变量为GPU的CC位和虚拟机启动时的Intel TDX机密客户机对象，从而隔离出纯CC带来的开销。核心实验结论是：在配置正确的前提下，Blackwell GPU上的机密推理吞吐量开销仅为约1-3%（低个位数）；而使用默认或未经优化的推理栈时，开销会高达30-40%，但这些高开销源于可避免的配置问题，并非硬件的可达常驻点。作者指出，CC开销并非单一数值可以概括，而是由两个独立成本轴共同决定：一是固定的每主机操作成本，其随批量大小增加而摊薄；二是每NVLink流量成本，其与步骤中加密集合通信所占比例成正比。究竟哪一轴占主导，取决于具体工作负载与软件栈。论文进一步将每种成本定位到特定加密边界，并提供了一个微基准，能够在提交计数级预估服务化场景的性能惩罚。最终给出了具体部署建议，同时验证了CC对GPU计算能力、功耗和可用内存容量均无影响。本文对正在评估NVIDIA Blackwell机密计算能力、希望在大模型推理/训练中启用TEE而不过度牺牲性能的工程师和架构师具有直接参考价值。