该论文针对在NVIDIA Blackwell B200 GPU上运行大语言模型（LLM）推理与训练时，使用可信执行环境（TEE）所带来的性能开销进行了系统测量。研究基于Intel Trust Domain Extensions（TDX）机密虚拟机与NVIDIA Confidential Computing（CC）功能，在同一物理主机上通过仅切换GPU CC位和TDX guest对象，构造了成对的机密/非机密对照实验。核心发现是：当软件栈配置正确时，Blackwell上的机密推理吞吐量开销仅为个位数百分比（约1-3%）；而常见的默认推理栈由于存在可避免的配置问题，会带来30-40%的额外开销。作者指出，开销不能简单地用一个单一数值概括，而是受两个独立维度支配：一是固定的每主机操作成本，该成本随批处理大小增大而摊销；二是与NVLink流量相关的成本，该成本与步骤中加密集合通信所占比例成正比。哪个维度占主导取决于具体工作负载和软件实现。论文将每种开销定位到特定的加密边界，并提出了一个微基准测试，能够准确预测服务化场景下的性能损失（误差在若干次提交以内）。最后，文章给出了具体的部署指南。实验还表明，启用CC不会影响GPU计算能力、功耗或可用内存容量。这项工作为需要保护LLM工作负载但又担心性能损失的从业者提供了宝贵的量化依据，并强调了配置优化在机密计算中的关键作用。适合云服务商、AI基础设施团队以及机密计算平台开发者阅读。