NVIDIA 正式推出 NVIDIA Jetson T4000，将高性能 AI 与实时推理能力带入更广泛的机器人和边缘 AI 应用。T4000 针对更严格的功耗和散热限制进行了优化，最高可提供 1200 FP4 TFLOPs 的 AI 算力和 64 GB 内存，在性能、能效和可扩展性之间实现了理想平衡。凭借高能效设计和量产就绪的形态规格，T4000 让先进 AI 技术更容易被新一代智能机器采用，包括自主机器人、智慧基础设施和工业自动化等应用场景。
该模组集成 1 路 NVENC 和 1 路 NVDEC 硬件视频编解码引擎，支持实时 4K 视频编码与解码。这种均衡设计非常适合需要将先进视觉处理与 I/O 能力相结合、同时又必须满足功耗和散热要求的平台。
| 参数 | NVIDIA Jetson T4000 | NVIDIA Jetson T5000 |
| AI 性能 | 1,200 FP4 稀疏 TFLOPs | 2,070 FP4 稀疏 TFLOPs |
| GPU | 1,536 核 NVIDIA Blackwell 架构 GPU，配备第五代 Tensor Core； 支持多实例 GPU（6 个 TPC） | 2,650 核 NVIDIA Blackwell 架构 GPU，配备第五代 Tensor Core； 支持多实例 GPU（10 个 TPC） |
| 内存 | 64 GB，256-bit LPDDR5x｜273 GB/s | 128 GB，256-bit LPDDR5x｜273 GB/s |
| CPU | 12 核 Arm Neoverse-V3AE 64 位 CPU | 14 核 Arm Neoverse-V3AE 64 位 CPU |
| 视频编码 | 1x NVENC | 2x NVENC |
| 视频解码 | 1x NVDEC | 2x NVDEC |
| 网络 | 3x 25GbE | 4x 25GbE |
| I/Os | 最多 8 条 PCIe Gen5 通道；5× I2S；1× 音频集线器（AHUB）；2× DMI；4× UART；3× SPI；13× I2C；6× PWM 输出 | 最多 8 条 PCIe Gen5 通道；5× I2S；2× 音频集线器（AHUB）；2× DMI；4× UART；4× CAN；3× SPI；13× I2C；6× PWM 输出 |
| 功耗 | 40W-70W | 40W-130W |
表 1. Jetson T4000 模组与 Jetson T5000 模组的核心规格
Jetson T4000 模组在外形尺寸和引脚定义上与 NVIDIA Jetson T5000 模组完全兼容。开发者可以为 T4000 和 T5000 设计通用载板，只需在散热和模组固有特性方面考虑差异即可。
NVIDIA Jetson T4000 与 T5000 性能基准测试
Jetson T4000 和 T5000 模组在多种大语言模型（LLM）、文本转语音（TTS）以及视觉-语言-动作（VLA）模型上都表现出色。相比上一代 NVIDIA Jetson AGX Orin 平台，Jetson T4000 的性能最高可提升至 2 倍。下表展示了 T4000 与 T5000 在主流 LLM、TTS 和 VLA 模型上的性能数据。
| 模型家族 | 模型 | Jetson T4000 (tokens/sec) | Jetson T5000 (tokens/sec) | T4000 vs T5000 |
| QWEN | Qwen3-30B-A3B | 218 | 258 | 0.84 |
| QWEN | Qwen 3 32B | 68 | 83 | 0.82 |
| Nemotron | Nemotron 12B | 40 | 61 | 0.66 |
| DeepSeek | DeepSeek R1 Distill Qween 32B | 64 | 82 | 0.78 |
| Mistral | Mistral 3 14B | 100 | 109 | 0.92 |
| Kokoro TTS | Kokoro 82M | 1,100 | 900 | 0.82 |
| GR00T | GR00T N1.5 | 376 | 410 | 0.92 |
表 2. Jetson T4000 与 Jetson T5000 模组的性能基准测试
NVIDIA JetPack 7.1：面向下一代边缘 AI 的先进软件栈
NVIDIA JetPack 7 是目前 Jetson 平台最先进的软件套件，能够为在边缘端部署生成式 AI 和人形机器人提供支持。全新的 Jetson T4000 模组由 JetPack 7.1 驱动，并引入了多项增强 AI 与视频编解码能力的软件新特性。
NVIDIA TensorRT Edge-LLM：提升机器人和边缘系统的推理能力
在 JetPack 7.1 中，NVIDIA 正式为 Jetson Thor 平台引入对 TensorRT Edge-LLM 的支持。
TensorRT Edge-LLM SDK 是一个开源的 C++ SDK，用于在 Jetson 等边缘平台上高效运行 LLM 和视觉语言模型（VLM）。它面向机器人及其他实时系统，这些系统需要现代 LLM 的智能能力，但无法承受数据中心级别的计算、内存和功耗需求。
大多数主流 LLM 技术栈都是围绕云端 GPU 设计的：拥有充足的内存、宽松的时延要求、大量 Python 服务以及弹性扩展作为保障。而机器人和其他边缘设备所面临的约束完全不同——每一毫秒、每一瓦功耗以及运行时行为都会直接影响物理世界中的实际动作。TensorRT Edge-LLM SDK 正是为填补这一差距而设计，它为 Jetson Thor 级别的嵌入式 GPU 提供了面向量产的 LLM 运行时。
在机器人工作负载中，目标不仅仅是“能够运行一个 LLM”，而是要让 LLM 与感知、控制和规划等已经高度占用 GPU 和 CPU 资源的系统协同运行。以边缘为先的设计理念意味着 LLM 运行时需要与现有 C++ 代码库无缝集成，遵循严格的内存预算，并在高负载下提供可预测的时延。
TensorRT Edge-LLM SDK 专注于在边缘端实现 LLM 和 VLM 的快速、高效推理，并与 PyTorch 等主流训练生态保持兼容。典型工作流非常直接：将训练好的模型导出为 ONNX，通过 TensorRT 进行优化，然后在设备端由 SDK 端到端驱动推理引擎运行。
其中一个显著特征在于，该方案以轻量级 C++ 工具包的形式实现，最初针对 NVIDIA DriveOS LLM SDK 中的车载系统进行了优化。相比由大量 Python 包、Web 服务器和后台服务堆叠而成的复杂依赖体系，开发者只需链接一个精简的 C++ 运行时，该运行时可直接与 TensorRT 和 NVIDIA CUDA 进行交互。
与以 Python 为中心的 LLM 框架相比，这种方式为机器人应用带来了多项实际优势，包括：
- 更低的系统开销：C++ 可执行文件避免了 Python 解释器启动开销、垃圾回收暂停以及 GIL 竞争，更容易满足严格的时延要求。
- 更易于实时系统集成：C++ 能更直接地控制线程、内存池和调度机制，非常契合实时或准实时的机器人软件架构。
- 更小的软件体量：更少的依赖使 Jetson 上的部署更简单，容器镜像更小，也让 OTA 更新更加稳健。
量化是提升效率的关键手段之一。该 SDK 支持 FP8、NVFP4 和 INT4 等多种低精度格式，在合理调优的情况下，可在较小精度损失下显著压缩模型权重和 KV-cache 的占用。
图 1. TensorRT Edge-LLM 与 vLLM 的性能对比；TensorRT Edge-LLM 在多种 Qwen3 模型上的性能表现
Video Codec SDK：为 Jetson Thor 提供实时感知与媒体处理能力
随着 JetPack 7.1 的发布，NVIDIA Video Codec SDK 现已支持 Jetson Thor。
Video Codec SDK 是一套完整的 API、 高性能工具、示例应用、可复用代码和文档集合，用于在 Jetson Thor 平台上实现硬件加速的视频编码和解码。其核心是 NVENCODE 和 NVDECODE API，提供 C 风格接口，可高效访问 NVENC 和 NVDEC 硬件加速器，暴露绝大多数硬件能力以及常用和高级编解码特性。
为简化集成，SDK 还在这些 API 之上封装了可复用的 C++ 类，使应用能够轻松使用 NVENCODE 或 NVDECODE 接口所提供的完整功能集。
图 2 展示了 JetPack 7.1 BSP 中 Video Codec SDK 及其驱动的整体架构，以及相关的示例应用和文档。
图 2. Video Codec SDK 架构
Video Codec SDK 为多媒体开发者带来以下关键优势。
跨 NVIDIA GPU 的统一开发体验
借助 Video Codec SDK，开发者可以在整个 NVIDIA GPU 产品线上获得一致、简化的开发体验，无需为不同 GPU 类别维护独立的代码库或调优策略，从而降低工程成本。
基于 GPU 的应用可以通过 Video SDK API 无缝扩展或迁移到 Jetson Thor 的集成 GPU 上，而无需重新设计视频处理流程。嵌入式平台团队也能使用与工作站和服务器一致的成熟 API 及工具，并获得相同级别的性能优化。这种一致性不仅加速了开发与验证，还能够让长期维护、系统扩展以及跨平台功能一致性保障更加便利。
对下一代机器人感知与多媒体应用的精细化控制
Video Codec SDK 提供了将预设与调优模式相结合的 API，使开发者能够精确控制视频质量、时延和吞吐量，实现高度灵活的、面向具体应用的编码策略。
通过对重建帧访问和迭代编码的 API 支持，SDK 可实现 CABR 工作流，自动在保证感知质量的前提下找到最低码率，从而降低带宽需求。同时，通过 SDK 暴露的空间/时间自适应量化（AQ）与前瞻控制机制，可以实现细粒度的感知质量优化，将码率精准分配到最重要的区域，从而在不增加码率的前提下获得更清晰、更稳定的视频效果。
Video Codec SDK 主要由两大部分组成：
- 视频用户态驱动通过 NVENCODE 和 NVDECODE API 访问片上硬件编码器和解码器
- Video Codec SDK 13.0 包含示例代码、头文件和文档，可通过 NVIDIA Video Codec SDK 网页，使用 APT（参考操作说明）或 通过 NVIDIA SDK Manager 安装
图 3. Video Codec SDK 的组成
PyNvVideoCodec 是 NVIDIA 提供的 Python 视频编解码库，为 NVIDIA GPU 上的硬件加速视频编码和解码提供了简洁而强大的 Python API。
PyNvVideoCodec 库在内部调用 Video Codec SDK 的核心 C/C++ 编解码接口，同时对外提供易用的 Python API，其性能与直接使用 Video Codec SDK 非常接近。
开始开发
NVIDIA Jetson T4000 拥有成熟的合作伙伴生态，提供量产就绪的系统方案，帮助用户快速从原型阶段过渡到实际部署。开发者可以直接选择经过验证的边缘系统，这些系统已集成模组、电源、散热设计以及机器人和物理 AI 工作负载所需的 I/O。众多合作伙伴的系统充分利用了模组的先进摄像头处理流程，支持 MIPI CSI 和 GMSL，能够处理高要求的多摄像头实时视觉任务。Jetson T4000 提供 16 条 MIPI CSI 通道，使合作伙伴能够打造可同时接入多路摄像头的视频采集平台，支持复杂的机器人、工业检测和自主机器应用。
这些系统均针对 JetPack SDK、CUDA 以及完整的 NVIDIA AI 软件栈进行了优化，现有应用和模型通常只需极少修改即可迁移。众多合作伙伴还提供生命周期支持、区域认证和定制化服务，帮助团队在从试点到规模化部署的过程中降低供应链和合规风险。想要了解可用系统并找到最适合您应用的方案，请访问 NVIDIA 生态系统页面。
总结
借助由 JetPack 7.1 驱动的 Jetson T4000，NVIDIA 将 Blackwell 级 AI 能力、实时推理和先进多媒体功能扩展到更广泛的边缘与机器人应用领域。从在 LLM、语音和 VLA 工作负载上的显著性能提升，到 TensorRT Edge-LLM 的引入以及统一的 Video Codec SDK，T4000 在性能、能效和软件成熟度之间实现了出色平衡。Jetson T4000 使开发者能够在不同性能层级之间灵活扩展，在边缘端构建下一代自主机器、感知系统和物理 AI 解决方案。
立即开始使用 Jetson AGX Thor 开发者套件，下载最新的 JetPack 7.1。Jetson T4000 模组现已发售。
完整文档、支持资源和开发工具可通过 Jetson 下载中心及生态合作伙伴获取。
如有疑问或需要技术指导，欢迎在 NVIDIA 开发者论坛与专家及其他开发者交流。
NVIDIA 首席执行官黄仁勋在 CES 2026 的演讲，并了解相关技术分享。
