训练算力
关注显存容量、卡间通信、数据读取和训练稳定性，适合从实验到多卡任务逐步扩展。
起源算力 / AI 算力服务
面向真实 AI 工作负载的算力服务
训练、微调、推理和科研计算对显存、吞吐、延迟与成本的要求不同。起源算力让你按任务选择资源，先验证，再扩展。
微调算力
根据参数规模、精度、序列长度和 batch size 选择规格，避免只按模型名称估算。
推理算力
重点比较并发、延迟、上下文长度和单次请求成本，适合部署前做实际基准测试。
不同任务的选型重点
| 场景 | 主要指标 | 常见风险 |
|---|---|---|
| 大模型训练 | 显存、吞吐、通信、训练时长 | 显存不足或多卡通信抵消性能收益 |
| 模型微调 | 显存余量、精度、batch size、数据管道 | 配置过高导致成本失控 |
| 在线推理 | 延迟、并发、上下文、稳定性 | 只看峰值性能，忽略实际请求成本 |
| 科研计算 | 镜像、CUDA、可复现性、运行时长 | 环境不一致导致重复配置和重跑 |
推荐的使用流程
- 明确模型、精度、显存和并发需求。
- 在产品页和价格页比较可用型号、区域和实时库存。
- 先用小规模实例做基准测试，再扩大卡数或延长运行时间。
- 记录一次完整任务的总成本，而不是只比较每小时价格。
继续了解
本文用于帮助选择 AI 算力资源，实际性能取决于模型、框架、精度、数据和并行方式。本文最后更新：2026-08-08。