计算方法

生成一个 token 需要从显存中把每个活跃权重读一次,所以单请求速度由显存带宽决定:每秒 token ≈ 带宽 ÷ 活跃权重字节数,我们假设实际内核能达到标称值的约 70%。同时服务多个请求时,每次权重读取可供整批复用,所以吞吐量随并发增长 — 直到 GPU 算力耗尽,我们把上限设为其稠密 BF16 峰值的 40%(每个活跃参数每 token 2 FLOP)。

内存则不同:混合专家(MoE)模型必须加载全部专家,所以按总参数量计算,再加上你的上下文长度和并发所需的 KV 缓存。一张卡不够时,我们使用能放下的最少 GPU 数(最多一个 8 卡节点),并按整个节点计价。

每百万 token 成本 = 小时价 ÷ (每秒 token × 3,600) × 1,000,000。对比列使用同一模型最便宜托管 API 的输出 token 价格。自部署只有在 GPU 保持忙碌时才能达到这些数字:利用率 20% 时,成本要乘以五。自部署还是 API 工具和盈亏平衡指南详细讨论了利用率。