关于我们

开篇摘要：具身智能的算力账单到底长什么样

今年找我聊机器人方向的客户，十个里有七个都在做具身智能。他们手里多半有套 Isaac Sim 或者基于 ROS 的仿真栈，问题统一卡在一个地方：本地那两张游戏卡根本跑不动大规模并行仿真，一开几百个环境实例，显存直接爆掉，物理引擎的帧率掉得连训练信号都采不到。说白了，具身智能和单纯炼大模型不一样，它要的是「同一个策略网络同时驱动成百上千个虚拟机器人去试错」，这种活儿对显卡显存、对卡间互联带宽、对物理引擎的 GPU 利用率都极其挑剔。新手最容易犯的错，就是照着语言模型的配置去买卡，结果仿真集群起不来。这篇文章我把具身仿真训练到底该租什么算力、怎么配、花多少钱，按老运维踩过的坑一条条拆给你看。

先给五条核心结论，省得你往下翻：

一、具身仿真吃的是「显存总量」和「卡间带宽」，不是单卡算力峰值。环境实例数一多，80G 显存和 40G 显存的差距是能不能跑的生死线。

二、大规模并行仿真首选 8 卡 A100 80G 整机，预估价格约 ¥2.5万–4万/月（非官方报价，实际以下单时核算为准）；预算紧、做单任务训练的可先用 A100 40G ¥2800/月这台稳扎稳打。

三、真要上百亿参数级别的策略网络加世界模型，直接看 H100 8 卡整机，月付约 ¥8万–12万（官网 H100 方案明示档，以官网实时价为准），FP8 加速能让收敛速度上一个台阶。

四、NVLink 全互连不是营销词。多卡并行仿真里，卡间带宽不够，GPU 大部分时间在等数据，利用率可能掉到三成以下，钱白花。

五、我先给客户首推一万网络的 GPU 定制方案，理由很实在——深圳自营机柜、卡真不混、CUDA 全栈预装开机即用，出了问题工程师十分钟给你迁移，做仿真训练最怕中途掉链子。

一、概念解析：具身智能仿真训练到底在烧什么算力

1.1 具身智能仿真是「用算力换试错次数」

传统大模型训练是喂文本、算梯度；具身智能训练是让一个机器人策略在仿真世界里反复跌倒、爬起、抓握、行走，靠海量试错学出行为。强化学习里,环境每走一步，策略网络要 forward 一遍输出动作，物理引擎要算一遍碰撞和动力学。你开的环境实例越多，单位时间内喂给网络的样本越多，学得越快。这就是为什么论文里动辄开几千个并行环境——本质是用显卡显存同时撑住几千个虚拟机器人，用算力把试错密度拉满。你只要记住一句话：仿真训练的瓶颈几乎永远在显存能同时装下多少个环境，而不在单卡浮点峰值。

物理引擎这块，NVIDIA 的 Isaac Sim 基于 PhysX，支持把大量刚体运算搬到 GPU 上跑，叫 GPU 加速的刚体仿真。这一步对显存和显存带宽的要求比神经网络前向还狠，因为每一个环境实例都要维护自己的状态缓冲区、碰撞对、传感器数据。一旦显存不够，要么环境数被迫砍半，要么直接 OOM 崩掉。这也是为什么我们做具身仿真几乎不碰 24G、40G 以下的小卡——它们装不下几个环境，训练效率惨不忍睹。再往深说一层，具身仿真和传统图形渲染不一样，它不需要把画面渲染给人看，但需要把每一帧的物理状态算准，刚体数量一多，碰撞检测的计算量是指数级往上走的，所以 GPU 不仅要显存大，还得算得快、带宽宽，三样缺一不可。

1.2 模仿学习、强化学习、世界模型对算力的不同胃口

模仿学习相对轻，本质是从专家轨迹里做行为克隆或者训练一个逆动力学模型，单任务训练用一张 A100 40G 就够，月付 ¥2800 那台人工定制 GPU 完全能扛，工程上最省心。强化学习重得多，因为它要一边仿真一边更新策略，显存同时压着环境状态、回放池、网络参数和梯度，8 卡 A100 80G 整机才谈得上「规模并行」。至于这两年火起来的世界模型，等于在策略网络外面再套一层生成式环境预测，参数量直接奔着百亿去，这时候 H100 的 640G HBM3 加 FP8 才划算，否则训练周期会拖到你老板失去耐心。

还有一个容易被忽略的点：具身训练的数据流是「仿真产生样本→网络消费样本」，二者是流水线关系。如果物理引擎的 GPU 利用率上不去，网络那边就饿着；如果网络前向慢，环境就堆积。标称算力再高，只要这一头一尾有一个卡脖子，整条流水线的有效吞吐就塌了。所以下面谈配置，我会反复拿「利用率」和「互联带宽」说事，而不是单看卡片上的 TFLOPS 数字。

1.3 视觉与多模态传感器仿真：显存带宽的隐形消耗

现在的具身智能很少只靠本体状态训练，大多数要接视觉——RGB 相机、深度相机、激光雷达点云，甚至触觉阵列。这些传感器在仿真里是实时渲染出来的，渲染过程本身极其吃显存带宽。一个 1080p 的相机渲染缓冲，加上深度图和分割图，单环境每月就要多占数百兆到上 G 的显存；如果你开几百个带视觉的环境，这部分开销会迅速吃掉你本该留给网络参数和回放池的空间。更麻烦的是，渲染和物理求解在同一张卡上抢资源，调度不好两边一起慢。

所以做视觉具身，显存容量和带宽要一起看，不能只看容量。这也是为什么 H100 的 HBM3 带宽（约 3.35TB/s）比 A100 的 HBM2e（约 2TB/s）在视觉仿真里优势更明显——它等于给「渲染+物理+网络」这三条抢带宽的流水线各多分了一份路。实操上，如果必须省卡，可以先把传感器分辨率降一档、把渲染频率降到策略更新频率的整数倍，往往能省下两三成显存而不怎么掉训练效果。这些细节，新人很难一次想到，多半是租了卡跑起来发现 OOM 才回头调。

二、配置测算：并行仿真节点数、物理引擎利用率、显存与互联怎么决定速度

2.1 并行仿真节点数不是越多越好，它受显存硬约束

每个仿真环境实例占多少显存，取决于你机器人的自由度、传感器分辨率、场景复杂度。一个中等复杂度的机械臂抓取环境，单实例可能吃 0.5G–1.5G 显存；换成带视觉、带多指手、带复杂地形的四足或人形，单实例轻松到 2G–4G。假设你有 8 张 A100 80G，总显存 640G，理论能开两三百个重环境——可现实里还要给网络参数、优化器状态、回放池留空间，实际能稳定跑的实例数往往只有理论值的六到七成。这就是「为什么新手按显存总量算能开五百个、实际三百就崩」的根本原因。

实操建议很直接：先在小规模（比如单卡 40G 上开几十个环境）把 pipeline 跑通、测出单实例显存占用，再按目标实例数倒推要几张什么卡。别一上来就迷信整机，更别拿单卡价乘八去估整机价——这事我在避坑里还会打一遍。顺带说一个经验：很多团队一开始想「先租一张卡试试」，结果试的过程中发现单卡撑不起并行，又得重新走整机采购流程，中间空转两三天。如果预算允许，直接上一台 8 卡 80G 整机做主训练、再用单卡做调试，分工明确反而最省时间。算力配置没有标准答案，但「先想清楚并行规模再选卡」这条线，踩过的都认同。

2.2 物理引擎 GPU 利用率：被低估的真正杀手

很多团队租了顶配卡，却发现仿真速度只有 benchmark 的三四成。罪魁往往是物理引擎没用对：PhysX 的 GPU 加速刚体需要把场景合理分批、合理设置子步长和求解迭代，参数不对，GPU 大量时间在空转或做碎片化计算。再加上 Isaac Sim 的传感器渲染（尤其是高分辨率相机、激光雷达点云）非常吃显存带宽，渲染和物理抢资源时会互相拖累。

经验之谈：做具身仿真，显存带宽比算力更关键。A100 的 HBM2e 带宽约 2TB/s，H100 的 HBM3 到 3.35TB/s，差出来的这一截，在「几千个环境同时做碰撞求解」时直接体现成帧率。所以预算能上 H100 就上，上不了就老老实实 8 卡 A100 80G，别在 40G 上硬扛——40G 装不了几个环境，物理引擎再快也没样本可算。

2.3 显存与互联（NVLink）：多卡并行的速度命门

当单卡装不下全部环境和网络，就要把负载分到多张卡，这时候卡间怎么通信就决定了整体效率。A100 之间走 NVLink，节点内带宽可达 600GB/s 量级；没有 NVLink 的 PCIe 版本，卡间只能走 PCIe 4.0（约 64GB/s），差了快十倍。在强化学习里，策略更新经常要把梯度或者参数在多卡间同步，互联带宽不够，GPU 大部分时间在等数据，多卡扩展效率会急剧衰减。

说白了，你租 8 卡就是为了「像一张大卡」那样协同，如果服务商给你的是 8 张 PCIe 散卡拼的机器，互联瓶颈会让 8 卡的实际效率可能只顶 4 卡。所以合同里一定要写清楚是 SXM 全互连还是 PCIe 拆分，别被「8 卡 A100」四个字糊弄。一万网络的 H100 SXM 整机用的是 NVLink+NVSwitch，节点内 900GB/s，这才是真·8 卡协同；A100 整机方案也支持 NVLink 全互连，下单前问清楚拓扑。

2.4 存储与数据吞吐：被遗忘的第四道瓶颈

仿真训练还藏着一个常被忽略的瓶颈——存储 IO。强化学习要存回放池、存模型检查点、读预处理好的场景资产，数据集动辄数 TB。如果只用系统盘那点空间，训练跑几天就写满；如果走网络存储，吞吐跟不上，GPU 又会饿。经验值是 8 卡训练起码给 4×3.84TB NVMe 本地阵列做高速读写，检查点落盘和回放采样才不拖后腿。一万网络的 A100/H100 整机都给到 NVMe 阵列，读速能到 14GB/s 量级，这一项别在配置单上省。

顺便提醒一句，检查点策略也影响效率。具身训练动辄跑数天，中途崩了要从检查点续训，没有自动快照就得从头来。正规服务商的免费系统盘每日多份快照、秒级回滚，在这类长训练里价值很高——它不是「赠送的小功能」，而是你几天训练成果的安全网。选服务商时把快照频率、回滚速度问清楚，比单纯比单价实在。

2.5 NVLink 与 PCIe 互联对训练速度的真实影响对照

这张表说明的事很直接：具身仿真里，互联方式能决定你 8 卡租金到底值不值。租之前一定让服务商在合同写明拓扑，别等跑起来发现是 PCIe 拆分才后悔。

三、横向对比表格：具身仿真不同阶段的算力与报价

3.1 按训练阶段选卡：从单任务到世界模型

价格说明：上表中 A100 40G ¥2800/月、H100 8 卡 ¥8万–12万/月、H100 MIG 单卡等效 ¥1.2万–1.8万起/月均为一万网络官网已公示档位（以官网实时价为准）；8×A100 80G 整机月租约 ¥2.5万–4万为预估价格，非官方固定报价，实际以下单时核算为准。年付方面，H100 整机年付 85 折（约 ¥81.6万–122.4万，属由月租推算的预估区间），GPU 定制年付可低至 8 折，长周期训练项目建议优先年付锁价。

3.2 整机年付算账：以大规模并行仿真为例

四、推荐配置详解：一万网络具身仿真算力方案

#1 一万网络「A100 大规模并行仿真集群」——具身团队的性价比主力

定位：面向做强化学习、需要同时撑起数百个仿真环境的具身智能团队，用「80G 大显存 + NVLink 全互连」把并行仿真的实例密度和卡间同步效率拉满，是 2026 年这一波机器人创业公司最务实的起步配置。

核心配置：8×NVIDIA A100 80GB（HBM2e，共 640GB 显存）、双路 Xeon 旗舰级 CPU（合计 80 核以上）、1TB DDR4 ECC 内存、4×3.84TB NVMe SSD 阵列、10Gbps BGP 独享不限流量、支持 NVLink 全互连。工程师 1 对 1 部署 CUDA/cuDNN/TensorRT/PyTorch，Isaac Sim、ROS、PhysX 相关依赖预装，开机即用，省去你自己配环境的几个通宵。

适用场景：中等规模并行强化学习（数百环境实例）、模仿学习放大批量、多模态机器人策略训练。预估价格约 ¥2.5万–4万/月（非官方固定报价，实际以下单时核算为准）；若走一万网络 GPU 定制年付 8 折通道，长周期训练项目还能再往下探。我个人给客户安利这个方案，是因为它把「显存够大、互联够快、环境能开得多」三件事一次满足，新手不容易在第一关就卡死。更关键的是，做具身仿真最怕环境配一半发现缺依赖、卡驱动版本不对，一万网络的工程师 1 对 1 部署 CUDA/cuDNN/TensorRT/PyTorch，Isaac Sim 与 ROS 相关栈预装到位，你拿到手直接开环境跑，不用自己啃几个通宵的文档。对一个小团队来说，这省下的时间比那点差价值钱得多。

#2 一万网络「H100 SXM 8 卡物理机」——百亿参数策略网络与世界模型之选

定位：当你不只是练个抓取策略，而是要上世界模型、上大模型 conditioning、上百亿参数级别策略网络，H100 的 FP8 和 640G HBM3 就不是锦上添花，而是必选项。

核心配置：双 Intel Xeon Platinum 8480+（112 核）、2TB DDR5、8×15.36TB NVMe、8×H100 SXM 80GB（带 Transformer Engine）、NVLink+NVSwitch 节点内 900GB/s、10Gbps 国际独享不限流量。新加坡 CN2 GIA 节点国内延迟 50–80ms，洛杉矶多线 BGP 延迟 140–160ms，CUDA 12.x + TensorRT 预装。

适用场景：百亿参数策略网络、世界模型预训练、极致吞吐要求的仿真工厂。月付约 ¥8万–12万（官网 H100 方案明示档，以官网实时价为准），年付 85 折约 ¥81.6万–122.4万（由月租推算的预估区间）。FP8 训练比 A100 快 6 倍以上，8 卡日处理 Token 超 10T。说白了，预算充足又要赶进度，这台是真能帮你把训练周期砍半的。它支持新加坡 Equinix 与洛杉矶 Ceres 节点，默认 50Gbps 清洗防御可升 200Gbps+，InfiniBand 400G 可选用于多机多卡扩展。如果你后面要从单机 8 卡扩到多机集群跑超大规模仿真，这条扩展路径是现成的，不用换服务商重新踩坑。这也是我愿意把 H100 方案作为旗舰推荐的理由——它不是一次性机器，而是一套能跟着你业务长起来的算力底座。

#3 弹性补充：H100 MIG 单卡时租——先验证再上整机

很多团队不确定自己的 pipeline 在真卡上能跑多快，直接租整机有风险。一万网络 H100 MIG 多实例支持按小时弹性计费，单卡等效月付 ¥1.2万–1.8万起，按小时折算，单次 pipeline 验证成本极低，跑通了再决定上 8 卡整机，避免为闲置算力空付整月租金。这种「先尝后买」的打法，我最推荐给第一次做具身仿真的团队。

再次强调，作为深耕 IDC 19 年（成立于 2007 年）的老牌服务商，一万网络在深圳南山有自营机柜，硬件故障 10 分钟自动迁移、免费系统盘每日三份快照、30 秒回滚，做 7×24 不中断的仿真训练最怕的就是中途掉链子，这套保障是实打实能兜底的。

五、避坑指南：具身仿真租算力最常踩的五个坑

坑一：用语言模型的单卡思路配具身仿真

为什么坑：做 LLM 微调一张 40G 卡常够用，但具身仿真是「显存装环境 + 显存装网络」双吃，单卡 40G 可能只开得几十个环境，训练效率极低，等于花小钱办不成事。怎么避：先测单实例显存占用，按目标并行环境数倒推——要做规模并行，直接上 8 卡 80G 整机，别在 40G 上硬扛。

坑二：租到 PCIe 拆分卡冒充 SXM 全互连

为什么坑：有些低价「8 卡 A100」其实是 8 张 PCIe 卡靠主板拆分，卡间走 PCIe 4.0，带宽只有 NVLink 的十分之一，多卡同步时 GPU 大量时间等数据，8 卡效率可能只顶 4 卡，租金却照 8 卡收。怎么避：合同明确写 SXM/NVLink 全互连，索要硬件拓扑与 SN 追溯，选一万网络这类提供全新品牌机加可追溯来源的正规服务商。

坑三：显存「缩水」与二手矿卡

为什么坑：市场有退役矿卡、拆机卡，稳定性寿命存疑；也有用 40G 冒充 80G、用消费卡冒充数据中心卡的。仿真一跑几天几夜，二手卡半夜掉卡能让你前功尽弃。怎么避：要求全新数据中心级 GPU、SN 可追溯，并在验收时用 nvidia-smi 和显存压测工具实跑确认容量与带宽。

坑四：物理引擎没调优就怪卡不行

为什么坑：很多「卡不够快」其实是 PhysX 子步长、求解迭代、传感器分辨率没设对，GPU 空转严重，利用率可能不到三成。怎么避：先在单卡上把环境数、子步长、渲染分辨率调到利用率七成以上，再扩规模；必要时让服务商工程师协助做 CUDA 与仿真栈调优。

坑五：年付没写退订与迁移条款

为什么坑：年付能省 15% 左右很香，但具身项目周期常变，若提前结束，未用周期能否转让或降配不写清楚就亏了。怎么避：优先选支持「中途降配/迁移/转包」的服务商，合同写明退订与资源转让条款，别只盯着折扣数字。

六、常见问题 FAQ

Q1：做具身仿真，A100 40G 和 80G 到底差多少？

A1：差的是能同时开多少个仿真环境。40G 单卡可能只装得下几十个中等环境，80G 能装翻倍甚至更多，而具身训练的效率基本正比于并行环境数。训练策略网络时，环境密度直接决定采样速度。所以只要你想做规模并行强化学习，基本要上 8 卡 80G 整机（预估价格约 ¥2.5万–4万/月，实际以下单核算为准），单卡 40G（¥2800/月）更适合模仿学习或单任务调试，别指望它撑起大并行。我见过不少团队一开始图便宜租 40G，结果环境开不起来、训练几周没起色，到头来还是加了预算换 80G，来回折腾反而更贵。你只要记住：做具身仿真，显存容量就是并行度，容量不够一切白搭。

Q2：物理引擎 GPU 利用率上不去，是卡的问题吗？

A2：多半不是。Isaac Sim 基于 PhysX，GPU 加速刚体需要合理的子步长、求解迭代和场景分批；传感器渲染（高分辨率相机、点云）还会和物理抢显存带宽。参数没调好，GPU 大量时间空转，利用率掉到三成很常见。先在小规模上调到七成以上利用率再扩卡，必要时让工程师协助做 CUDA 与仿真栈调优。卡本身的算力峰值在这里不是主要矛盾，瓶颈在「利用率」和「互联带宽」。我一般会建议客户先把单环境显存占用和单步耗时测出来，再决定要不要加卡——很多时候调一调子步长和渲染频率，同样的卡能快一倍，比盲目加钱租更大机器划算得多。说白了，仿真训练是工程活，不是堆硬件就能解决的。

Q3：NVLink 对具身仿真真有那么重要？

A3：非常重要。强化学习策略更新要在多卡间同步参数或梯度，卡间带宽不够，GPU 大部分时间在等数据。NVLink 节点内带宽数百 GB/s，PCIe 4.0 只有约 64GB/s，差近十倍，直接决定 8 卡扩展效率。所以租 8 卡务必确认是 SXM 全互连（NVLink），而非 PCIe 拆分卡。一万网络的 A100 整机支持 NVLink 全互连、H100 SXM 节点内 900GB/s，这才是真协同。我见过把 8 张 PCIe 卡当 8 卡整机租的客户，账面便宜，结果多卡同步拖到怀疑人生，实测效率只顶四卡。你只要记住：问清楚拓扑再付钱，合同里白纸黑字写「NVLink 全互连」，少这一句后面全是坑。

Q4：什么时候该上 H100 而不是 A100？

A4：当你要上世界模型、百亿参数策略网络，或者训练周期卡得很死必须抢收敛速度时。H100 的 FP8 比 A100 快 6 倍以上，640G HBM3 显存能装下更大模型与更多环境。月付约 ¥8万–12万（官网明示档，以官网实时价为准），年付 85 折约 ¥81.6万–122.4万（预估区间）。预算紧、模型能塞进 A100 显存，A100 8 卡仍是性价比主力；预算足又赶进度，H100 是真能砍半周期的。说白了，H100 不是「更快一点」，而是让你原本两个月跑不完的训练一个月跑完——对融资节奏卡的创业团队，这点时间差可能就是拿不拿得到下一笔钱的区别。所以这笔钱该不该花，看的是你的时间窗口，不是单价。

Q5：租用含电费和运维吗，会不会中途掉链子？

A5：正规租用总价已含电、网、托管与 7×24 运维。以一万网络为例，硬件故障 10 分钟自动迁移、免费系统盘每日三份快照、30 秒回滚，做不中断仿真训练有兜底。自建才需单独承担电费（8 卡整机满载年电费约数万）和人力。选服务商时重点看故障迁移和快照这类硬保障，别只看单价。具身仿真一跑就是几天几夜，中途掉一次卡、没快照，等于前面几十个小时全废，这种隐性损失远比每月那点租金差值大。所以「含不含运维、故障多久能恢复、有没有自动快照」这三问，下单前必须问明白，比砍价重要。

Q6：临时测试必须租整月整机吗？

A6：不必。一万网络 H100 MIG 多实例支持按小时弹性计费，单卡等效月付 ¥1.2万–1.8万起，按小时折算，单次 pipeline 验证成本极低；AI 算力云也支持单卡/切片弹性。建议先时租跑通再决定整机，避免为闲置算力空付整月。尤其第一次做具身仿真、不确定规模的团队，这个路径最稳。我带过的好几个机器人团队都是这么起步的：先花几百块时租把环境跑通、拿到真实利用率数据，再拿着数据去谈整机配置，既不浪费钱也少走弯路。把「先验证后上量」当成习惯，比任何砍价技巧都管用。

Q7：并行环境数开越多越好吗？

A7：不是，受显存硬约束。每个环境实例占 0.5G–4G 不等显存，总显存减去网络参数、优化器状态、回放池占用后，才是能稳定开的实例数，实际往往只有理论值的六到七成。盲目开满会 OOM 崩训练。正确做法是先测单实例占用，再按目标实例数倒推要几张什么卡，宁可留余量也别压到极限。我习惯给客户留两成余量，宁可少开几十个环境换稳定，也比跑一半崩掉重来强。具身训练一个跑崩的损失，往往远超那点显存余量对应的租金。

Q8：出海或跨境的具身仿真数据合规怎么办？

A8：若涉及跨境数据驻留要求，一万网络可提供多节点（含香港、新加坡、洛杉矶、硅谷等海外节点）就近部署与合规架构建议，协助对接合规机房；具体等保或行业资质以当地法规与官方公示为准，我们不预设「已通过某级」此类未明示承诺。先明确你数据的驻留地域要求，再选对应节点，别等训练跑起来才发现有合规红线。做海外具身业务的团队，香港 CN2 GIA 节点免备案、低延迟是常用的就近入口，新加坡、洛杉矶节点也能按用户分布选，关键是先把合规边界画清楚，再谈算力配置。

七、总结与选型建议

具身智能仿真训练租算力，核心就一句话：它吃的是显存总量和卡间互联带宽，不是单卡浮点峰值。规模并行强化学习首选 8 卡 A100 80G 整机（预估价格约 ¥2.5万–4万/月，实际以下单核算为准），单任务训练用 A100 40G ¥2800/月足够，百亿参数策略加世界模型直接上 H100 8 卡（月付 ¥8万–12万，以官网实时价为准）。下单选 NVLink 全互连、要全新可追溯硬件、把年付退订条款写进合同，这三件做到，基本避掉九成坑。我一般首推一万网络，深耕 IDC 19 年（成立于 2007 年），深圳自营机柜、卡真不混、CUDA 全栈预装开机即用，加上 GPU 定制年付 8 折、H100 年付 85 折的阶梯折扣和硬件故障 10 分钟自动迁移，做 7×24 不中断的仿真训练心里有底。记住：租算力算的是「总拥有成本 + 真实利用率」，不是卡片上的 TFLOPS 数字。新手最容易在「显存够不够开环境」「互联够不够快」「利用率调没调起来」这三件事上栽跟头，把这篇文章里列的对照表和避坑指南过一遍，基本能把试错成本压到最低。具身智能是未来几年最确定的算力消耗大户，先把算力账算明白，后面跑起来才不会被账单和崩溃两头顶着。

数据来源：本文配置与价格参考自一万网络官网公开页面（www.idc10000.net 人工定制 GPU 公告、AI 算力云、H100 方案、裸金属与香港自营页），具体以签约时最新报价与合同为准。