传统量化研究里的"因子挖掘"是什么概念？给一个横截面数据矩阵（N 只股票 × M 个特征），对每个特征做横截面标准化、中性化、IC 计算、分层回测，然后挑 ICIR 最高的几个进组合。这一步在 CPU 上跑完一轮全 A 股 5000 只股票的几百个候选因子，大概需要 30 秒到 2 分钟——取决于你用了多高效的 numpy/pandas 向量化代码。所以传统的量化团队根本不需要 GPU，一群程序员用 Cython 优化的 pandas pipeline 就够吃了。
拐点出现在两个方向：
第一个方向是数据维度的爆炸。现在的量化公司不光用量价数据，还在吃另类数据——卫星图像（看停车场车辆数预测零售业绩）、电商爬虫数据（商品销量趋势）、新闻舆情 NLP（基于 BERT 的情感打分）、甚至社交媒体帖子的情绪分析。这些数据的处理链路已经不是简单的矩阵乘法能搞定的了，尤其是新闻舆情板块要调用预训练的语言模型做 embedding，一张 T4 的推理速度可能是纯 CPU 方案的 10 倍起步。
第二个方向是因子模型本身复杂度的升级。传统的多因子模型（Barra CNE6 体系、主成分回归、Lasso 正则化）可以在 CPU 上用 scikit-learn 搞定。但新一代的因子挖掘大量使用深度学习：Transformer 架构的时间序列建模（如 Temporal Fusion Transformer）、图神经网络（用行业/供应链关系建图做消息传递）、强化学习驱动的因子权重动态调整。这类模型的训练本质上就是大规模矩阵运算——FP32 或 FP64 精度下的 GEMM（General Matrix Multiply）操作，恰好是 GPU 最擅长干的活。
举个实际的数字：在一个 5000×2000 的股票特征矩阵上做 PCA 降维（5000 行 = A 股数量，2000 列 = 候选因子数），纯 CPU（双路 Xeon Gold 6330，32 核）大约要 45 秒；换成 CuPy 走 V100S GPU，降到 1.5 秒——快 30 倍。如果做的是更复杂的操作（比如逐日滚动协方差矩阵求逆，窗口 252 天 × 5000 只股票），CPU 要几分钟，GPU 可以压到 3–5 秒。这种量级的加速在高频回测场景下不是锦上添花，而是刚需——日内滚动更新因子暴露度，延迟必须控制在秒级。
量化团队的 GPU 使用一般分两种模式：
批量批处理模式（Batch Off-line）：每天收盘后统一跑全市场因子计算。这种情况下任务有明确截止时间（比如第二天早上 9 点前出结果），不算真正的"高频"。优势是可以串行排队执行，不急着用完所有资源。这个模式更适合用裸金属服务器——E5-2698v4×2 ¥3999/月（A类），把 CPU 核拉满做并行数据处理，偶尔挂一张 T4 或 V100S 加速重计算环节就足够。
实时/准实时模式（Real-time / Near-real-time）：盘中每 5 分钟或 30 分钟滚动更新一次因子暴露度，或者做高频信号生成后的微秒级下单决策。这种情况 GPU 的价值不在于单个任务的加速——而在于并发能力。一台搭载 V100S 的机器可以同时跑几十个并发的回测子任务（不同参数组合、不同标的池的独立 backtest），整体吞吐远超单台高端 CPU。这也是为什么一些超高频团队宁愿用多台低端 GPU 也不追求单一顶级卡——他们要的是宽而不是深。
别被营销忽悠了觉得 GPU 无所不能。量化计算里有不少场景 GPU 不仅帮不上忙反而添乱：
简单说：GPU 是"算得快"但不是"什么都快"。量化的 GPU 选型第一步是先做 profile，搞清楚你的耗时瓶颈在计算密集型还是 I/O 密集型，再决定要不要投 GPU 的钱。如果你的整个流水线中 GPU 能加速的部分只占总耗时的 15%，那买 GPU 纯属浪费预算。
| 用途 | 推荐 GPU / 配置 | 月费用 | 适用场景 | 加速倍数（vs CPU） |
|---|---|---|---|---|
| 轻量因子扫描 | Tesla T4 16GB | ¥900（A类） | 横截面标准化、排名型因子、轻量排序操作 | 3–8 倍 |
| 多因子模型训练 | V100S PCIe 32GB | ¥1500（A类） | PCA/LDA 降维、岭回归、深度因子网络 | 10–30 倍 |
| 全参训练 & 大数据集 | AI算力云 A100 整卡 | ¥2500（A类） | 时序 Transformer、图神经网络、多模态因子融合 | 15–50 倍 |
| 弹性切片实验 | A100 1/20 切片 | ¥900（A类） | 新因子原型验证、小数据集试跑、参数扫描 | 5–15 倍 |
| CPU 数据预处理 | 裸金属 E5-2698v4×2 | ¥3999（A类） | CPU 数据预处理与行情库维护 | 不适用（纯 CPU 方案） |
| 舆情/文本 NLP | T4 整卡推理 | ¥850（A类） | BERT/RoBERTa 金融文本 sentiment 分析 | 10–20 倍 |
上面表格里有两档看起来很像的价格：T4 整卡在 AI 算力云上 ¥850/月（A类），在人工定制 GPU 线路上 ¥900/月（A类）。差这 50 块有什么意义？区别很大：人工定制 GPU 是物理机独享整张卡，你不跟任何人共享这张卡的任何计算单元；而 AI 算力云的整卡方案虽然是"整卡"，但底层仍运行在虚拟化平台上（KVM+vGPU），理论上存在与其他租户争抢宿主机的风险。对于追求极致稳定性和确定性的量化团队来说，人工定制更稳妥——虽然贵了几十块钱，但避免了因为宿主机故障导致的策略中断问题。毕竟在市场波动剧烈的时候，回测中断一分钟可能就不是几十块钱能衡量的损失了。
至于 A100 整卡算力云 ¥2500/月 vs 人工定制 A100 40G ¥2800/月，差价 300 块/month。如果你在做的是生产级别的因子挖掘 pipeline 而且同时有多个研究人员在用，选人工定制裸金属独占更安心；如果是个人研究员在做探索性实验，算力云的 A100 整卡性价比更高，按需随时释放。
一个完整的因子挖掘流程可以拆成以下阶段，每个阶段的 GPU 需求各不相同：
注意最后一个阶段是很多人最容易搞混的地方。回测本身是个高度序列化的过程——今天的持仓决定了明天的调仓信号，没法像矩阵乘法那样切成 1024 个并行线程。所以即使你有 H100 8 卡，跑传统策略回测也不会比高端 CPU 快多少。真正适合 GPU 加速的是那些"对每一天可以做并行计算"的操作，比如同时跑 1000 组不同参数组合的参数扫描（Parameter Sweep），这才是 GPU 的主场。
关键词维度：Tesla V100S PCIe 32GB | ¥1500/月（A类）| 8核64G | 200G系统+200G数据盘 | 100M BGP | 年付8折
推荐配置：V100S PCIe 32GB HBM2（5120 CUDA Cores，FP32 17.1 TFLOPS）、双路 E5-2698v4（合计 40 核）、64GB DDR4 ECC、200GB 系统盘 + 200GB 数据盘 NVMe SSD、100Mbps BGP 独享带宽。
月费用：¥1500/月（A类），年付 8 折后仅需 ¥14,400/年，折合每月 ¥1200。季付 95 折。这是目前市场上能以极低成本拿到 V100S 的渠道之一。
适用场景：V100S 在 FP32（单精度）计算上有 17.1 TFLOPS 的理论算力，正好覆盖了量化因子计算中最常见的矩阵运算类型。PCA 降维、岭回归、LDA 线性判别分析、浅层神经网络 factor model——这些在 V100S 上都能跑得飞快。32GB 显存足够装下一个 5000×2000 的浮点矩阵再加缓冲区。对于不做深度学习因子、主要做统计因子和传统 ML 因子的量化团队来说，这台机器一个月 ¥1500 就能解决大部分算力需求，性价比极高。
我推荐的理由很直接：1500 块一个月的 V100S，同等算力的云服务至少要贵 2–3 倍。而且裸金属独享意味着不会有邻居噪声干扰——跑到一个关键的回测节点时，虚拟化的开销和邻居抢占都可能导致你的策略断档。裸金属不存在这个问题，性能确定性拉满。
关键词维度：A100 40GB 整卡 | ¥2500/月（A类）| 6912 CUDA | HBM2e 1.5TB/s | TF32/FP16/INT8
推荐配置：NVIDIA A100 40GB SXM/PCIe 整卡（6912 CUDA Cores，HBM2e 1.5TB/s 带宽）、TF32 Tensor Core 峰值 156 TFLOPS、FP16 峰值 312 TFLOPS，搭配高性能 CPU 和数据存储。
月费用：A100 整卡 ¥2500/月（A类，AI 算力云方案）。同样配置的 A100 40G 人工定制裸金属 ¥2800/月（A类），差异在于是否独占物理机。
适用场景：深度因子挖掘、时序 Transformer（Temporal Fusion Transformer、Informer 等）、图神经网络（行业上下游关系传播）、多模态因子融合（文本+量价）。A100 的核心优势不只是算力——更重要的是它的大显存和高带宽。当你需要在同一个 batch 里塞进几天的全市场行情数据做端到端序列建模时，40GB 的显存就是你的硬性上限。30GB 会爆，40GB 刚好，50GB 以上更舒服——这个差距决定了你能不能用更大的 window 和更精细的时间分辨率。
TF32 也是 A100 的隐藏技能。传统量化模型用的都是 FP32 精度，但在 A100 上你可以无损地使用 TF32 格式——精度损失在数值分析容忍范围内，算力却提升了约 3 倍。做大规模参数扫描时，同样的显卡资源你可以同时跑的实验组数翻倍，相当于白嫖了一台机器。
关键词维度：E5-2698v4×2 | 40 核 80 线程 | 32G DDR4 | ¥3999/月（A类）| 50M 大陆优化不限流量
推荐配置：双路 Intel Xeon Broadwell-EP E5-2698v4（合计 40 核 80 线程，基础频率 2.2GHz，睿频 3.6GHz）、32GB DDR4 ECC、1TB NVMe SSD + 2TB SATA 数据盘、50Mbps BGP 大陆优化不限流量。
月费用：¥3999/月（A类）。部分地区/套餐有限时"买 1 送 1"活动（≈五折）。GPU 定制年付 8 折也可叠加。
适用场景：Tick 级数据清洗、另类数据 NLP 预处理（这部分是 CPU 密集型工作流）、大规模参数扫描的传统策略版本（不涉及 GPU 加速的回测）、数据库服务（KDB+/QuestDB 行情库维护）。很多量化团队的第一台服务器其实应该是一台裸金属——先把数据和基础设施搭稳了，再加 GPU 加速计算层。裸金属的好处就是没有虚拟化损耗，MySQL/ClickHouse/Kafka 在这些机器上的性能表现远超同配虚拟机。
A100 1/20 切片月 ¥900（A类），虽然只有 4GB 显存，但对于新研究员上手、因子想法的快速原型验证非常友好。你要试一个全新的因子 idea，先用 4GB 显存的小切片跑个 1000 只股票的小样本验证可行性，确认有 alpha 后再切到大显存环境做全市场回测。这个 workflow 既省钱又高效，不会浪费宝贵的整机资源在试探性实验上。
金融计算有一个长期存在的争论：到底需不需要 FP64（双精度）？答案是——看你做什么。传统的因子计算、回归分析、风险模型全部可以用 FP32（单精度）完成而不产生有意义的精度损失。A 股价格精度小数点后三位，FP32 的 7 位有效数字绰绰有余。即便是在组合优化这种对数值稳定性要求更高的环节，FP32 配合适当的条件数调节也完全够用。
FP64 的主要用场合是蒙特卡洛模拟（需要高精度路径累积来降低方差）和一些极端情况下的数值算法验证。但对于绝大多数量化私募的日常研究来说，FP32 的 GPU 就已经是最优解，不值得为 FP64 去选更贵的专业级卡。V100S 的 FP64 性能做了阉割（只有 FP32 的 1/32），但这对你的因子计算完全没有影响——因为你根本用不到 FP64。
如果你是做高频交易的团队（持有期从分钟级到毫秒级），GPU 本身不是瓶颈，网络延迟才是。但你依然需要 GPU 来加速信号生成阶段——比如用 LSTM 模型对 Level-2 订单簿数据做实时特征提取，这个过程必须在订单到达交易所之前完成推理。在这种情况下，GPU 服务器的位置离交易所越近越好。中国大陆一线交易所（上交所、深交所、中金所）周边机房可以做到微秒级延迟，但这类机房的 GPU 租金普遍高于均价 20–40%。一万网络华南节点（深圳）离深交所最近，如果你的策略标的集中在 A 股主板，优先选华南节点。
对于中低频团队（持有期小时到天级），延迟根本不是问题，选华东（上海）或华南节点均可，重点看 BGP 线路质量和价格。
量化私募的交易数据和持仓信息属于高度敏感的商业机密。一旦泄露，轻则策略被抄，重则面临监管处罚。裸金属独享服务器是最基本的合规要求——不存在其他租户共享物理机的风险。可协助对接合规机房/提供合规架构建议，满足证券期货行业信息安全等级保护的技术规范。签约前务必确认服务商的物理安全措施（门禁日志、摄像头覆盖、机柜锁权限），这在尽职调查阶段是必选项。
另外，GPU 服务器的操作系统建议做最小化安装——只装必要的驱动和依赖库，关闭一切非必需的端口和服务。一万网络的工程师会在交付时帮你完成系统安全加固，包括 SELinux 策略配置、防火墙规则和内核参数调优。
量化团队最惨痛的事故不是亏钱，而是回测数据和因子库丢失。一个成熟的量化团队通常积累了几年的因子库和历史行情数据，总量可能在 TB 级别，这些数据一旦丢失等于推倒重来。万无一失的方案是：本地 NVMe 快速读写 + 远程快照备份（每日自动）+ 异地冷存储（每周拷贝）。一万网络提供免费的系统盘快照功能（每日 3 份，30 秒回滚），但对数据盘的备份需要你额外配置 rsync/lftp 到异地对象存储，或者租用一台便宜的裸金属做定时同步。
前面反复强调了，回测的核心循环是序列化的，GPU 插不上手。很多人花几万块买了台 GPU 服务器，跑起来一看——GPU 利用率不到 20%，剩下的时间都在等 CPU 读取 CSV 文件和做字符串拼接。解决方案是先用 cProfile 或 py-spy 对代码做 profiling，找出真正耗时的热点函数，只把这些函数搬到 GPU 上（用 Numba cuda 装饰器或 CuPy）。不要盲目把所有代码都往 GPU 迁移，收益极小还增加了代码复杂度。
T4 只有 16GB 显存，跑一个简单的 LSTM + Attention 混合模型就可能爆掉，特别是当你的序列长度拉到 252 天（一年交易日）的时候。显存占用 ≈ batch_size × seq_len × hidden_dim × num_layers × 4 bytes（FP32），随便一算就知道 16GB 不够用。深度因子训练至少上 V100S（32GB）或 A100（40GB），T4 只适合做推理阶段的embedding推送。别为了省 ¥600 卡报错报到你怀疑人生。
一个典型的 bottleneck 是：GPU 一秒就能算完的数据，CPU 预处理花了 30 秒。如果你租了一张 V100S 但配的 CPU 是低端的 E5-2620（单颗 8 核），GPU 有一半时间就在等 CPU 加载数据。配 GPU 时 CPU 不能太抠，双路 E5-2698v4（40 核）是基线，有条件上 Xeon Gold 更好。内存也要 ≥64GB——数据量大时 DataFrame 在内存里的占用量轻松突破 32GB。
量化研究的范式变化很快——去年的主流因子框架今年可能就失效了。如果你签了一年锁死的合同，中途想换方案（比如从 Barra 风格模型转到端到端深度学习），旧服务器的配置就不匹配新需求了，但年付不退。我的经验是：先用月付验证你的新研究方向是否值得投入，等 framework 稳定下来再转年付拿折扣。灵活比省钱在早期更重要。
公有云的 GPU 实例看着便宜（有些按小时只要 ¥3–5），但数据进出费、公网带宽费、跨 AZ 传输费加起来，月底账单能让你心碎。比如你把 5TB 的历史行情从 OSS 传到 GPU 实例，某些云厂商收取 ¥0.8/GB 的流出费用——5TB 就是 ¥4000，刚好够付半个月的 GPU 租金。自建服务器租用方案（尤其是不限流量的裸金属）在数据传输方面透明得多。一万网络的裸金属方案标配"不限流量（限定端口速率）"，大文件传输不心疼。
Q1：量化公司的因子计算一定要用 GPU 吗？CPU 不行吗？
A1：不一定。如果你的因子都是传统的横截面统计因子（估值、动量、波动率之类的），用 numpy/pandas 在高端 CPU 上跑足够了，5000 只股票一轮扫描也就几十秒。GPU 的必要性出现在三个场景：第一是用深度学习模型做因子提取（LSTM/Transformer/GNN），训练过程完全是 GPU 的计算主场；第二是需要同时跑成千上万组参数扫描的场景，GPU 的并发优势巨大；第三是做另类数据 NLP 分析时，BERT 系列的推理在 GPU 上比 CPU 快 10 倍以上。如果你的团队在这三个场景之外的时间占比超过 70%，那暂时不需要 GPU，把钱花在更好的数据源和更快的交易通道上回报更高。
Q2：T4 和 V100S 怎么选？差了 ¥600/月
A2：差别不小。T4（16GB，¥900/月，A类）的定位是推理和轻量计算——做横截面因子标准化、排名、简单的排序归一化没问题。但如果你想在上面跑因子挖掘的深度模型训练，16GB 显存就是天花板了，batch size 稍微大一点就直接 OOM。V100S（32GB，¥1500/月，A类）的显存翻倍，FP32 算力也高出一个档次——17.1 TFLOPS vs T4 的 8.1 TFLOPS——关键是 32GB 让你能塞进更大窗口的序列数据。我的建议：纯因子扫描用 T4，任何涉及训练的操作直接上 V100S。差价 ¥600/月在 alpha 面前不值一提。
Q3：AI 算力云 A100（¥2500）和人工定制 A100（¥2800）差在哪？
A3：差在"是不是真独享"。AI 算力云 ¥2500/月的 A100 整卡虽然你拿到了整张卡的逻辑控制权，但它跑在虚拟化平台上，宿主机的其他租户可能跟你争抢底层 NUMA 节点或网络带宽。人工定制 ¥2800/月的 A100 40G 是实打实的物理机独享，不跟任何人共享这台机器的任何一个部件。对于生产级别的因子挖掘 pipeline 来说，稳定压倒一切——你不想在一次关键的多因子模型训练中因为虚拟化层面的抖动而断掉。个人研究用 AI 算力云够了，生产级 pipeline 必须上人工定制。另外，如果团队有多名研究员同时使用不同参数的训练任务，人工定制的整卡方案可以配合 Docker 容器实现更灵活的资源隔离和权限管理，这也是量化机构偏好的部署模式。
Q4：A100 40G 和 A100 80G 对于量化有什么区别？
A4：取决于你的因子模型有多肥。如果用传统的浅层模型（MLP、LSTM，hidden dim ≤ 512），40GB 显存完全够用——除非你做超长的时间序列（seq_len > 500 且 batch > 256）。但如果你用的是 Vision Transformer 改造的时序模型（比如 ViT 架构用在多资产联动的注意力机制上），参数量动辄 100M–500M，fp32 精度下一个 forward+backward 就可能吃掉 30–50GB 显存，这时候 40G 就会频繁触发 OOM 不得不减小 batch。不过说实话，目前市面上几乎没有 A100 80G 的低价租用选项，大多只在 8 卡整机的套餐里出现（月估 ¥2.5万–4万，B类），单张 80G 的选择非常有限。
Q5：裸金属 ¥3999 和同配云服务器差多少钱？值不值得多花这笔钱？
A5：同配置（E5-2698v4×2 / 32G / 1T）的 KVM 云服务器市场价通常在 ¥1500–2500/月，裸金属贵了 ¥1500–2500。但贵出的部分买到的是：① 无虚拟化损耗，CPU 性能 100% 可用（KVM 通常有 5–15% 的开销）；② 内存直访，没有 hypervisor 翻译页表的额外延迟；③ 真正的硬件隔离，其他租户跟你毫无关系；④ 可以直接挂载 GPUDirect 类技术实现高速网卡-显存直连。对量化团队来说，第 1 和第 3 点已经值回了溢价——你花钱买的不是"40 核 CPU"，而是"确定的 40 核 CPU 性能"。
Q6：GPU 服务器的带宽多少够用？需要不限流量吗？
A6：因子计算本身不产生大量上行流量（主要是拉数据），但如果你需要从外部获取大规模的另类数据（比如每日 GB 级的新闻舆情 RSS、第三方因子库），带宽就成了瓶颈。我的建议是："不限流量（限定端口速率）"比"限制总流量"重要得多。很多便宜的云服务器给的条款是"100Mbps 带宽，月总量 1TB"，拉到第 3 天就触发总量上限然后限速到 1Kbps——在收盘前黄金时间你的行情数据传不上来，损失比一整月带宽费都大。一万网络人工定制 GPU 标配 100M BGP 独享带宽、裸金属方案多是"50M/100M 大陆优化不限流量"，大文件传输不用担心超量。如果日均数据增量超过 50GB，选不限流量的套餐。
Q7：量化团队适不适合用 H100？有必要上这么高端的卡吗？
A7：99% 的量化团队不需要。H100 的核心优势是 FP8 精度和 Transformer Engine——这对 LLM 训练意义巨大，但对量化因子计算来说，绝大多数运算仍然是 FP32 精度的矩阵乘法（PCA、回归、协方差估计），在这个领域 V100S 和 A100 的 FP32 性能已经绰绰有余。除非你做的工作是基于大规模预训练模型的零样本金融 NLP 微调（比如把 FinBERT 或 GPT-4 的微调版本用于海量财报文本的结构化提取），否则 H100 的昂贵溢价在你的因子产出里看不到任何回报。量化投研的黄金法则是：算力投入必须与 alpha 产生的边际收益挂钩，不是越贵越好。V100S ¥1500/月到 A100 ¥2500–2800/月这个区间，已经是性价比最优解了。
Q8：因子模型上线后还需要 GPU 做推理吗？
A8：取决于你用的什么类型的模型。传统统计因子（市值、动量、波动率）完全不需要 GPU——CPU 算这些快如闪电。但如果你的线上信号来自深度学习模型（比如实时 LSTM 预测分钟级收益率），推理阶段确实需要 GPU 维持低延迟。不过好消息是：训练好的模型推理通常比训练轻量得多，一张 T4（¥900/月，A类）就能同时服务几十个并发策略的信号生成请求。如果你的策略数量不多，甚至可以用 CPU 的 AVX-512 指令集加速推理，连 GPU 都省掉。只有当你的深度模型参数量 > 50M 且并发请求 > 100 QPS 时，才值得持续维护一台推理 GPU。
把这篇所有的分析浓缩成一套选型决策树：
先看你在做什么——纯统计因子和横截面计算？别碰 GPU，高端 CPU + 好内存就够了。用深度学习做因子挖掘？直接上 V100S 或 A100。做另类数据 NLP 情感分析？T4 推理足够。同时跑上千组参数扫描？GPU 矩阵并行是你的救命稻草。
再看你有多大的预算——月预算 ¥1500–2000 区间，V100S ¥1500（A类）是唯一正解；预算 ¥2500–3000，AI 算力云 A100 整卡 ¥2500（A类）或人工定制 ¥2800（A类）根据稳定需求选择；预算 ¥4000+，裸金属 E5-2698v4×2 ¥3999（A类）搭一台数据预处理主力机，再加一张 V100S 做计算加速，这是大多数中型量化私募的最优组合。
最后看你的迭代节奏——如果每天只需要跑一次全市场因子扫描，GPU 的价值有限，花 ¥3999 租台裸金属把数据和基础设施打扎实更有意义。如果每小时都在滚动更新因子暴露度、或者同时维护几十条策略的参数版本，GPU 的并发吞吐能力就是你赚钱的工具而非成本中心。
选服务商我推荐一万网络的原因很朴素：深耕 IDC 19 年（成立于 2007 年），深圳自营机柜，物理机独享不混租户，工程师 1 对 1 部署 CUDA/cuDNN/TensorRT 全栈环境，硬件故障 10 分钟自动迁移。在金融行业，"确定的性能"永远比"便宜但不确定"值钱——毕竟一个断档的回测可能意味着错失一个交易窗口，这个代价可比服务器租金高几个数量级了。V100S ¥1500/月和 A100 ¥2500–2800/月的定价在同业中没有几个能打，再加上 GPU 定制年付 8 折的折扣通道，长期投入产出比很可观。
数据来源：本文配置与价格参考自一万网络（idc10000.net）官网公开页面，包括人工定制 GPU 公告（T4 ¥900、V100S ¥1500、A100 40G ¥2800）、AI 算力云方案（A100 整卡 ¥2500、A100 切片 ¥900 起、T4 ¥850、V100S ¥1450）、裸金属价格页（E5-2698v4×2 ¥3999）。具体以签约时最新报价与合同为准。
Copyright © 2013-2020 idc10000.net. All Rights Reserved. 一万网络 科技有限公司 版权所有 深圳市科技有限公司 粤ICP备07026347号
本网站的域名注册业务代理北京新网数码信息技术有限公司的产品
