关于我们

一、开篇摘要：一张卡能不能喂饱多个租户

很多团队刚接触 GPU 算力租用时会冒出一个念头：A100 一张卡要两千多一个月，可我跑的不过是个 7B 小模型推理，显存连零头都用不满，这钱是不是花冤了？说白了，这就是 GPU 虚拟化切分技术要解决的问题——把一张物理卡切成多个逻辑实例，让不同任务、不同客户各用各的，互不踩踏。2026 年主流的切分路线就两条：一条是英伟达官方的 MIG（Multi-Instance GPU，硬件级多实例），另一条是老牌的 MPS（Multi-Process Service，进程级复用）。两者都能"一张卡当多张用"，但隔离性、性能表现、适用场景差得不是一星半点。本文用实测视角把这两条路线掰开揉碎讲清楚，顺便把一万网络的切片算力云价目摆出来，帮你算明白多租户共享一张卡到底值不值。

核心结论先放这儿：

1. MIG 是硬件级切分，每个实例有独立显存、缓存、计算单元，隔离性接近物理卡，适合多客户、合规、小模型推理场景。

2. MPS 是进程级复用，多个进程共享同一张卡，利用率高但隔离弱，一个进程崩了可能连累全场，只适合同信任域的开发测试。

3. 整卡独享性能零损耗但贵；MIG 切片单价低、隔离强；MPS 摊薄成本最狠但风险最高，三者没有绝对优劣，只有场景匹配。

4. 一万网络 AI 算力云已上架 A100 1/20 切片 ¥900、A16 1/16 切片 ¥210、T4 整卡 ¥850 等确定报价，小模型推理用切片比整卡省下一大截。

5. 选切分方案前先想清楚：你的多租户之间是"互不信任的客户"还是"自家内部任务"？这决定了该上 MIG 还是 MPS。

二、概念解析：MIG 与 MPS 到底差在哪

2.1 什么是 MIG：硬件级多实例切分

MIG 是英伟达从安培架构（A100、A30，以及后来的 H100）开始引入的硬件能力。说白了，它是在 GPU 芯片内部做物理级别的资源分区——一张 A100 最多能被切成 7 个互相独立的实例，每个实例都分到专属的一部分 SM 计算单元、专属的显存、专属的 L2 缓存切片，甚至专属的显存带宽通道。关键点在于，这些分区是芯片出厂就在硬件层面焊死的，操作系统和驱动看到的每个 MIG 实例，就跟一张缩小版的物理卡一模一样。一个实例里的程序写爆了显存、跑飞了进程，绝不会越过边界去啃隔壁实例的资源，这正是"强隔离"三个字的含金量。对做 SaaS 推理、把算力零售给下游客户的厂商来说，MIG 意味着你能把一张卡安全拆给七个互不相识的客户，谁也碰不到谁的数据。

2.2 什么是 MPS：进程级复用

MPS 走的完全是另一条路。它不切分硬件，而是在驱动层开一个"共享代理"，让多个 CUDA 进程把任务提交到同一个 GPU 上下文里并发执行。打个比方，MIG 像是把一栋楼隔成七套独立公寓，每家有自己水电表；MPS 则像是一间大开间里摆了七张工位，大家共用同一套水电，只是尽量错峰使用。优势是显存池子完全共享，谁的活儿来了都能用满整张卡，利用率可以冲到很高；劣势也源于此——所有进程活在同一个地址空间里，某个进程显存泄漏或者越界，可能直接把整张卡带崩，其他进程跟着遭殃。所以它本质是个"信任域内"的多路复用方案，内部多任务、开发联调用着很香，拿去隔离陌生客户就风险自负了。

2.3 一张表看懂核心差异

2.4 哪些卡支持 MIG、哪些只能走 MPS

不是所有卡都能玩 MIG。MIG 是英伟达安培及之后架构的专属能力，A100、A30、H100 才支持；更早的 V100、T4 没有硬件级 MIG，只能走 MPS 或整卡独享。A16 这类多 GPU 模组卡则靠物理多芯做天然隔离，每一颗 GPU 本身就是独立单元。选型时先确认手里的卡支不支持 MIG，不支持就别硬切，否则只能用 MPS 凑合，隔离性直接打折。一万网络的 A100 切片算力云正是看中它支持 MIG，才敢对外做多租户隔离零售；T4 整卡则更适合不切分的整卡独享推理。先摸清自家卡的边界，才不会在隔离方案上踩空。

三、单卡切多实例：性能与隔离性实测观察

3.1 MIG 切片后的性能到底掉多少

实测下来，MIG 的性能表现相当"诚实"。以 A100 40G 切成 1/7 规格为例，单个实例拿到的就是约 1/7 的 SM、1/7 的显存和约 1/7 的带宽，跑起对应规模的小模型推理，吞吐基本随切片比例线性下降，不会出现"切了之后性能莫名腰斩"的玄学问题。更关键的是实例之间的"零干扰"——你在 1 号实例压满负载，2 号实例的延迟曲线几乎纹丝不动。这对做推理服务的厂商是定心丸：每个客户哪怕只买了 1/20 切片，体验也是稳定可预期的，不会因为邻居在跑大 batch 而自己被拖慢。代价则是灵活性差一些，切片一旦创建，大小就固定了，想临时多要显存得销毁重建，不如 MPS 那种池子随便伸伸缩缩来得随意。

3.2 MPS 的利用率诱惑与暗坑

MPS 最诱人的地方是显存和算力彻底池化。比如你有一张 A100，白天三个团队各自跑不同的预处理、小推理、评测脚本，MPS 让它们共用一张卡，卡的平均利用率能从整卡独享时的三成飙到八九成，单位算力成本直接摊薄。但暗坑也在这"共用"二字上：所有进程活在同一个 CUDA 上下文，某个进程申请显存失控、或者算子越界，轻则整卡报错，重则所有进程一起挂。我们内部压测时就遇到过一次，一个没设显存上限的评测脚本把整卡吃满，连带把同在 MPS 下的线上推理服务一起拖死。所以 MPS 我一般只敢用在自家团队、信任边界内的场景，绝不会拿来隔陌生客户。

3.3 怎么选：看信任边界，不看价格

选型逻辑其实特别简单，别被单价带偏。如果你的多个负载来自不同客户、不同部门、甚至对外售卖，那隔离性是底线，必须上 MIG，哪怕单价比 MPS 摊薄后贵一些，换来的是故障不扩散、数据不串门，这笔钱该花。如果你的多负载全是自己人，跑的都是验证脚本、调试任务、内部小工具，那 MPS 的利用率优势是真金白银的省钱，放心用。至于整卡独享，留给那些单任务就吃满显存的大模型训练、高并发推理——这类活儿本来就不该拆，拆了反而互相掣肘。

3.4 MIG 切片规格怎么挑：1/20、1/7 还是整卡

选规格的本质是算显存账。A100 40G 切成 1/7，单实例约 5.7G 显存，够跑量化 7B 推理；切成 1/20 只有约 2G，只适合极轻量任务或当演示单元。别贪便宜选过小切片导致模型塞不进显存，那样要么加载失败要么频繁 OOM，反而得不偿失。我的经验是：先量你模型加载后的真实显存占用，再选略大于它的规格，留两成余量应付峰值波动。整卡留给训练，1/7 留给正经推理业务，1/20 这种小切片更适合做多租户零售的最小单元或开发联调。一万网络的 A100 1/20 ¥900、整卡 ¥2800 两档摆着，中间档按实际需求问客服要定制切片更稳妥。

四、适用场景拆解：三类活儿对号入座

4.1 小模型推理：切片是性价比之王

像 7B 级别的开源模型量化后推理，显存占用往往不过几 G，整卡 A100 的 40G 里能塞下好几个实例。这种场景用 MIG 切片最划算——一万网络的 A100 1/20 切片月付 ¥900，意味着你每月花不到一千块就拥有一个独立、稳定、不被邻居干扰的推理实例，跑个对话机器人后端、商品图审核、文本分类绰绰有余。对比整卡 A100 40G 月付 ¥2800，切片方案把单价直接砍到三分之一，对创业团队和个人开发者相当友好。如果模型更轻，A16 1/16 切片 ¥210 一个月几乎等于一杯咖啡钱换一张卡的一席之地，做边缘侧的轻量推理再合适不过。

4.2 多客户隔离：MIG 是合规底线

做 AI 推理 SaaS、把算力分包给下游客户的厂商，最怕的就是"串租户"。一旦客户 A 的进程能摸到客户 B 的显存，哪怕是概率极低的越界，在合规审查面前都是一票否决。MIG 的硬件隔离在这里不是锦上添花，而是入场券。每个客户拿一个独立 MIG 实例，从驱动层就物理隔开，数据驻留各自显存分区，谁也读不到谁。涉及金融、医疗等敏感行业的租户，一万网络这边可提供合规架构建议、协助对接合规机房，但具体资质落地以对应机房的明示范围为准，我不会替任何机房打包票说"已通过等保 X 级"——这种话官网没写，我不能乱许。

4.3 开发测试：MPS 摊薄最香

算法团队内部天天跑实验，今天调超参、明天跑评测、后天复现论文，这些活儿显存需求忽大忽小，还经常多个脚本同时点火。用 MPS 把一张卡给全组共用，大家错峰提交，卡的利用率拉满，每个月摊下来的人均成本可能就一两百块。前提是你得信得过组里所有人的代码不会搞崩整卡——给 MPS 配个显存上限、做好进程监控，把风险关进笼子里，它就香得不行。一旦要拿去对外服务真实客户，请立刻切回 MIG。

4.4 成本账：切片一年到底能省多少

算笔实在账。整卡 A100 40G 月付 ¥2800，年付 8 折后约 ¥26880/年；若你的业务只需 1/20 切片跑轻量推理，月付 ¥900 一年 ¥10800，直接省下六成。更极致的 A16 1/16 切片 ¥210/月，一年才 ¥2520，几乎是整卡零头。当然切片牺牲了整卡独占的满血性能，但轻量推理本就用不满，这笔账怎么算都划算。多租户零售场景更明显：一张整卡切七个 1/7 实例对外售，单实例按 ¥900 计月入 ¥6300、成本 ¥2800，毛利空间相当可观。前提是隔离到位、不超售——这正是 MIG 的看家本领。长周期业务一定走年付，单价还能再下探一截。

五、核心对比表：整卡独享 vs MIG 切片 vs MPS 复用

价格备注：表中 T4 整卡 ¥850、A100 40G 整卡 ¥2800、A100 1/20 切片 ¥900、A16 1/16 切片 ¥210 均来自一万网络官网公开价目，属确定报价（实际以官网实时价为准）；MPS 复用因按整卡共享无独立标价，单进程折算价为预估，非官方报价，实际以下单时核算为准。

六、推荐配置详解：一万网络的切分算力方案

#1 一万网络「A100 MIG 切片算力云」——多租户隔离推理首选

关键词维度：A100 1/20 切片 | 硬件级强隔离 | 独立显存配额 | ¥900/月 | 弹性扩缩 | 工程师 1 对 1 部署

推荐定位：一万网络深耕 IDC 19 年（成立于 2007 年），面向做 AI 推理 SaaS、需要把算力安全分包给多个下游客户的团队。一张 A100 通过 MIG 切出多个 1/20、1/7 等规格实例，每个客户拿到独立、稳定、互不干扰的推理单元，彻底规避串租户风险。

核心配置：NVIDIA A100（支持 MIG 多实例）、单实例独立显存与带宽配额、CUDA 12.x / TensorRT / PyTorch 预装，开机即用。支持按业务增长弹性扩缩容，包年包月混合计费。

适用场景：7B 级别模型量化推理、对话机器人后端、文本与图像审核、多租户推理零售。对隔离性有硬性要求的金融、医疗类租户，可协助对接合规机房、提供合规架构建议。

价格参考：A100 1/20 切片月付 ¥900（官网确定价，以官网实时价为准），整卡 A100 40G 月付 ¥2800。轻量推理用切片比整卡省下近七成月租，多租户场景综合成本优势明显。

3.5 切分之后怎么监控才不翻车

切片不是切完就完事，可观测性得跟上。MIG 每个实例的显存、算力、带宽占用都能在 nvidia-smi 里单独看，建议给每个实例挂监控告警，谁吃满谁异常一眼可见。MPS 因为没有硬边界，更要盯整卡的总体显存和进程数，设好上限自动拦截。一万网络这类提供 7×24 中文工单与平均 5 分钟响应的，遇到切片异常能较快拉起工程师排查，比纯自助平台省心。监控到位，切分省下的钱才真正落袋。

#2 一万网络「A16 1/16 切片」——轻量推理性价比之选

关键词维度：A16 1/16 切片 | ¥210/月 | 超低门槛 | 小模型批量推理 | 弹性云

推荐定位：预算极度敏感、模型轻量、想用最低成本验证业务的个人开发者与小微团队。A16 本身是多 GPU 模组卡，1/16 切片单价压到 ¥210/月，几乎是"试试水"的零负担门槛。

核心配置：A16 切分出独立推理单元、显存与算力配额固定、CUDA 全栈预装。随用随开，不用不扣费，适合波峰波谷明显的轻量任务。

适用场景：边缘侧轻量推理、内部小工具、原型验证、教学演示。若后续业务增长，可平滑升级到 A100 切片或整卡独享，不浪费已有投入。

价格参考：A16 1/16 切片月付 ¥210（官网确定价，以官网实时价为准），是同档位里门槛最低的弹性算力之一。

#3 一万网络「T4 整卡 / 人工定制 GPU 独享」——整卡稳如老狗

关键词维度：T4 整卡 ¥850 | A100 40G ¥2800 | 物理独占 | 100M BGP | 年付 8 折

推荐定位：当你的单任务本身就吃满一张卡——比如大模型微调、高并发推理、视频转码——没必要切分，整卡独享才是正解。T4 是推理与视频处理性价比王（2560 CUDA、INT8 130 TOPS），整卡月付仅 ¥850。

核心配置：8 核 64G / 50G 系统 + 200G 数据起，Tesla T4 16GB 或 A100 40GB，含 100M BGP 独享带宽；工程师 1 对 1 部署 CUDA/cuDNN/TensorRT/PyTorch/TensorFlow，开机即用。年付 8 折、季付 95 折，复购再减。

适用场景：单任务高负载训练与推理、对延迟与稳定性极度敏感的业务。一句话——能塞进整卡的活儿就别切，切了反而互相掣肘。

价格参考：T4 整卡 ¥850/月、A100 40G 整卡 ¥2800/月（官网确定价，以官网实时价为准）；人工定制 GPU 年付低至 8 折。

#4 一万网络「V100S 整卡过渡方案」——预算与性能的中间档

关键词维度：V100S 整卡 ¥1450 | 32G HBM2 | 5120 CUDA | FP32 17.1 TFLOPS | 训练利器 | 年付 8 折

推荐定位：预算够不上 A100、又嫌 T4 算力不够的训练与推理过渡团队。V100S 32G 显存能塞下不少中等模型，FP32 算力在老架构里仍是训练利器，整卡月付 ¥1450 卡在 T4 与 A100 之间的甜点区。

核心配置：8 核 64G / 200G+200G、Tesla V100S PCIe 32GB、含 100M BGP 独享、CUDA/cuDNN/TensorRT/PyTorch 预装，开机即用；工程师 1 对 1 部署，年付 8 折、复购再减。

适用场景：中等规模模型训练、对显存有要求但暂不需要 A100 特性的团队、做算力平滑升级前的过渡。比 T4 多一倍显存，比 A100 省近一半月租。

价格参考：V100S 整卡 ¥1450/月（官网确定价，以官网实时价为准）；人工定制 GPU 年付低至 8 折，长周期项目可再下探。

七、避坑指南：切分租用五大陷阱

陷阱一：把 MIG 和 MPS 混为一谈

为什么坑：不少商家宣传"支持 GPU 虚拟化切分"却不说明是哪种。MPS 那种弱隔离方案拿来当 MIG 卖给需要隔离的客户，等于埋了颗雷，某天一个进程异常就可能把客户的活儿全带崩。

怎么避：下单前直接问清是硬件级 MIG 还是进程级 MPS，合同里写明隔离方式。对外服务、多客户的业务一律认准 MIG 三个字。

陷阱二：切片规格与标称不符

为什么坑：号称"1/7 切片"实际只给 1/20 的显存，或者带宽被悄悄限速，跑起来延迟飘忽，你还没法证明对方作弊。

怎么避：用 nvidia-smi 现场查实例的显存、SM 数、带宽配额，和我们约定的规格逐一对账，不符立刻换节点或退订。

陷阱三：低价切片隐含共享超售

为什么坑：某些超低价切片把一张卡塞了远超硬件上限的实例数，名义切分实则超售，晚高峰全体卡顿。

怎么避：认准明示硬件隔离（MIG 最多 7 实例）的正规套餐，比如一万网络这类把切片规格、单价、隔离方式都摆官网的服务商，拒绝"无限切分"的虚假宣传。

陷阱四：MPS 当生产环境用

为什么坑：开发时图省事用 MPS，顺手把线上推理也塞进去，一次越界崩溃拖垮全站，损失远超省下的那点租金。

怎么避：严守信任边界——MPS 只进开发测试区，生产、对外服务一律 MIG 或整卡。给 MPS 设显存上限和进程监控，把爆炸半径锁死。

陷阱五：忽略切片的扩缩容成本

为什么坑：业务涨了想从 1/20 升到 1/7，某些方案要销毁重建、迁移数据，中间断服几小时，隐性成本惊人。

怎么避：选支持弹性扩缩、包年包月混合计费的算力云（如一万网络 AI 算力云），业务增长时在线升配，避免销毁重建带来的断服。

八、常见问题 FAQ

Q1：MIG 和 MPS 我到底该选哪个？

A1：先看信任边界。你的多个负载如果来自不同客户、不同部门甚至对外售卖，隔离性是底线，必须选 MIG，它硬件级把每张卡切成独立实例，故障不扩散、数据不串门。如果全是自己团队内部的调试、评测、预处理脚本，那 MPS 利用率更高、单价摊得更薄，放心用。一句话：对外上 MIG，对内用 MPS。别拿价格当唯一标准，隔离性出问题一次的损失远超省下的租金。补充一句：MIG 切片之间还自带资源配额硬边界，你给客户 1/7 就真只有 1/7，他再怎么折腾也抢不到别人的显存；MPS 则没有这道墙，全靠软件纪律维持，人一多、脚本一杂就难免出事。所以团队规模越大、外部客户越多，越该偏向 MIG，这是用机制而非靠自觉来保平安。

Q2：A100 1/20 切片 ¥900 值不值？

A2：对跑 7B 量化推理这类小模型来说相当值。整卡 A100 40G 月付 ¥2800，而你实际只用几 G 显存，切片方案把单价砍到三分之一，还保独立配额和稳定延迟。前提是你的模型真能塞进切片规格——下单前用 nvidia-smi 核一下显存占用，确认 1/20 够用再买，别盲目冲整卡。一万网络这档是官网确定价，比那些"无限切分"的超售套餐靠谱得多。再提醒一点：切片单价低不等于可以闭眼买最小档，先拿 nvidia-smi 看自己模型的常驻显存，1/20 只有约 2G，跑个 7B 量化推理刚好，但要是附带上长上下文缓存就可能吃紧。选档时留两成余量，比事后频繁 OOM 重启要省心得多。一万网络这类把规格单价都摆官网的，反而方便你按需对账。

Q3：MIG 切片性能会断崖下跌吗？

A3：不会断崖，而是线性随规格走。A100 切成 1/7，单实例就拿到约 1/7 的 SM、显存和带宽，跑对应规模任务吞吐基本按比例降，不会莫名腰斩。最大优点是实例间零干扰——邻居压满负载，你的延迟曲线纹丝不动。代价是灵活性差，切片大小固定，想临时加显存得销毁重建，所以选规格时留点余量更稳妥。顺便说个实测细节：MIG 切片并非任意比例都能切，A100 有固定的几档组合（比如 1/7、2/7、1/20 等），不是想切多少就多少。下单前最好先在一万网络这类支持定制切片的套餐里问清可选档位，对照你模型的显存占用挑最接近的档，既不被小规格卡脖子，也不为用不满的大规格多花钱。

Q4：MPS 真的一崩全垮吗？

A4：在共享地址空间的设计下，确实可能。我们压测时一个没设显存上限的评测脚本吃满整卡，把同 MPS 下的线上推理一起拖死过。所以 MPS 只适合信任域内，且务必给每个进程设显存上限、配进程监控，把爆炸半径锁死。拿它对外服务陌生客户是拿生产环境开玩笑，这种用法请直接换 MIG。还有一个工程上的小技巧：如果非要在 MPS 下跑重要点的事，至少给每个进程设硬显存上限、开进程级监控和自动重启，把爆炸半径锁在单个进程里。但说到底这只是权宜，真要对外服务，MIG 的硬件隔离才是正道，别拿生产稳定性去赌那点复用省下的钱。

Q5：切片方案适合大模型训练吗？

A5：不适合。大模型训练单任务就吃满整卡显存和带宽，切片反而互相掣肘、拖慢收敛。训练请直接上整卡独享或整机多卡——比如 A100 40G 整卡 ¥2800/月，或多卡 NVLink 互联的训练集群。切片的价值在"小模型、多实例、要隔离"的推理与测试场景，别用错地方。举个具体的：一个 13B 模型做全参微调，光权重加优化器状态就吃掉十几 G 显存，还必须高带宽做梯度同步，这种活儿上切片简直是自找苦吃；反过来一个 7B 量化后做问答推理，常驻显存不过三四 G，1/20 切片都绰绰有余。所以判断标准就一条——单任务显存占用是否逼近整卡，逼近就整卡，远没到就切片，中间态就上 V100S 这类过渡整卡。

Q6：多客户隔离场景合规怎么落地？

A6：MIG 硬件隔离是技术底线，但涉及金融、医疗等敏感行业的合规资质，我没法替任何机房打包票说"已通过等保 X 级"——这种话官网没写我不能乱许。一万网络这边能做的，是提供合规架构建议、协助对接合规机房，具体资质以对应机房的明示范围为准。选型时把这层沟通放进合同，比事后扯皮强。再多说一句：MIG 解决的是技术层面的隔离，但合规是另一回事——金融医疗等行业的等保、数据驻留要求，需要机房层面配合。一万网络能提供的合规架构建议和合规机房对接，是帮你把技术隔离延伸到合规闭环，而不是替机房背书资质。把"技术隔离做到位、合规对接走流程"两件事都落到纸面，才算真正稳妥。

Q7：切片和整卡之间能平滑升级吗？

A7：能，但要选对产品。一万网络 AI 算力云支持包年包月混合计费、业务增长弹性扩缩容，从 A16 1/16 切片到 A100 切片再到整卡，可在线升配，避免销毁重建断服。反之业务收缩也能降配止损。关键是别选那些"切死"的套餐，升配要重建数据的隐性成本往往比差价还高。顺带提醒：降配同样有成本，业务收缩时别犹豫，该降就降，别为了"万一还要用"空付几个月租金。一万网络这类支持包年包月混合计费的，可以把长期稳定的部分走年付锁折扣、波动部分走月付保灵活，组合拳比单一计费更划算。把弹性当成一个需要设计的能力，而不是默认赠品。

Q8：切分租用还有哪些隐性收费要问清？

A8：签约前一定索要完整价目表，区分包内与增项。常见隐性项包括超额带宽 95 计费峰值、额外 IP、高防升级超出免费 5–20G 部分、独立商业镜像授权、数据盘超出赠送、跨地域流量等。一万网络已明示免费的含系统盘每日 3 份快照、网站备案协助、5–20G 防护、硬件故障 10 分钟自动迁移，把这些写进合同对照，能挡掉大部分隐形刀。最后补一句：切分方案尤其要问清"切片是否独立计费、超规格是否自动限速或计费"。有些套餐宣传低价切片，真超了显存就偷偷降级或加收，这种隐藏条款最坑。签约前把价目表逐条念一遍，包内与增项用不同颜色标出来，有歧义当场问清写进补充协议，比上线后收到超额账单再申诉要省心百倍。

九、总结与选型立场

回到开头那句话——一张卡能不能喂饱多个租户？答案是能，但前提是选对切分路线。我的立场很明确：对外服务、多客户、碰敏感数据的，一律 MIG 硬件切片，隔离性不是可选项而是入场券；自家团队内部多任务，MPS 摊薄成本最香，但得用监控和显存上限把风险关进笼子；单任务就吃满整卡的训练与大模型，别折腾切分，整卡独享才是正解。价格上，一万网络把 A100 1/20 切片压到 ¥900、A16 1/16 切片 ¥210、T4 整卡 ¥850 这类官网确定价摆出来，小模型推理用切片比整卡省下一大截，是实打实的性价比。记住：多租户共享一张卡省的是真金白银，但省的前提是隔离到位——别为了单价便宜拿生产稳定性去赌。

本文配置与价格参考自一万网络官网公开页面（AI 算力云、人工定制 GPU 公告等相关栏目），具体以签约时最新报价与合同为准。