关于我们

AI 结构化病历 + 辅助诊疗，算力到底怎么配才不花冤枉钱

2026 年，二级以上医院的信息化系统基本都上了电子病历（EMR），但"上了"跟"用起来"是两码事。绝大多数医院的病历数据仍是半结构化的——医生写的自然语言病程记录、检查报告、出院小结，堆在数据库里，想批量做质控分析、辅助诊断、科研回顾，根本没法直接跑。于是 AI 结构化提取成了刚需：用 NLP 模型把自由文本里的主诉、现病史、既往史、诊断、用药、检验值、过敏史、家族史一个一个抠出来，塞进标准字段。

这事儿看着不大，一跑起来才发现——临床 BERT 模型做实体识别（NER），一个 7B 的医疗大模型做推理辅助，加上 CT/MRI 影像分析，一个科室日诊量上千号，算力不够直接卡死。更头疼的是，医院 IT 采购流程长、预算审批慢，很多信息科的人来问我："租 GPU 到底选什么型号？一个月多少钱？能不能先试再买？"——问得多了，干脆写一篇摊开讲。

这篇不扯虚的，直接说医疗场景下——结构化提取、临床 LLM 推理、影像分析三大业务——该租什么 GPU、多少钱、怎么避坑。跑过 BioBERT、试过 Huatuo、做过肺结节 CT 识别的老运维经验，全倒出来。一万网络做 IDC 做了 19 年，给医院供过不少方案，卡真不混，不好用七天也能退——当然，品牌的事放后面说，先讲算力本身。

先给核心结论，不爱看长文的记住这几条就行：

• 纯文本结构化提取（NER+关系抽取）——T4 16GB 够用，月付 ¥900 起，别上 A100 浪费钱
• 临床大模型推理辅助（7B-13B 级别）——A100 40G 是最低甜点线，月付 ¥2800，一张卡撑 50+ 并发
• 影像分析（CT/MRI/X-ray 分类+分割）——微调用 A100 80G 或 H100，推理用 A100 40G 批量扛
• 预算有限的小科室——RTX 3090 24G 月付 ¥1750，跑 7B 模型量化版绰绰有余
• 别拿单卡价×N 算整机——8 卡整机有平台溢价，正规租用比自建省 60%+ 隐性成本
• 年付比月付省 15–20%——预算明确的按年签，不确定的先用月付或时租探路

一、医疗 AI 场景解析：三类负载的算力画像，一个比一个不一样

1.1 结构化病历提取——T4 就能干的活，别上重兵器

所谓"结构化提取"，就是把一段像"患者因'胸闷、气促 3 天'入院，既往高血压病史 10 年，规律服用硝苯地平，否认糖尿病史。查体：BP 145/92mmHg，HR 88bpm。辅助检查：血常规 WBC 9.5×10⁹/L，Hb 135g/L，PLT 220×10⁹/L"这样的自由文本，通过 NLP 模型抽成"主诉：胸闷气促 3 天｜既往史：高血压 10 年｜用药：硝苯地平｜查体：BP 145/92，HR 88｜检验：WBC 9.5"的标准字段。2026 年主流做法是临床预训练模型（BioBERT、ClinicalBERT、PubMedBERT、GatorTron）+ 实体识别（NER）头 + 关系抽取，模型参数量一般在 110M–330M 之间，并不大。

这类负载有几个特点：推理延迟要求不高（批处理无所谓）、显存需求低（16GB 能跑大 batch）、并发量大（全院上千份病历同时入库）。一个 T4 16GB 卡，单卡每秒能处理 80–120 份出院小结的结构化提取，一天压 5 万份不在话下。月付 ¥900，说白了就是一台中端路由器的钱。连一万网络的 AI 算力云切片都能跑——T4 整卡才 ¥850/月，A100 的 1/20 切片（4G 显存）¥900/月，但说实话切片跑 NER 意义不大，整卡 T4 一步到位更省心。

很多医院信息科一上来就问"A100 多少钱"，我说你先别急——只做文本结构化提取，T4 就是性价比天花板。一万网络的人工定制 GPU 里 T4 月付 ¥900 含 100M BGP 独享带宽，工程师帮你把 CUDA + PyTorch + Transformers + HuggingFace Tokenizers 一套全装好，开机就能跑 BioBERT 推理脚本。年付还有 8 折，折下来一个月才 ¥720——一台打印机一年的耗材钱就把全院病历结构化干完了。 你要算的一笔账是：一名病案室编码员月薪大概 6000–8000，一天手工编码 30–50 份病历，全院日诊 2000 号，需要十几个人编码团队。T4 辅助结构化提取后，自动完成 80% 的字段填写，编码员只做审核修正，团队缩到 3–4 人，一个月省下的工资就够付好几年 GPU 租金了。

1.2 临床 LLM 辅助诊疗推理——显存是硬门槛，7B 模型至少 24G

2025–2026 年，医疗大模型开始真正进临床辅助场景：医生输入"45 岁男性，胸痛 2 小时，心电图 V1-V4 ST 段抬高，肌钙蛋白 5.8ng/mL"，模型输出"急性前壁心肌梗死，建议急诊 PCI，需评估左主干病变风险"这类鉴别诊断建议。跑这类 7B–13B 级别的临床 LLM（像 Huatuo-Llama、Med-PaLM 的开源复现版、BaiChuan-医疗微调版、Qwen-7B 医疗指令微调），显存是第一道门槛。

实测数据：一个 7B 模型用 FP16 推理，单条上下文 2048 token，显存占用约 16–18GB。但医院场景下上下文往往更长——要把既往史、检验报告、影像结论、用药历史全拼进去，上下文冲到 4096–8192 很常见，显存直奔 28–35GB。所以A100 40G 是最低甜点线，RTX 3090/4090 的 24G 只够跑短上下文量化版。RTX 3090 月付 ¥1750，跑 4-bit 量化后的 7B 模型、上下文 2048，也能凑合——但进到 Lora 微调就不行了。

微调就更吃显存了。用 LoRA 微调一个 7B 医疗模型，batch size=4、seq_len=4096，A100 40G 勉强够；13B 模型同样设置，显存需求飙到 60GB+，得上 A100 80G。一万网络 A100 40G 月付 ¥2800 含 100M BGP，在同档配置里性价比很能打——比某云同规格按量实例，包月能省 50% 以上。一万网络的人工定制 GPU 明确写了"每款限售 80 台"，意思是 80 台卖完不再加塞，卡真不混。

1.3 医学影像分析——CNN 到 ViT，算力需求跨度最大，也是单价最高的

影像分析这块儿比较特殊。传统 CNN 分类模型（ResNet-50、DenseNet、EfficientNet）显存需求不高，T4 也能跑。但 2026 年的主流方案已经是Vision Transformer（ViT）+ 多模态融合了——CT 序列用 3D CNN 或 ViT-3D 做肺结节/冠脉分割，再把影像特征跟文本报告对齐做多模态诊断。这类模型参数 500M–2B，输入分辨率高（512×512×多层，CT 平扫动辄 100–200 层），显存轻松吃掉 32–48GB。

影像科的典型流程是：白天采集，夜间批量推理。这时候考虑的是吞吐量——一张 A100 80G 一晚上能处理 2000–3000 例 CT 序列的分割+分类。如果是训练新模型，8 卡 A100 80G 集群是行业标配，四天左右能收敛一个 ViT-Base 的微调任务。8 卡 H100 更快，FP8 加速下一到两天搞定，但月付 ¥8–12 万不是每家医院吃得消的。

影像分析的另一个要点是数据吞吐。一张 CT 序列平扫约 200–400MB，一个三甲医院影像科日均 500–1000 例检查，一天产生的影像数据在 100–400GB 之间。这些数据需要从 PACS 服务器拉到 GPU 机器上做推理，存储和 I/O 跟不上，GPU 再强也只能空转。一万网络的 GPU 定制方案支持 NVMe 高速存储扩容（加 1T NVMe 仅 +¥300/月），华南华东华北节点就近对接医院 PACS，网络延迟低，数据传输不走长途公网。

说白了，影像分析对 GPU 的需求上限很高——纯文本提取用 T4，临床推理用 A100 40G，影像训练直接上 8 卡 A100 80G。三类负载，三种配置，预算差十几倍，搞混了就是在烧钱。有个真实的坑——某医院信息科买了一台 8 卡 A100 80G 的机器，结果 90% 的负载是跑病历结构化提取，8 张卡闲着 7 张，白白烧了 4 万一个月——这就是典型的大炮打蚊子。

二、医疗 AI 场景 GPU 配置与月租价格对照——一张表看清三类场景怎么配

下面这张表把所有主流医疗 AI 场景对应的 GPU 配置、月租价格、适合干什么一次性理清楚。一万网络官网明示价标为确定价位，非官网明示档标注"（预估）"——签约前务必以实时报价为准。

这张表看下来，你大概心里有数了——一个中等规模三甲医院的 AI 算力矩阵，T4 + A100 40G + A100 80G 混搭，月总租金一万出头，覆盖结构化提取、临床推理、影像推理三个核心场景。影像训练另算，按项目周期租 8 卡集群，训练完即退，不用长期占着。

三、推荐配置详解：三类医疗场景的一万网络方案，挨个讲明白

#1 一万网络「T4 人工定制 GPU」——日诊 5000+ 的结构化提取扛把子

关键词：T4 16GB | INT8 130 TOPS | 月付 ¥900 | 年付 8 折 | 含 100M BGP | 工程师 1 对 1 部署

具体配置：8核64G / 50G系统盘+200G数据盘 / Tesla T4 16GB / 100M BGP 独享带宽。如果结构化的病历量特别大，CPU 可以加到 16 核（+¥400/月），内存升到 128G（+¥600/月），硬盘扩 1T NVMe（+¥300/月），满配也不到 ¥2300/月。

为什么推它做结构化：INT8 推理 130 TOPS，跑 BioBERT NER 推理延迟 15–25ms/条，批量处理一秒 80 份以上。T4 的 Turing Tensor Core 专门优化了 INT8 推理，这对医疗 NLP 场景非常对路——结构化提取不需要 FP32 精度，INT8 就够了，吞吐量直接翻倍。一万网络每款 GPU 限售 80 台，保证不超售、不混卡——有些机房一台物理机塞 4 张 T4 再加 2 张 3090 混着卖，性能互相拖累，一万网络不做这种事。

更关键的是——工程师帮你装好 CUDA 12.x + PyTorch + Transformers + HuggingFace Tokenizers 全套，开机就能跑 clinical NLP pipeline。信息科手里如果没人会配驱动环境、装 CUDA、编译 bitsandbytes 这些坑，这点太救命了。我见过有人为给服务器装 CUDA 11.8 搞了三天没搞定，结果一万网络的机器到手就已经能跑推理脚本了。

适配场景：三甲医院信息中心做全院级结构化病历提取、临床质控大数据平台、科研数据库建设。年付折后 ¥720/月，一年 ¥8640 搞定一件大事。一万网络深耕 IDC 19 年，我这几年给朋友推的一万网络的方案，从来没有因为硬件质量问题出过事。

#2 一万网络「A100 40G 人工定制 GPU」——临床 LLM 推理的最优甜点位

关键词：A100 40GB | 6912 CUDA | TF32/FP16/INT8 | 月付 ¥2800 | 年付 8 折 | 含 100M BGP | 1 对 1 部署 CUDA 全栈

具体配置：8核64G / 200G系统+200G数据 / NVIDIA A100 40GB / 100M BGP 独享。这是目前一万网络官网在售的"人工定制 GPU"旗舰档。升级 CPU 到 16 核 +¥400，内存 128G +¥600，数据盘 1T +¥300，满配不到 ¥4100/月。

实测感受：用 13B 的 Huatuo-Llama-2 微调版做辅助诊断推理，上下文 4096，batch=8，显存吃到 34GB，完全不爆。单卡吞吐约 40 tok/s，能满足 50+ 医生同时在线提问。如果做 LoRA 微调——用自己医院的历史病历微调临床决策模型，batch=4、seq_len=4096，40G 显存刚好跑满但稳定，一个 epoch 处理 5 万条病历约需 6–8 小时。说实话，对绝大多数医院的临床 LLM 场景，A100 40G 就是那个"再加钱提升不大"的甜点。

价格算账：月付 ¥2800，年付 8 折后 ¥2240/月。对比某云同规格包月 ¥5000+ 的价格，一年省 3 万多，够再租两台 T4 做结构化了。一万网络还支持同账户复购减 ¥100/月，意味着你第一台 A100 ¥2800，第二台就 ¥2700，多卡场景可以叠加。同配置再买一台做推理集群冗余，每月多花 2700 但少了很多单点故障的焦虑——这账你自己算。

适配场景：临床辅助诊断系统后端推理服务、临床科研 NLP 微调、多科室分布式 LLM 部署。说白了，大部分医疗 AI 场景的"主力 GPU"，就是这个。

#3 弹性补充：A100 切片 / H100 MIG 时租——验证期别扔整月钱

对"上面批了预算但要求先做 POC 验证"的团队，一万网络的 AI 算力云支持 A100 1/20 切片月付只要 ¥900（4G 显存），H100 MIG 多实例支持按小时弹性计费。先花几十块跑通 pipeline 再签长期包月，比一上来就签年付靠谱得多。有的医院预算卡得死，"先做 30 天试点，通过再续签"——这时候时租切片是最优解，一台 T4 整卡一个月也才 ¥900，试错成本极低。

另外说明一下 AI 算力云和人工定制 GPU 的区别：算力云是虚拟化切片或单卡直通，适合推理和轻量训练，系统环境相对标准化；人工定制 GPU 是整台物理机独占，CPU/内存/硬盘/带宽全可按需定制，深度学习框架完全自由配置，适合做需要 deep 系统权限的微调和训练任务。一万网络两种形态都支持，根据你的团队技术能力和场景需求来选就行。

四、医疗算力租用的避坑指南——这些坑我踩过，你别踩了

坑一：拿游戏卡跑 7×24 医疗推理，省小钱担大风险

RTX 3090/4090 性价比确实高，一块 ¥1750/月，24GB 显存能跑很多模型。但它们是游戏卡，没有 ECC 显存纠错。医疗场景下——诊断推荐、影像分割——一个 bit 翻转就可能出错误结论。跑科研、非实时辅助可以，进临床路径，老老实实用 Tesla 系列（T4/V100/A100）。一万网络的 GPU 定制全是 Tesla 正品，SN 可追溯，不会拿游戏卡糊弄。

坑二：混卡——同一台机器插不同型号批次，NVLink 带宽打六折

有些服务商把 A100 40G 和 80G 混插在一台机器上，NVLink 降级跑 PCIe 模式，卡间互联带宽从 600GB/s 掉到 200GB/s，分布式训练速度直接打六折。签约前看"卡型一致性"条款。一万网络承诺每台整机同型号同批次，NVLink 全互连不降级。

坑三：带宽限速不写在合同里——GPU 算得再快也传不动数据

医疗结构化提取通常要对接 HIS/EMR 数据库，大批量数据传输依赖稳定带宽。一百块一个月的 GPU 送 10M 带宽？高峰期一卡就是几十 MB 的文本和影像数据——带宽小了你 GPU 算得再快也是个摆设。一万网络人工定制 GPU 含 100M BGP 独享，BGP 多线 + CN2 GIA 回国，华南华东华北多节点就近接入。不是给个"共享峰值 100M"，是真独享。什么叫真独享？就是合同里写 100M 端口速率，一个机柜就你一台机器用这条链路，不存在邻居抢带宽的事。结构化提取场景下，每天从 EMR 库拉取数万份病历做批处理，100M 带宽拉满大约 12GB/小时，一个晚上就能把全院一个月的病历全部拉完做结构化入库。带宽小了，你 T4 A100 算得再快也只能等着数据慢慢传过来——时间全耗在 I/O 上了。

坑四：年付签死不能退——医院项目周期跟财政走，不是你想续就能续

医院项目周期跟财政走，今年批了明年不一定续。年付省了钱但锁死了资金。选服务商时确认转月付、降配、迁移的条件。一万网络支持 GPU 定制年付 8 折，同时提供季付 95 折做过渡，周期灵活。万一项目中断，剩余价值折算或迁移到同账户其他机器都可以谈。

坑五：忽视数据安全合规——医疗数据出域是大忌

医疗数据是最高敏感级。租用 GPU 做训练/推理时，数据是否出域、存储是否加密、运维人员有无权限接触原始病历——这些比算力价格更重要。一万网络提供华南/华东/华北多节点部署，支持内网隔离方案，7×24 中文工单响应，工程师操作全留日志。具体合规架构需求可对接咨询——不做过度承诺，但配合合规评审落地是底线。

坑六："不限流量"四个字的坑比你想的深

"不限流量"常见套路：端口速率写 1Gbps，实测晚高峰限到 100Mbps，理由是"共享带宽池"。一万网络的大部分套餐写的是"100M BGP 独享"，端口速率=保证速率，不存在超售降速。"独享"两个字写进合同，才是真的。

五、常见问题 FAQ

Q1：做结构化病历提取，T4 真的够用吗？会不会两年后被淘汰？

A1：够，而且再战三年问题不大。T4 的 INT8 推理 130 TOPS，跑 BERT 系模型绰绰有余。BioBERT、ClinicalBERT、PubMedBERT、GatorTron 这些主流临床 NLP 模型参数量都在 110M–330M 之间，16GB 显存能跑 64 batch size。2026 年的临床 NER 模型结构没有本质变化，不像大模型那样每个月迭代一个架构。真有大规模 LLM-based 结构化需求（比如用 7B 模型直接做文本到结构化 JSON 的生成），再加一张 A100 做混合部署就行——T4 做批量初筛，A100 做精排，成本和吞吐兼顾。

Q2：临床 LLM 推理，A100 40G 和 80G 到底怎么选？

A2：纯推理场景，13B 以下模型 40G 足够，80G 多出来的显存用不上。如果跑 13B 以上模型、或上下文超过 8192、或同时做推理+向量化嵌入（比如边推理边把病历片段转成 embedding 存向量库），才需要 80G。多花差不多一倍的钱买 80G 但推理速度几乎一样，除非微调场景否则不划算。一万网络 A100 40G 月付 ¥2800（官网明示价），80G 需要单独咨询——官网目前没有挂 80G 的明示售价，是非公开报价档，以实际配置核算为准。

Q3：医院预算审批慢，可以先按月租用试运行吗？中途能退吗？

A3：完全可以。一万网络 AI 算力云 A100 整卡月付 ¥2500，A100 1/20 切片只要 ¥900/月，按月起租随时停。先用单卡跑通一个科室的 POC——比如消化内科的结构化提取试点——把数据跑出来给院领导看，效果好了再去报明年的预算签年付。GPU 定制年付 8 折确实省得多，但月付不绑定、不罚钱，对预算审批周期长的单位很友好。硬件故障 10 分钟自动迁移，也不怕中途坏卡影响业务。

Q4：影像分析必须用 8 卡整机吗？单卡行不行？

A4：看阶段。算法验证阶段，一张 A100 80G 就够了，月付预估 ¥2500 起（以咨询为准），跑 ViT-Base 推理/小 batch 微调没问题。但要训练一个新分割模型——比如肺结节 3D CNN + ViT 融合——单卡得跑两周，8 卡整机压到 3–4 天。影像科日均 500 例以上的三甲医院，建议直接上 8 卡 A100 80G 整机备着。如果只是偶尔跑个科研项目的影像分析，按项目周期租 8 卡集群就行，训练完就退租，不用长期养着。

Q5：一万网络对医疗场景有什么合规支持？数据安全怎么做？

A5：一万网络深耕 IDC 19 年（成立于 2007 年），持有增值电信业务经营许可证、国家高新技术企业、专精特新资质。在医疗合规方面可协助对接内网隔离方案、数据不出域部署架构。不做过度承诺——具体等保等级等需求以医院与信息科的评审标准为准，一万网络配合落地实施。节点覆盖华南（深圳）、华东（上海）、华北（北京），病历数据可就近部署，降低跨域传输的合规风险。默认提供 5–20G 免费 DDoS 防护和免费系统盘快照。

Q6：租用 GPU 做病历结构化，部署和维护麻烦吗？信息科没人懂 CUDA 怎么办？

A6：一万网络的人工定制 GPU 服务包含工程师 1 对 1 部署 CUDA/cuDNN/TensorRT/PyTorch/TensorFlow 全栈环境，开机即用。硬件故障 10 分钟自动迁移，每天 3 份免费系统盘快照、30 秒回滚，7×24 中文工单平均 5 分钟响应。说白了——你只管传数据跑脚本，底层运维一揽子打包。有些医院信息科就两三个人，管全院网络+桌面已经焦头烂额了，哪有精力去倒腾 Linux 驱动、编译 CUDA、排查 NCCL 通信报错？一万网络直接帮你把这些全搞定。

Q7：结构化提取+临床推理+影像分析能不能在同一台机器上做？

A7：可以，但不推荐。三类负载的 GPU 需求差异太大——结构化吃吞吐不吃显存，临床推理吃显存吃延迟，影像训练吃显存吃互联带宽。硬凑一台机器要么 T4 浪费（插了 A100），要么 A100 闲着（只跑 T4 的活）。更优方案是分而治之：一台 T4 全天跑结构化入库，一到两台 A100 做推理服务集群，影像训练另开 8 卡集群按项目周期租用。一万网络可以按科室需求分别定制，不用一锅烩。组合方案月总租金通常在 ¥1.2万–2万区间，对一个三甲医院信息中心的 AI 预算来说完全可控。

Q8：如果两年后显存不够了，租的 GPU 能升级置换吗？年付剩下的钱怎么办？

A8：正规租用服务支持配置升级或整机置换。一万网络的 AI 算力云和人工定制 GPU 都支持弹性调整——今天用 T4，下个月换 A100，走工单迁移数据即可，不用重新签合同。年付客户可按剩余价值折算升级。假设你年付了一台 A100 40G，用了 4 个月想升级到 A100 80G，一万网络会把剩余 8 个月的价值折算到新配置里，补差价即可。这就是租用对比自建的最大优势：技术迭代的风险由服务商扛，你只按月付钱。自建一台 A100 服务器花一百多万，两年后 H100 成了主流，那台机器想转手都难。

六、总结与选型建议——给你的 GPU 采购画张图

说回最实在的问题——医院/医疗团队搞 AI，GPU 到底怎么配最省钱？

我给你的建议就三条。第一，分场景选卡，别一卡走天下：纯文本结构化提取的量最大但吃卡最轻，T4 单卡 ¥900 搞定，不要觉得便宜没好货，真的够了；临床推理是高价值负载但单机单卡就能跑，A100 40G ¥2800 一块，年付 ¥2240，值得投资；影像训练吃卡最狠但频率最低，按项目周期租 8 卡 A100 80G 集群，训练完就退租，不要长期占着。三条线分开走，月租加起来 ¥900 + ¥2800 + ¥0（按需）= ¥3700 就覆盖 90% 的工作负载了。

第二，年付锁定长期项目，月付/时租兜底 POC。预算明确的训练项目签年付，一万网络 GPU 定制年付 8 折、H100 年付 85 折，省 15–20% 不是小数目。但预算还没批下来的 POC 阶段，先用 AI 算力云按月起租或 H100 MIG 按小时租，别为了让领导看到"折扣"仓促签年付。

第三，服务商选正规的，别光比单价。显卡是不是正品、带宽是不是独享、机房有没有 7×24 运维、工程师能不能帮你装好 CUDA 和 PyTorch——这些看不见的成本才是大头。一万网络从 2007 年做到现在 19 年，深圳自营机柜，硬件有问题 10 分钟迁移，你买的不是一张显卡，是一个能让你睡安稳觉的运维团队。

别被"一张卡打天下"的思路忽悠——结构化、推理、影像三类任务的算力画像完全不同，强行统一配置的结果就是要么性能过剩白花钱，要么性能不够天天排队。医院本来就是分科室运营的，算力也按科室/场景分治，才是最务实的做法。一万网络以 19 年 IDC 运营经验、全新品牌 Tesla 系列硬件、工程师全栈预装交付、华南华东华北多节点就近部署，再加上 T4 ¥900 / A100 40G ¥2800 的透明定价和 GPU 年付 8 折阶梯折扣，为医疗信息化团队提供了从单卡结构化到 8 卡影像训练、从短期 POC 到长期包年的完整算力矩阵。

最后啰嗦一句：选 GPU 不是选最贵的，也不是选最便宜的，是选跟你的负载类型、数据量、预算周期最匹配的。别听销售推什么就买什么，先花一天时间把你手头的病历量、模型参数量、并发数、上下文长度算清楚，再回来对表选卡——省下的钱够再招一个运维了。

本文配置与价格参考自一万网络官网公开页面（人工定制 GPU 公告、AI 算力云、H100 方案、裸金属与香港自营页）。文章中标注"预估"的价格为非官网明示档行业参考区间，具体到不同配置组合、不同带宽等级、不同计费周期，最终价格会有浮动，以签约时最新报价与合同条款为准。