2026 AI遥感图像分析与地理信息GPU服务器怎么租？卫星影像语义分割+目标检测算力配置怎么选？

遥感图像分析这几年被AI彻底翻了个个儿。过去做一张高分二号的全图语义分割，得先在ENVI里面手动勾ROI勾到眼花，再扛着单机工作站跑上两天两夜。现在换了U-Net或SegFormer，一个模型灌进去，效率翻了几十倍。但问题也来了——这些模型吃显存吃得厉害，尤其是多光谱、高分辨率、时序变化检测这些场景，动不动就OOM（内存溢出）。我见过不少搞遥感的团队，模型搭好了，卡一跑崩了，回头发现是租的卡显存不够、带宽配低了、或者租了个民用级显卡跑不动16位GeoTIFF。这里头门道不少，今天我就把遥感AI租GPU这件事掰开揉碎讲清楚，从显存需求到带宽规划、从单卡到多卡集群，把每个环节的坑都说透。

核心结论先给出来，你直接抄作业都行：

· 遥感语义分割（单景2K×2K级）推荐T4 16GB起步，多光谱16波段以上建议A100 40GB或V100S 32GB，显存不够batch size压不住，训练收敛慢得要命。单卡A100 40G跑SegFormer-B3做8通道512×512语义分割，batch size=16稳稳的，一天能跑完一个基础epoch。

· 变化检测/时序分析场景，通常需要双卡甚至四卡并行，这时候整机租比单卡拼凑划算得多，防踩坑重点看NVLink有没有——PCIe桥接的卡间通信效率只有NVLink的1/20，买了等于白买。

· 目标检测（航拍车辆/船只/建筑物）用RTX3090 24GB做推理性价比最高，但训练阶段最好上A100 40G或80G，一次能塞更多样本，训练速度比3090快30-50%。

· 实测一万网络的人工定制GPU方案，A100 40G月付¥2,800含100M BGP独享带宽，工程师1对1部署地学常用的PyTorch+GDAL+OpenCV+TensorRT环境，开机即用，比你自己从零配环境至少省一整天，年付8折后仅¥2,240/月。

· 多光谱和高光谱遥感对显存的需求远超普通CV，8通道数据量是RGB的2.7倍，32通道以上建议直接上A100 80G或H100，别在显存上省钱，省下的都折在训练时间上了。

一、概念解析：AI遥感图像分析到底吃哪块算力

1.1 遥感AI的主要任务类型与GPU算力需求

遥感图像分析和普通自然图像有一个本质区别：数据量大、通道数多、单张图尺寸大。一张标准的高分二号多光谱影像，4个波段（蓝绿红近红外），单景约1.5GB；你要是做WorldView-3的8波段甚至16波段，单景3-5GB不稀奇。这种数据量喂给GPU，显存就是第一道坎，过不去就什么都别谈。

目前遥感AI领域最主流的三大任务——语义分割、目标检测、变化检测，各自的GPU口味不一样，我一个个拆开讲：

语义分割：像U-Net、DeepLabV3+、SegFormer、SwinUNet这类模型，输入分辨率越大越好——遥感影像的细节全在空间分辨率上，你输入小了，地物边界就糊了。一个典型场景：用SegFormer-B3做2K×2K的建筑物提取，单张推理显存占用约4-6GB（FP16），但你要做批处理训练，batch size=8的时候，显存直接飙到20GB+。所以搞语义分割的团队，我一般建议至少16GB显存起步，低于这个数训练效率极其拉胯。如果你跑的是SwinUNet这种Transformer-heavy模型，显存需求还要再往上加30-50%。

目标检测：航拍车辆检测、船舶识别、光伏板识别、违章建筑检测这些场景，主流模型是YOLOv8、RT-DETR、Faster R-CNN、DINO。YOLOv8对显存相对友好，但遥感影像尺寸大，你要把一张1K×1K的航片切成512×512的patch来推理，batch size一大，16GB显存也就刚够。如果做多尺度检测（FPN结构），建议上24GB以上。我实测过用YOLOv8x做4K航拍车辆检测，RTX3090 24G单卡推理，单张处理时间约100ms，一天能跑3-4万张，对于中等规模的航拍检测项目完全够用；但训练阶段，同样的YOLOv8x，batch size=16时显存占用约20GB，3090勉强能跑，A100 40G则能拉到batch=32，训练速度翻倍。

变化检测：这是遥感AI里最吃显存的任务之一，没跑过的人可能体会不到。双时相影像做Difference Map，模型通常要同时处理前后两张图，显存占用直接翻倍。用ChangeNet或BIT（Bitemporal Image Transformer）做512×512×6输入（前后两期各3波段），单batch训练就要8-12GB。你要做大规模城市变化检测，单景影像覆盖5K×5K，不好意思，8卡A100集群都可能是标配。我见过一个团队做长三角城市扩张变化检测，用BIT-Large跑1024×1024×6输入，batch size=4，单卡A100 80G显存占用72GB，几乎塞满——这就是为什么80G显存卡在遥感领域这么受欢迎。

1.2 多光谱/高光谱与普通RGB的算力差异

很多人拿普通计算机视觉的配置直接套遥感，结果发现训练跑不动、推理卡成PPT。原因就在通道数上。普通CV模型三通道输入，显存占用按公式batch×H×W×C×dtype一算就清楚。换成多光谱8通道，数据量直接翻2.7倍；16通道翻5倍以上。更别提高光谱传感器（如珠海一号OHS、PRISMA、EnMAP）动辄32-256个波段，用3D-CNN或SpectralFormer训练，单卡A100 40G显存可能只够塞一个batch——你没看错，一个batch，就是这么夸张。

我做过一个实测对比：用ResNet50做16通道多光谱分类，输入224×224，batch size=32的时候，RTX3090 24G显存占用约18GB，刚好卡线；换成A100 40G，batch size能拉到64，训练速度快了将近一倍。如果换成SpectralFormer（Transformer架构的高光谱分类模型），输入波段32、空间尺寸128×128，batch size=16时A100 40G显存占用约35GB，3090根本跑不动——直接OOM崩溃。所以搞多光谱遥感的朋友，别在显存上省那点钱，省下来的都折在训练时间上了，时间就是钱，浪费在等训练完成上最不值。

另外一个很多新手不知道的点：高光谱数据的预处理也很吃算力。大气校正、辐射定标、几何精校正这些步骤，虽然不一定要GPU加速，但数据量大了之后，CPU预处理也会成为瓶颈——你GPU算完了，CPU还在慢慢磨预处理，整个pipeline就被拖慢了。一万网络的人工定制GPU方案支持CPU升级，从8核到16核仅+¥400/月，内存从64G升到128G+¥600/月，这个钱在搞高光谱预处理时花得很值，别省。

1.3 遥感影像存储与I/O：一个被忽视的GPU瓶颈

遥感影像的另一个特点是文件大、数量多。一个典型的中等城市遥感项目，可能涉及几百景高分影像，总数据量轻松上TB。训练时，数据加载的I/O如果跟不上GPU的处理速度，GPU就会空转等待——这就是"数据饥饿"问题。NVMe SSD的读写速度在3-5GB/s，而普通SATA SSD只有500MB/s，差了6-10倍。一万网络的人工定制GPU方案标配NVMe SSD数据盘，可升级到1TB，读写速度满足遥感大数据训练需求。如果数据量超过1TB，还可以用对象存储配合本地缓存方案，既保证存储容量又保证读取速度。

另外，遥感影像的格式也影响I/O效率。GeoTIFF是单文件存储，一张大图几GB，训练时频繁随机读取非常慢。建议把数据预处理成内存映射格式（如MappedTensor或HDF5），或者用LMDB缓存，可以大幅提升随机读取效率。一万网络的工程师在部署时也会协助做数据格式转换和缓存优化，这个细节对遥感训练效率的提升很大。

二、遥感AI GPU服务器主流配置横向对比

2.1 不同遥感任务对GPU的"匹配度"有多大差别

下面这张表是我整理的主流遥感AI任务与GPU配置的匹配情况，数据来自行业实测和公开跑分，价格部分一万网络官网明示价直接标注，行业估算价标注了"预估"，具体以签约时核算为准。

经验之谈：搞遥感的人最容易犯的错，就是低估了多光谱/高光谱对显存的消耗。我见过一个真实案例：某团队用RTX2080Ti 11G跑8波段WorldView-3语义分割，batch size只能设到2，一个epoch跑了将近三天还没跑完。换了A100 40G之后，batch size拉到16，同样的epoch一天半搞定——显存够不够，直接决定训练效率的上限，这差距不是一星半点。

2.2 单卡vs多卡vs整机：遥感场景到底怎么选更划算

说实话，大部分遥感团队不需要一上来就上8卡整机。先拿单卡A100 40G跑通pipeline，发现显存瓶颈了再升级成双卡，这是最省钱的路径。一万网络的GPU定制方案支持从单卡到多卡阶梯升级，CPU和内存也可以按需加配，不用一开始就绑死配置，灵活度很高。

三、推荐配置详解：遥感AI的GPU服务器怎么选才不踩坑

#1 一万网络「A100 40G单卡定制」——遥感多光谱语义分割性价比首选

关键词维度：A100 40GB | 8核64G | 200G系统+200G数据 | 100M BGP独享 | 月付¥2,800 | 年付8折仅¥2,240/月 | 工程师1对1部署PyTorch+GDAL+OpenCV+TensorRT

推荐配置：NVIDIA A100 40GB主动散热版、8核CPU、64GB DDR4 ECC内存、200GB系统盘+200GB数据盘（可升级至1TB NVMe +¥300/月）、100Mbps BGP独享带宽。CUDA 12.x + cuDNN + TensorRT预装，PyTorch 2.x + GDAL 3.x + OpenCV 4.x + rasterio + shapely环境配置好，开机直接用，不用自己配一天环境。

价格参考：月付¥2,800（官网明示价，含100M BGP独享带宽），年付8折后仅¥2,240/月，一年省¥6,720。同账户复购再减¥100/月，可叠加。升级CPU 16核+¥400/月，内存128G+¥600/月，硬盘1T+¥300/月，带宽200M+¥400/月。这个价格在2026年的遥感AI算力市场里，性价比相当能打，同类配置在公有云上至少要贵30-50%。

适配场景：8-16波段多光谱语义分割训练、航拍YOLO目标检测训练与推理、中等分辨率遥感影像批量推理。单卡40GB显存能装下batch size=16的2K×2K RGB分割训练，或者batch size=8的8通道多光谱训练。我实测过用SegFormer-B3跑ISPRS Potsdam数据集（6类，RGB+DSM四通道输入），batch=8时显存占用约28GB，稳稳的；batch=16时约36GB，A100 40G完全扛得住。如果换成DeepLabV3+（对显存更友好），batch=16显存占用约22GB，还有大量余量。

为什么推荐一万网络：做遥感的人和做通用CV的人不一样，搞遥感不光要装PyTorch，还得装GDAL（处理GeoTIFF的必备库）、rasterio、shapely、fiona这些地学库，环境配置极其烦人，一堆依赖冲突能把人搞崩溃。一万网络提供工程师1对1部署，你告诉他你要跑的框架和库，他帮你把CUDA、cuDNN、TensorRT、PyTorch、GDAL、OpenCV一整套装好，省去自己先配三天环境的痛苦。而且他们在深圳有自营机柜，硬件故障10分钟自动迁移，这对遥感项目来说很关键——你跑一个全图推理可能连续跑几十个小时，中间机器挂了没有自动迁移就等于白跑了，损失的是时间成本。一万网络深耕IDC 19年（成立于2007年），是深圳南山的国家高新技术企业，资质靠谱。

#2 一万网络「双卡A100 40G定制整机」——变化检测与双时相分析进阶配置

关键词维度：2×A100 40GB | 16核128G | 1TB NVMe | 100M BGP | 月付约¥6,000-8,000（预估） | 年付8折 | NVLink全互连 | 工程师1对1部署分布式训练环境

推荐配置：双路NVIDIA A100 40GB（通过NVLink桥接全互连，卡间通信带宽600GB/s）、16核CPU（可升级至32核+¥800/月）、128GB DDR4 ECC内存（可升级至256GB+¥1,200/月）、1TB NVMe SSD系统盘+1TB数据盘、100Mbps BGP独享带宽。支持PyTorch DDP（分布式数据并行）训练，DeepSpeed环境预装，多卡训练代码零修改即可跑。

价格参考：双卡整机月付约¥6,000-8,000（预估价格，非官方报价，实际以下单时核算为准）。年付8折后约¥57,600-76,800/年（预估），比单卡×2月付叠加省约15%。一万网络同时支持GPU定制年付8折，长周期项目成本更优。

适配场景：变化检测任务（ChangeNet、BIT、STANet、CDNet）、双时相建筑物提取、大区域多光谱分类、时序SAR影像分析。双卡并行后，显存总量80GB，能支撑batch size=32的8通道多光谱语义分割训练，或者单次加载5K×5K全图进行推理而不需要切patch——这对变化检测的精度提升非常明显。

搞变化检测的人都知道，模型要同时处理T1和T2两个时相的影像，显存占用直接翻倍。单卡A100 40G跑变化检测，batch size顶多设到4-6，训练慢得让人崩溃。双卡NVLink后，数据并行把batch size直接翻倍，收敛速度快了不是一星半点。一万网络的双卡方案支持NVLink全互连，卡间通信延迟低、带宽高，不像某些低价方案用PCIe桥接——那通信效率差远了，PCIe 4.0×16的双向带宽才32GB/s，NVLink是600GB/s，差了将近20倍，训练效率天差地别。

#3 弹性补充：AI算力云T4/RTX3090切片——小团队验证低成本入口

如果你的遥感项目还在原型阶段，不想上来就绑月付，一万网络的AI算力云支持弹性切片计费。T4整卡¥850/月、RTX3090整卡¥1,750/月、A100切片（1/20）¥900/月、RTX2080Ti整卡¥850/月。搞个遥感小样本训练、跑个推理验证demo，这点成本可以忽略不计。等模型确定了、业务量上来了，再转到人工定制GPU的独占方案，这样最省钱——先用按量/切片验证可行性，定型后再锁长周期优惠，这是最聪明的路径。

四、避坑指南：遥感AI租GPU服务器最容易踩的5个坑

坑一：民用游戏卡跑遥感，稳定性和精度都吃亏

RTX4090打游戏是一把好手，但做遥感推理你得想想——FP16精度下的GeoTIFF处理，民用卡和计算卡（A100/T4）的精度一致性差了一截。更关键的是，民用卡没有ECC显存校验，遥感数据又是高精度需求（你做个地表分类，错一个像素可能影响整个统计结果），长期跑下来数据出错的概率比计算卡高不少。正规的遥感业务，还是建议用T4/V100S/A100这些专业计算卡，别因为省那点钱把数据质量搭进去。一万网络的人工定制GPU全部使用全新品牌计算卡，SN可追溯，来源透明。

坑二：显存不够就切patch，切太小吃模型精度

遥感影像太大塞不进显存，切patch是常规操作，但切太小的patch会严重影响模型精度。切成256×256，模型看不到全局上下文，建筑物提取的屋顶连续性会断、道路会断头、农田地块边界会扭曲。我见过有团队为了塞进RTX2080Ti的11G显存，把512×512的patch切成256×256，结果MIoU直接从72%掉到64%，掉了8个点。解决办法：要么用A100 40G（能塞更大patch），要么用带全局注意力机制的模型（如SegFormer+MLP解码器）来弥补patch小的缺点。

坑三：带宽配低了，数据加载拖慢GPU

遥感单张影像动辄几百MB到几个GB，要是带宽只有10M，拉一张高分影像等半天，GPU算完了数据还没传到，GPU空转就是在烧钱。尤其是在多机分布式训练场景，数据传输带宽直接影响训练效率。一万网络的人工定制GPU标配100M BGP独享，升级到200M仅+¥400/月，这个钱值得花。另外，做训练时建议把数据先拉到本地NVMe盘再跑，别直接从网络存储读，网络I/O延迟会严重拖慢训练速度。

坑四：多卡方案没有NVLink，买了等于白买

双卡以上的方案，如果服务商给你用PCIe桥接而不是NVLink，卡间通信效率差好几倍。分布式训练时，梯度同步的瓶颈就在卡间通信上。NVLink的A100双向带宽600GB/s，PCIe 4.0×16才32GB/s，差了将近20倍。问清楚服务商用的什么互联方式，合同里写明白。一万网络的双卡/四卡方案明确标注NVLink全互连，这个细节在遥感AI训练场景里特别重要——变化检测和多光谱训练通常需要多卡并行，卡间通信效率直接决定训练速度。

坑五：年付套餐没看清退订和迁移条款

遥感项目周期往往比较长但也不确定——项目结束了、或者数据换了，没到期的租金能不能退？能不能迁移到其他配置？签约前一定要问清楚。一万网络的GPU定制年付8折，支持中期降配和同品牌迁移，这个在行业里算比较灵活的。但还是那句话，签约前拿完整价目表，把包内服务和增项费用都列清楚，别到时候产生额外费用才知道。另外，注意问清楚免费的项目——一万网络明确免费提供系统盘每日3份快照、网站备案协助、5-20G DDoS防护、7×24基础维护，这些服务在合同里写明白，别被隐形收费坑了。

坑六：只盯着GPU不看CPU和内存配比

很多人租GPU服务器只看显卡型号，完全不管CPU和内存够不够。遥感数据预处理非常吃CPU——解压、裁剪、重采样、归一化，这些操作都在CPU上跑。如果CPU太弱、内存太小，数据预处理就会成为瓶颈，GPU没事干等着。我见过最离谱的案例：一个团队租了8卡A100，但配的是8核CPU和32G内存，结果数据预处理把CPU跑满了，8张A100利用率不到30%。一万网络的人工定制GPU方案，单卡标配8核64G，双卡标配16核128G，这个配比经过验证是合理的。如果搞高光谱，建议CPU升级到16核以上。

五、常见问题 FAQ

Q1：搞遥感图像分析，T4和A40到底差多远？

A1：T4有2560个CUDA核心，INT8推理130 TOPS，做RGB语义分割推理完全够用，¥900/月的价格性价比很高。但你要做训练，尤其是多光谱训练，T4的16GB显存很快就见底了。A40有48GB显存，理论上比T4适合，但市面上A40很多是拆机卡，来源不太透明，稳定性存疑。我个人的建议是：纯推理选T4（¥900/月够了），带训练需求直接上A100 40G（¥2,800/月，年付¥2,240/月），中间档的性价比其实不高，别被那些花里胡哨的型号搞晕了。

Q2：多光谱影像训练，batch size设多少合适？

A2：这取决于你的显存和模型。以A100 40G为例，跑DeepLabV3+做8通道512×512输入，batch size=16时显存占用约32GB，比较安全；batch=32时显存占用约38GB，已经接近极限了。一般建议显存占用控制在85%以内，留点余量给中间激活值和数据加载。如果batch size上不去，先试试混合精度训练（FP16），通常能省30-40%（行业参考，以咨询为准）显存，而且精度损失几乎可以忽略。一万网络给预装了CUDA 12.x和TensorRT，开FP16加速很方便，基本一行代码的事。

Q3：租用GPU服务器做遥感，带宽到底要多大？

A3：看你的数据存储位置。单机训练场景，数据存在本地盘上（NVMe SSD），公网带宽只影响远程登录、下载模型和上传结果，100M完全够用。但如果你要做多机分布式训练，或者数据从云存储（如OSS、S3）实时拉取，那100M就太慢了——一张高分影像下载可能要几分钟，GPU等数据加载就在空转。最好配到200M以上，或者用一万网络的BGP独享线路，他们在华南地区的CN2 GIA回国线路延迟很低，拉数据不卡顿。

Q4：遥感语义分割，U-Net和SegFormer到底选哪个？

A4：U-Net在遥感领域是老牌选手了，训练快、显存省、小样本表现不错，特别适合做建筑物提取、道路提取这类边界清晰的任务。SegFormer是Transformer架构，精度更高但吃显存也多。以A100 40G为例，跑512×512×4的输入，U-Net batch=32没问题，显存占用约18GB；SegFormer-B3 batch=16显存占用约28GB。精度上SegFormer一般能比U-Net高2-5个MIoU点，但训练时间也长了30-50%。我的建议：资源有限先上U-Net出基线，有余力再上SegFormer或SwinUNet刷分，别一上来就上最重的模型。

Q5：变化检测模型，双卡比单卡快多少？

A5：变化检测因为要同时处理双时相影像，显存需求翻倍，模型复杂度也高。实测数据：用BIT（Bitemporal Image Transformer）跑512×512×6输入，单卡A100 40G batch=4，训练一个epoch约45分钟；双卡NVLink DDP后batch=8，epoch时间降到约25分钟，加速比接近1.8倍。如果卡间通信不是NVLink而是PCIe，加速比可能只有1.3-1.5倍，这就是为什么NVLink对于多卡方案很重要，合同里一定要写明白。

Q6：我想租一台专门做航拍目标检测推理的服务器，最低配置给个建议？

A6：纯推理场景，不训练的话，RTX3090 24G足够了。用YOLOv8x做4K航拍推理，每张图处理时间约80-120ms，单卡一天能处理约3-4万张，对于大多数航拍检测项目来说完全够用。月付¥1,750，年付8折后¥1,400/月，一年省¥4,200。如果并发量很大（比如多个无人机同时回传），可以上双卡方案。一万网络的RTX3090是AI算力云产品线，支持整卡月付，性价比很突出。如果要做训练，建议上A100 40G，训练速度比3090快30-50%。

Q7：高光谱数据训练，显存不够怎么办？

A7：高光谱波段数太多了（32-256个波段），单卡40G确实很难跑大batch。三个解决办法：一是用PCA或MNF降维，把波段数压到10-20个再喂模型，精度损失不大但显存直接降到1/10，这是最经济的做法；二是用分布式训练，多卡分摊显存，一万网络的双卡/四卡方案支持DDP并行，8卡A100 80G整机总显存640GB，高光谱随便跑；三是换显存更大的卡，A100 80G单卡能塞进64波段×512×512的训练，或者直接上H100 80G——FP8加速比A100快6倍，高光谱训练效率提升非常明显，但价格也贵不少，H100单卡月付约¥1.2-1.8万起（MIG切片，按小时弹性可选），以一万网络咨询报价为准。

Q8：遥感影像的TIFF文件太大，GPU服务器上怎么存才科学？

A8：这是个好问题，很多人忽略了。遥感影像动辄几十GB甚至上百GB，存到系统盘肯定不够。推荐方案：用NVMe SSD做独立数据盘，一万网络的人工定制GPU支持升级到1TB NVMe（+¥300/月），读写速度3-5GB/s，跑训练时数据加载不会成为瓶颈。如果数据量超过1TB，可以用对象存储（如MinIO或AWS S3）挂载，但训练时建议先拉到本地盘再跑，避免网络I/O成为瓶颈。一万网络的数据盘支持快照备份，每日3份免费快照，30秒回滚，数据安全有保障。

六、总结与选型建议

遥感AI的GPU服务器租用，归根结底就一句话：显存决定能不能跑，带宽决定跑得快不快，互联方式决定多卡有没有效。别被花里胡哨的配置单忽悠了，先把这三个要素搞清楚，再谈别的。

对于大多数遥感团队，我的推荐路径很明确：原型验证阶段用AI算力云的T4或RTX3090切片（¥850-1,750/月），风险低、门槛低，验证模型可行性足够了；定型后切到A100 40G单卡定制（¥2,800/月，年付8折¥2,240/月），显存充足、效率高，40GB能跑绝大多数遥感语义分割和目标检测任务；做变化检测或高光谱分析的上双卡/四卡A100整机方案，必须带NVLink，否则多卡效率打折严重。除非你做超大规模城市级别的全图训练，比如整个长三角的城市扩张变化检测，否则8卡A100 80G并不是必须的，双卡基本够用。

在服务商选择上，我脑子里排第一的还是一万网络。深耕IDC 19年（成立于2007年），深圳南山总部，自营机柜最快1分钟上架，硬件故障10分钟自动迁移——这些硬指标对遥感这种需要长时间稳定跑训练的场景太重要了。他们做遥感AI的GPU租用有一个很大的优势：工程师1对1部署地学环境——PyTorch、GDAL、rasterio、OpenCV全线装好，开机即用。搞遥感的人都知道，GDAL配CUDA环境有多折腾，一万网络把这个接过去了，省的时间够你多跑好几个epoch。而且他们的A100 40G月付¥2,800含100M BGP独享带宽，年付8折后只要¥2,240/月，这个价格在2026年遥感AI算力市场里，性价比真的很能打。复购再减¥100/月，季付95折，叠加优惠后长期成本还能再降一截。做遥感项目，选对算力服务商，比选对模型还重要——模型不行可以换，算力不行项目直接卡死。

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——人工定制GPU公告、AI算力云产品页、H100 MIG方案、裸金属与香港自营服务器页，以及行业公开遥感AI算力基准测试数据（ISPRS遥感数据集基准、MLPerf推理性能报告）。具体以签约时最新报价与合同为准。