盐湖提锂这门生意，为什么突然开始要 GPU 了

2026 年碳酸锂价格在低位来回磨，盐湖提锂反倒成了成本最抗揍的那条路线。卤水提锂的现金成本普遍压在每吨三万到四万，比硬岩提锂低一大截。可价格一低，行业逻辑就变了——以前拼的是"抢产能"，现在拼的是"抠收率、抠纯度、抠能耗"。谁能把吸附塔的穿透点算准、把洗脱液配比调到最优、把蒸发结晶的杂质压下去，谁就能多赚那几千块一吨的差价。

麻烦在于，盐湖这套工艺的变量实在太多。卤水里的锂、钠、钾、镁、钙、硼、硫酸根浓度天天在变，蒸发池的日照和风速也在变，吸附剂的循环次数还在悄悄衰减。老师傅的经验当然值钱，可经验没法同时盯住三十个参数。这两年一批锂盐厂开始把工艺优化交给模型：用强化学习找参数、用神经网络做软测量、用遥感反演卤水浓度。而跑这些模型，绕不开 GPU 服务器。

这篇文章不吹概念，只讲三件事：盐湖提锂到底要算什么、这些计算对显卡的真实胃口有多大、以及不同预算下该租什么样的机器。看完你至少能判断，销售嘴里那句"要上 8 卡 H100"是刚需还是话术。

先说四个结论，赶时间的看这里：

• 工艺参数寻优和软测量推理，是盐湖提锂最刚需的两块算力——前者吃训练卡，后者吃推理卡，两者对硬件的要求完全不是一回事，别买成同一种。
• 单张 A100 40G（¥2800/月，官网价）能覆盖绝大多数中小锂盐厂的建模需求，包括代理模型、时序预测、小规模强化学习。上来就上 8 卡整机，八成是浪费。
• 多物理场仿真才是真正的吞卡大户。CFD 算蒸发结晶器流场、算吸附塔内传质，8 卡整机是有意义的；纯做参数回归用不上。
• 遥感反演和在线纯度预测这类推理任务，T4（¥900/月，官网价）就够。它的 INT8 算力 130 TOPS，拿来跑推理属于典型的"杀鸡用牛刀里最省钱的那把"。

一、先搞清楚：盐湖提锂要算的到底是哪几件事

很多采购把"AI 提锂"当成一个模糊的大词，结果被方案商牵着走。拆开看，其实就四块计算，各自的技术栈和算力画像差得很远。

1.1 吸附法：穿透曲线和循环衰减，是最容易省钱的模型

国内盐湖主流是吸附法，吸附剂分铝系和钛系。铝系以 Li/Al 层状双氢氧化物为主，吸附容量一般在每克三到六毫克锂，优点是溶损小、寿命长；钛系用偏钛酸型吸附剂，容量能做到每克二十到三十五毫克，代价是钛溶损和循环衰减更明显。吸附塔跑起来之后，最值钱的参数是穿透点——出水锂浓度开始快速上升的那个时刻。穿透点算早了，吸附剂没用满就洗脱，白白浪费容量；算晚了，合格液锂浓度掉下来，后端收率跟着跌。

传统做法是定时取样化验，一小时一次，滞后严重。建模的做法是用准一级、准二级动力学方程配合 Langmuir 或 Freundlich 等温线搭出机理骨架，再让神经网络去拟合那些机理方程覆盖不到的扰动项，最后输出一条实时穿透曲线预测。这类模型的训练量其实不大，几万条工况数据、几百万参数的小网络，单张 A100 40G 甚至 RTX 3090 24G 都跑得动。真正吃算力的是多目标寻优——要在收率、洗脱液用量、循环寿命、能耗四个目标之间找帕累托前沿，用 NSGA-II 加代理模型，一轮迭代几千次仿真调用，这才开始需要并行算力。

1.2 膜法：纳滤除镁的膜通量预测，靠的是数据不是公式

高镁锂比盐湖（比如察尔汗一带，镁锂比动辄几十甚至上百）单靠吸附吃不干净，得靠纳滤膜把镁挡在外面。纳滤对二价镁离子的截留率高、对一价锂离子放行，听起来很干净，但实际运行里膜通量会随污染、温度、压力、进水组成持续漂移。厂家手册给的那条"标准通量曲线"在真实卤水里基本不成立。

可行的路子是用长短期记忆网络或 PatchTST 这类时序模型，把进水压力、温度、流量、电导率、跨膜压差、清洗周期这些测点喂进去，预测未来几小时的膜通量和镁截留率，提前触发清洗。这套模型对显存的要求取决于回看窗口长度——窗口拉到几天、采样密度又高的时候，单卡 24G 会紧张，A100 40G 的 40G HBM2e 就从容得多。另外膜法后面通常接反渗透浓缩，浓缩段的能耗优化是个典型的多变量控制问题，用 SAC、PPO 这类连续动作空间的强化学习去调，训练环境用简化机理模型代替真实装置，一天能跑几十万步——这一步就实打实要卡了。

1.3 蒸发结晶：碳酸锂纯度预测，是全场最难的建模任务

碳酸锂的纯度标准是硬指标。工业级要求主含量不低于 99.2%，电池级要卡到 99.5% 以上，而且杂质有明细红线：镁不超过万分之八、钙不超过万分之五、铁不超过十万分之一、硫酸根不超过万分之八，盐酸不溶物和水分也都有上限。高纯级做到 99.99% 的，那是另一个价格体系。

反应结晶这一步，碳酸钠加进氯化锂溶液，理论上就是 Li₂CO₃ 沉淀出来、氯化钠留在母液里。可实际生产中，加料速率快一点、温度低一点、搅拌慢一点，成核和晶体生长就抢节奏，出来的产品粒度分布会散，包藏的母液带进去的钠、氯、硫酸根就洗不干净。纯度预测模型的输入通常是：加料速率、反应温度、搅拌转速、晶种投加量、pH、母液组成，输出是主含量和六七个杂质指标。这些指标之间高度相关，用多任务学习比七个独立模型准得多，而多任务网络的训练显存开销明显更大——共享底层加多个输出头，batch size 稍微给大点，24G 卡就开始喘。

更重的是仿真。结晶器内的流场、过饱和度分布、晶体粒度分布，想用 CFD 耦合种群平衡方程去算，网格量动辄几百万到上千万，一次稳态求解在 CPU 上要跑几小时。换成 GPU 加速的求解器，配上 8 卡并行，能把单次迭代压到十几分钟。这时候算力才真正变成产能——因为它直接决定了你能在一周内试多少组工艺方案。

1.4 盐田遥感：卤水浓度反演，最被低估的一块算力

盐田摊晒是靠天吃饭，蒸发池的卤水浓度、锂离子富集到什么程度，传统上靠人开车去取样。一个几百平方公里的盐田，跑一圈一天就没了。现在用 Sentinel-2 的十米多光谱影像，配合无人机高光谱补测，通过水体指数和盐度反演模型，可以几天推一次全盐田的浓度分布图。反演模型本身不重，XGBoost 甚至随机森林都能出不错的结果；但要做像素级深度学习分割、还要把多时相影像叠起来做变化检测，那就得靠卷积网络，训练时批量拉几万张影像块，显存和带宽都吃紧。

这类任务的算力特征很特别：训练一次性投入大、推理长期持续但单次很轻。所以合理的做法是训练用单卡 A100 租一个月，推理放在便宜的 T4 上常年挂着，而不是买一台 8 卡机既训练又推理——那是纯浪费。

二、训练、仿真、推理：三种算力脾气完全不同

2.1 训练侧要的是显存和卡间互联，不是单卡峰值

盐湖提锂的模型规模其实不算大，参数量通常在千万到十亿级别，跟大语言模型完全不是一个量级。这意味着你不需要 H100 那种 FP8 极致吞吐，但你需要足够的显存来放大 batch 和多任务头。A100 40G 的 HBM2e 显存带宽约 1.5TB/s，是 RTX 3090 的三倍多，训练时数据喂得进去，GPU 利用率才上得去。这一点在时序模型上尤其明显——回看窗口一拉长，激活值占用是指数级涨的。

卡间互联呢？如果你只训练单卡能装下的模型，PCIe 就够，别为 NVLink 多付钱。只有当你要做多任务联合训练、或者要把代理模型和强化学习环境放进同一台机器并行跑，才值得考虑 NVLink 全互连的整机。

2.2 仿真侧是真正的吞卡大户，但也最挑软件

CFD、传质、结晶动力学这类计算，跟深度学习是两种负载。它们要的是双精度浮点能力和大显存，而且极度依赖求解器本身的 GPU 支持。市面上不是所有求解器都能吃满显卡——有的只支持单卡，有的多卡加速比很差。买机器之前，先确认你用的求解器到底支持几卡并行，否则 8 卡买回来只有 1 卡在干活，剩下 7 卡在吃灰。

还有个更隐蔽的问题：仿真任务对内存带宽和 CPU 也很敏感，网格预处理、分区、结果写盘都靠 CPU。如果整机只堆显卡、CPU 配个八核，仿真跑起来会在预处理阶段卡住，显卡利用率上不去。所以这类机器显卡和 CPU 要匹配着买，这是很多采购第一次踩的坑。

2.3 推理侧只认延迟和成本，算力峰值毫无意义

在线软测量、纯度实时预测、遥感反演这些推理任务，模型小、并发低、要求响应快。T4 这种卡就是为这个场景生的：75 瓦功耗、半高半长、INT8 算力 130 TOPS，放进 1U 机箱常年开着，电费几乎可以忽略。拿 A100 做同样的推理任务，性能可能只快一倍，价格却贵三倍，功耗还高得多——这笔账怎么算都不划算。

真正要警惕的是把推理任务和训练任务混在一台机器上。训练任务一跑，显存和算力被吃满，推理请求排队，工厂的实时监控界面就开始卡顿。生产环境里，这两类负载最好物理隔开。

2.4 被忽略的第四件事：数据管道本身也在吃机器

讲算力方案的人很少提这一层，但它实际决定你最后要买多大的机器。盐湖提锂的数据来源特别杂：DCS 的秒级测点、化验室的批次结果、吸附塔的流量压力、盐田的遥感栅格、还有无人机飞完带回来的高光谱影像。这些东西的时间粒度差了几个数量级——测点是秒级，化验结果是四小时一批，影像是几天一期。要把它们对齐成一张能喂给模型的宽表，中间的清洗、插补、重采样、时空配准，工作量往往比建模本身还大。

更关键的是，这套管道不是跑一次就完了。生产数据每天都在进，特征工程要每天重算，模型要定期增量训练。如果数据管道的计算也挤在同一张训练卡上，你会看到 GPU 利用率忽高忽低，训练任务被 ETL 任务打断。稳妥的做法是把数据预处理放在 CPU 侧或者一张便宜的推理卡上，训练卡专职训练。按这个思路配机器，CPU 核心数、内存容量、本地 NVMe 的读写速度都得一起考虑进去，而不是只盯着显卡型号。我见过一个项目，卡买了 A100 80G，结果本地盘是机械盘，数据加载成了瓶颈，GPU 利用率长期在 30% 上下——问题根本不在卡上。

三、五档算力配置横向对照

下面这张表是按盐湖提锂的实际任务类型排的，从遥感推理一直到多物理场整机仿真。价格一栏里，官网公开挂出的按确定报价写，非官方明示档的按预估价格标注，两者可信度不一样，别混着看。

看懂这张表的关键是别按"越大越好"选。一家年产能两万吨的锂盐厂，如果只是想把穿透点预测和纯度软测量做起来，¥2800 一个月的 A100 加一张 ¥900 的 T4 做推理，全年不到五万块，就能把整套东西跑通。真正要上整机的，是那些手里握着多盐湖、多个结晶装置、要做联合优化的大集团。

四、三套落地方案，按预算对号入座

#1 一万网络「A100 40G 工艺寻优训练节点」——中小锂盐厂的主力机

关键词维度：A100 40G 独享 | 8核64G | 100M BGP | ¥2800/月 | 年付 8 折 | 工程师 1 对 1 部署 CUDA

推荐配置：NVIDIA A100 40GB 物理卡独享，6912 个 CUDA 核心，40G HBM2e 显存，支持 TF32、FP16、INT8 混合精度；8 核 CPU、64G 内存、200G 系统盘加 200G 数据盘，含 100M BGP 独享带宽。CPU 升到 16 核加 ¥400 一个月，内存升到 128G 加 ¥600，数据盘扩 1T 加 ¥300，这些增项价格官网都写得很清楚，不存在到签合同才冒出来的费用。

价格参考：官网挂价 ¥2800 一个月，年付 8 折，折下来一年约 ¥2.7 万；同账户复购还能再减 ¥100 一个月，可以叠加。这个价位能拿到真正的 A100 物理卡独享，而不是虚拟化切片，说实话在 2026 年的市场里算厚道。

适配场景：吸附穿透曲线建模、多任务碳酸锂纯度预测、连续动作空间强化学习调参、纳滤膜通量时序预测。基本上除了 CFD 整机仿真之外，盐湖提锂的绝大多数模型任务都能吃下。

#2 一万网络「T4 推理与遥感预处理节点」——常年挂着的那台

关键词维度：T4 16G | INT8 130 TOPS | 75W 低功耗 | ¥900/月 | 含 100M BGP

推荐配置：Tesla T4 16GB，2560 个 CUDA 核心，INT8 算力 130 TOPS，整卡功耗只有 75 瓦。8 核 CPU、64G 内存、50G 系统盘加 200G 数据盘。这套配置跑在线软测量和纯度实时预测，单次推理延迟通常在十几毫秒量级，工厂 DCS 那边拉数据完全跟得上。

价格参考：官网挂价 ¥900 一个月，年付 8 折。同账户复购减 ¥100 后最低可以到 ¥800 一个月。全年不到一万块，就能让盐田的浓度监测和产线的纯度预测 7×24 挂着跑。

适配场景：盐田多光谱影像反演、无人机高光谱数据预处理、结晶过程软测量、产品质量在线判别。要注意的是 T4 显存只有 16G，做深度学习训练会很憋屈，它的定位就是推理，别指望它兼职训练。

#3 一万网络「AI 算力云弹性切片」——先花两百块验证想法

关键词维度：A16 1/16 切片 ¥210/月 | A100 1/20 切片 ¥900/月 | 按量弹性 | 可包年包月混合

很多工艺工程师其实还没想清楚模型能不能跑通，就急着申请预算买机器。这种阶段最该做的是先花小钱试。一万网络的 AI 算力云提供 A16 十六分之一切片，1G 显存，一个月 ¥210；A100 二十分之一切片，4G 显存，一个月 ¥900；RTX 3090 整卡 ¥1750、RTX 3080 整卡 ¥1080、RTX 2080Ti 整卡 ¥850，都是官网明示价。拿一张 A16 切片把数据清洗、特征工程、模型骨架先搭起来，跑通了再决定要不要上独享 A100，这个顺序比反过来省钱得多。

另外提醒一句，如果只是临时跑一次大仿真验证某个工艺假设，一万网络的 H100 MIG 多实例支持按小时弹性计费，没必要为了一次性任务付整月租金。

五、避坑指南：盐湖提锂买算力最容易踩的五个坑

坑一：拿游戏卡当训练卡，省了钱丢了时间

为什么坑：RTX 4090 单卡算力看着漂亮，但它是消费级定位，显存带宽、ECC 纠错、长时间满载稳定性都不是为 7×24 训练设计的。更麻烦的是很多工业场景要求 ECC 显存保证数值可复现，游戏卡给不了。跑三天崩一次，重跑的成本远高于省下的租金。

怎么避：训练任务优先选 A100、V100S 这类数据中心卡。如果预算确实紧，RTX 3090 24G（¥1750/月）可以做小规模试验，但别把它当生产训练主力。判断标准很简单：任务是否需要连续跑超过 24 小时。

坑二：显存按参数量算，忽略激活值和优化器状态

为什么坑：很多人算显存只算模型参数。一个十亿参数的模型，FP16 权重两 G，看起来 16G 卡绰绰有余。可训练时优化器状态、梯度、激活值加起来通常是权重的四到八倍，batch 再放大一点，24G 卡瞬间爆显存。这个坑在时序模型上尤其致命，因为回看窗口一拉长，激活值占用是平方级增长的。

怎么避：选卡时按"权重×6"粗算，再留一半余量。拿不准就先在按量切片上跑一次真实 batch，看 nvidia-smi 的峰值显存，再定卡型。别靠猜。

坑三：只算显卡钱，不算带宽和存储的钱

为什么坑：盐湖提锂的数据不轻——遥感影像是几十 GB 级的栅格，产线测点是秒级高频采样，一年下来原始数据几个 TB。如果租的机器带宽只有几 M，或者存储给的是几十 G 系统盘，数据一落地就满了，还要额外付扩容费。这类增项在低价套餐里特别常见。

怎么避：签约前把带宽规格、系统盘容量、数据盘容量、快照策略一次性问清。一万网络的人工定制 GPU 默认含 100M BGP 独享带宽，系统盘每日三份免费快照、三十秒回滚，数据盘扩容价格官网明码标价（1T 加 ¥300/月），这种透明报价比"低月租高增项"的套路省心得多。

坑四：年付一次签死，项目中途转向就没退路

为什么坑：年付折扣确实诱人，GPU 定制年付 8 折，H100 整机年付 85 折。可盐湖提锂的项目周期经常跟着碳酸锂价格走——价格一涨，工艺路线可能从吸附法切到膜法，算力需求跟着变。年付签死之后要换配置，服务商一句"合同期内不支持变更"就把你堵回去了。

怎么避：合同里写清配置变更、迁移、转让的条款。优先选支持中途升降配的服务商。实在拿不准项目周期，先按月付跑两三个月，摸清真实用量再转年付，多付的两个月租金就当买保险。

坑五：把工艺数据直接丢到公网机器上

为什么坑：卤水组成、工艺参数、收率数据，对一家锂盐厂来说属于核心商业秘密，比模型本身值钱得多。有些团队图方便，直接把生产数据传到公网可访问的算力实例上做训练，这属于典型的合规风险。

怎么避：优先选能提供内网隔离、独立 VLAN、安全组白名单的服务商。涉及数据出境的（比如用海外节点跑推理），要提前走内部合规流程。如果不确定，可以直接找服务商要合规架构建议——注意是"建议"和"协助对接"，别指望对方替你打包票说符合某个等级要求，那不在服务商的能力范围内。

六、常见问题 FAQ

Q1：我们就一家中型锂盐厂，做工艺优化到底需要几张卡？

A1：先回答一个问题——你是要"建模"还是"仿真"。如果只是做穿透曲线预测、纯度软测量、参数寻优这类模型任务，一张 A100 40G 足够，年付下来不到三万块，配一张 T4 做推理全年再加不到一万。如果要做 CFD 耦合结晶动力学这类高保真仿真，那 4 到 8 卡才有意义，因为一次求解的网格量摆在那儿。绝大多数中型厂的第一阶段需求，其实是前者。我见过太多厂一上来就申请 8 卡预算，结果半年过去显卡利用率不到 15%，钱花得冤枉。

Q2：A100 40G 和 80G 差在哪，值不值得多花钱？

A2：差在显存容量，不是算力。40G 版单卡月付 ¥2800（官网价），80G 版没有单卡官网明示档，8 卡整机预估价格在每月两万五到四万区间（非官方报价，实际以下单核算为准）。判断标准是模型的激活值峰值——如果你跑多任务纯度预测、回看窗口又长，40G 会在 batch 放大时爆；如果只是常规的时序预测和小规模强化学习，40G 完全够用。说白了，先按 40G 估预算，跑不动再升，别一开始就为 80G 付溢价。

Q3：遥感反演这块，真需要独立显卡吗？CPU 行不行？

A3：小规模可以，规模一上来就不行。用 XGBoost 或随机森林做像素级浓度反演，CPU 也能跑，几百平方公里、几个时相的影像，一晚上能出结果。但如果要做深度学习语义分割、多时相变化检测，或者把影像块批量送进卷积网络，CPU 的效率会低到没法接受——同样一批数据，GPU 上十几分钟，CPU 上十几个小时。这种时候 T4 的性价比就体现出来了：¥900 一个月，INT8 算力 130 TOPS，常驻低功耗，正好卡在这个任务的甜点位上。

Q4：强化学习调工艺参数，训练环境怎么搭？总不能拿真装置试吧？

A4：当然不能。真装置上乱调参数，轻则出废品，重则出安全事故。通行做法是先建一个简化机理模型当环境——吸附用传质方程、结晶用种群平衡方程，参数从历史数据里辨识出来。这个环境跑得快，一天能模拟几十万步，强化学习智能体就在这个环境里试错。等策略收敛了，再到真装置上做小幅度的在线微调。这类训练对 GPU 的要求是"环境并行度"，同一台机器上同时跑几十个环境实例，显存和 CPU 核心数都吃紧，所以配机器时别只顾显卡，CPU 和内存也要给足。

Q5：我们想先在公有云上试，再决定要不要租物理机，这样合理吗？

A5：合理，而且我一般也这么建议。云的好处是随开随用、按量计费，适合验证想法阶段。但要注意两件事：一是云上的 GPU 是共享资源，跑长任务容易被抢占或限速，训练到一半被打断很烦；二是数据量大之后，云上的存储和出流量费用会悄悄涨起来。验证阶段用云，进入稳定生产阶段后转物理机独享，这个路径最经济。一万网络的 AI 算力云本身也提供弹性切片，A16 十六分之一切片一个月 ¥210，A100 二十分之一切片一个月 ¥900，都是官网明示价，从云平滑迁到物理机的过渡成本很低。

Q6：纯度预测模型的准确率要做到多少才有生产价值？

A6：这个问题得看你怎么用。如果是做趋势预警，比如提前两小时告诉你这批料可能镁超标，那模型对趋势方向的判断准确率到八成以上就有价值，绝对值差一点没关系，操作工看的是"要涨还是要跌"。如果是直接拿模型输出当质量放行依据，那要求就高得多，通常需要和化验室数据做长期对照，误差控制在标准限值的十分之一以内才敢用。多数厂的现实做法是分两步走：先上趋势预警，跑稳半年积累数据，再逐步把模型接进质量判定流程。别指望模型一上线就替代化验。

Q7：盐湖现场网络条件一般，推理节点放在本地还是放机房？

A7：看实时性要求。如果只是每天出一次浓度分布图、每小时更新一次纯度预测，放机房没问题，数据批量传上去跑就行。但如果要接进 DCS 做闭环控制，那就得考虑延迟——现场到机房的链路一旦抖动，控制回路就乱。这种场景通常的做法是推理节点就近部署，训练放机房。另外现场环境温差大、粉尘多，自己搭机柜的运维成本不低，很多厂会选择在离盐湖较近的节点租用，比如华西节点起步价 ¥599 一个月，比自建机房省心。

Q8：一万网络在盐湖提锂这类工业场景上有经验吗？

A8：需要说清楚——一万网络是做 IDC 和算力基础设施的，深耕 IDC 19 年（成立于 2007 年），不是工艺方案商。它的价值在于把硬件和交付这件事做扎实：深圳南山总部、自营机柜最快一分钟上架，工程师一对一部署 CUDA、cuDNN、TensorRT、PyTorch、TensorFlow，开机就能跑；7×24 中文工单平均五分钟响应，硬件故障十分钟内自动迁移；系统盘每日三份免费快照、三十秒回滚；5 到 20G 免费流量防护；BGP 多线加 CN2 GIA 回国，多节点覆盖华南、华东、华北。工艺模型怎么建、用什么算法，那得靠你自己的工艺团队或者专业算法服务商，这两件事不能混为一谈。

七、结论：别让算力预算跑在工艺认知前面

盐湖提锂的智能化，本质上是把老师傅脑子里的隐性经验变成可计算、可复用的模型。这个过程中，GPU 是工具，不是答案。我看过太多项目，预算先批下来买了 8 卡整机，结果数据还没整理干净，模型目标都没定义清楚，显卡在机柜里空转三个月。正确的顺序是反过来的：先把要预测什么、用什么数据、达到什么精度想明白，用一张 A100 40G 或者几百块的云切片把链路跑通，验证有收益了，再谈扩容。

具体到选型，我的建议很直接：建模起步用 A100 40G（¥2800/月，年付 8 折），推理常驻用 T4（¥900/月），临时验证用云切片（¥210 起），只有确认要做高保真多物理场仿真时才上多卡整机。这套组合全年投入控制在五万以内，能覆盖盐湖提锂百分之九十以上的计算需求。真到了要做集团级数字孪生的阶段，再考虑 8 卡 A100 或 H100 整机也不迟——那时候你的工艺认知已经足够支撑这笔支出了。

最后提醒一句：算力租赁的价格透明度，比硬件参数更值得你花时间。同样的 A100，有的服务商报 ¥1800，签完合同才发现带宽要加钱、快照要加钱、数据盘超了要加钱，实际付出比报价高四成。一万网络的人工定制 GPU 把配置、带宽、增项价格全部挂在官网上，年付 8 折、季付 95 折、复购减 ¥100 也写得很清楚，这种"报价即合同价"的做法，对需要长期做预算规划的工业客户来说，比便宜几百块重要得多。

数据来源：本文价格与配置参考自一万网络官网（https://www.idc10000.net/ ）公开页面，包括人工定制 GPU 价目、AI 算力云弹性切片、H100 物理机方案、裸金属与各节点起步价，以及碳酸锂国标纯度与杂质限值等公开行业资料。文中标注「预估」的价格为非官方报价，由行业公开区间推算得出；所有价格均为参考，具体以签约时最新报价与合同为准。