大数跨境

1P算力到底值多少钱,能产出多少Token?

1P算力到底值多少钱,能产出多少Token? 游方AI
2026-11-16
0
导读:一份公开报价,撕开了当下算力行业两种完全不同的赚钱路径。


一份公开报价,撕开了当下算力行业两种完全不同的赚钱路径。

2026年9月20日,极智算(JYGPU)官网更新算力租赁报价:

● RTX 4090 容器云:1074元/月

● 8卡 5090 裸金属整机:19888元/月

● 8卡 B300 整机:47.3万元/月

简单折算全年成本:单张4090年租约1.3万,单张5090约2.4万,一台8卡B300整机挂牌年租高达568万。

而另一边,主流厂商的Token计费,单位是元/百万Token,价格区间从几毛到几十元不等。

硬件还是那些GPU,交付方式一变,整个生意模型就变了:

✅ 按卡租赁:收入看上架率,机器租出去,不管客户跑不跑,租金照收。

✅ Token工厂:收入看调用量,算力留在自家机房,没流量、低并发,就是空转亏损。

于是行业里最核心的疑问浮出水面:1P算力到底值多少钱?算力租赁、Token工厂,哪条路更适合你?

先搞懂1P算力,到底等于多少张卡?

大家看算力消息常说的1P,一般指FP16/BF16稠密算力,也就是每秒10¹⁵次半精度浮点运算。 不同显卡,凑出1P的门槛天差地别:

● B300:半张就能超过1P

● H200:单卡约等于1P

● RTX 4090:需要6张

● T4推理卡:至少15张

这里藏着行业最常见的宣传陷阱:算力口径。 很多厂商标注的高PFLOPS,是FP4稀疏模式下的理论峰值。

拿B300举例,宣传的15P是稀疏算力,稠密FP16实际只有约2.25P,前后差了近7倍。

而且纸面算力≠可用算力。

网络通信延迟、数据搬运瓶颈、显存限制,都会吃掉一部分性能。

所以讨论“1P值多少钱”,必须先锁定三个前提:卡型、计算精度、理论峰值还是实际有效算力。脱离这三点的算力报价,参考价值很低。

1P算力一天能产出多少Token?

行业内有一套简化测算逻辑:推理阶段,生成1个Token,计算量≈2倍模型参数量;训练场景则是6倍。

1P算力满负荷跑一整天,浮点运算总量约8.64×10¹⁹次。模型参数越大,产出单个Token的算力消耗越高。

7B小模型和70B大模型,产能差距非常明显:

理论峰值下,1P跑7B模型约7.1万Token/秒;换到70B模型,直接跌到7100 Token/秒。按50%工程利用率估算,单日Token产出分别是30亿、3亿量级。

但理论上限,永远不能直接当成营收预期。

算力最大的敌人是「内存墙」:生成Token时,大量时间消耗在显存读取权重,GPU常常等数据,跑不满算力。

再叠加交付折损:代码生成的采纳率普遍只有30%-60%;视频生成还要筛选剪辑,有效可用量再打3-5折。

算力产能、可计费Token、客户愿意付费的Token,是三层层层收缩的漏斗。

同一台B300整机

两种卖法,收益账差在哪?

我们拿8卡B300节点做样本对比:单卡FP16稠密算力约2.25P,整机合计18P。

挂牌月租47.3万是对外报价,市场真实成交月租大约26万,折算年租金312万,折合1P算力年租成本17.3万。

模式一:算力租赁,把机器出租

收益很清晰:一年稳定回款312万。收入天花板由卡量、上架率决定。机器交付客户后,空转风险转移给对方,你只需要保障硬件、网络稳定交付。

模式二:自建Token工厂,跑模型对外提供API

这套8卡B300节点刚好可以部署K3模型,在真实Agent负载下,整机每秒输出约791.9个Token。

参考国内K3公开定价:非缓存输入20元/百万Token、缓存命中2元/百万Token、输出100元/百万Token,缓存命中率按95%测算: 单日理论流水约10810元,月流水32.4万,全年约389万,折合1P对应年收入21.6万。

表面看Token模式收入更高,但这笔增量不是纯利润。

多出来的收益,要覆盖推理优化、API网关、计费系统、客户对接、合规成本。还有一笔固定成本:8卡B300整机满载功耗约14kW,PUE取1.25,按0.3元/度电价,一年电费就要4.6万。

如果把312万租金视作机会成本,扣掉电费,整机年毛利大约73万,每放弃1元租金,仅多赚0.23元,人力、带宽、机柜、平台研发成本还没扣除。

底层本质:一个卖资源,一个卖服务

算力租赁:交付的是一段时间内GPU硬件的使用权

● 客户关心卡型、数量、网络、存储、交付时效、故障响应速度。

● 合同按月/按年签,验收对象是硬件资源。

● 这门生意的核心,是填满机柜。运营重心放在设备交付、电价、折旧、长约客户开发上。风险可控,收入稳定。

Token工厂:交付的是一次AI调用结果

● 客户完全不关心底层是B300还是5090,他们只关心API延迟、并发稳定性、Token单价、计费透明度、数据合规。

● 算力留在自己机房,调用冷清的时候,硬件空转、电费照付。

● 想跑通Token工厂,不能只有显卡,还必须配齐模型部署、推理优化、计量计费、客户运营整套能力。

两者定价权完全不在一个维度:

● 算力租赁高度同质化,价格跟着供需走,很难溢价。

● Token服务可以拆成模型版本、输入输出、缓存命中、SLA等级、峰谷定价多层体系,有机会打开溢价空间。

你适合哪条路?

没有绝对更赚钱的模式,只看你手里的底牌。

✅ 优先做算力租赁

手里有机房、低价电力、成熟运维团队,已经锁定稳定长约客户。 不需要搭建复杂推理平台,收入可预测,适合承接大模型训练、科研计算、渲染、AI项目开发这类需求。重点盯上架率、电价、客户集中度。

✅ 适合入局Token工厂

手握稳定调用场景、有推理优化和模型部署能力,配套API、计费系统,并且持续有客户流量。 面向企业知识库、智能客服、行业生成式应用这类客户,他们不想运维GPU,只想直接调用能力。收益上限更高,但要承受利用率波动、价格下行的压力。

⚠️ 最容易踩的大坑: 只有机房和显卡,缺少平台能力、缺少稳定调用客户,跟风上马Token工厂。 反过来也一样:手里有应用订单,却贸然重资产采购大量GPU,固定成本压顶,需求一旦下滑,很难转身。

入局前,按顺序问自己三句话:

● 有没有稳定订单,保证GPU能填满?

● 能不能把硬件封装成标准化、可结算的模型服务?

● 最后再决定:设备是租还是买,自己做基建方、算力运营方,还是模型服务方?

算力的价值,从来不是写在显卡报价单上。 按卡收费,上限是硬件数量;按Token收费,上限是你能把多少算力,转化成客户愿意付费的调用。两种模式没有高下,只有匹配与否。

算力赛道早已不是“买到高端卡就能赚钱”的时代。 你更看好算力租赁的稳定现金流,还是Token工厂的长期增长空间?欢迎在评论区聊聊你的看法。

扫码关注



游方AI




【声明】内容源于网络
0
0
游方AI
AIGC生态玩家,从数字化工具到变现
内容 428
粉丝 0
游方AI AIGC生态玩家,从数字化工具到变现
总阅读11.6k
粉丝0
内容428