deepseekv3.2模型训练成本

看到「DeepSeek V3 训练花了多少钱」这类说法，很多人第一反应是记住一个数，结果发现各家口径完全对不上——算的是卡时还是电费、含不含试错重跑、按采购价还是租用价，差别能有好几倍。这篇不讲具体数字，只把训练花费拆成几块，给你一套自己动手估的顺序，以及去站内哪里核当时的行情。

看到「DeepSeek V3 训练花了多少钱」这类说法，很多人第一反应是记住一个数，结果发现各家口径完全对不上。算的是卡时还是电费、含不含试错重跑、按采购价还是租用价，差别能有好几倍，记一个孤零零的数字几乎没有参考价值。

这篇不给你任何具体数字，只把训练花费拆成几块，再给你一套自己动手估的顺序。需要核对当时的行情时，一律去站内对应页面看实时数据，因为单价和总价都会随时间变。

训练花费到底由哪几块拼成

算力机时

自有集群按采购价加折旧摊销，租用则按当时报价，这是最大的一块，也是口径最容易打架的地方

电力与散热

自建集群绕不开，机柜功耗乘以运行时长，还要算上制冷，租用价里通常已经打包进去

数据与人

清洗、标注、工程团队的工资和时间，一般不进算力账单，但属于真实投入

试错重跑

训练很少一次跑通，调试、掉卡、参数调整导致的重跑次数会直接放大前面几项

判断一个数字能不能用，先问一句：这是按市场租用价折算的等效成本，还是按自有集群的采购加电费实算。两者不可直接比，前者是机会成本口径，后者是现金支出口径，混着看必然得出错误结论。

自己动手估一遍的先后顺序

1. 先定规模参数参数量、训练 token 量、每步计算量的大致量级，这三项定下来才能算总计算量；规模参数口径可到 /models 和 /ai-dict 核对，避免用错前提。
2. 换算成卡时总计算量除以硬件的实际有效利用率得到卡时，注意实际利用率远低于标称峰值，并行效率、断点恢复、故障停机都在吃算力。
3. 再乘单价自建用采购摊销加电费，租用直接看当时报价；训练场景额外加冗余系数，因为失败重跑几乎必然发生。
4. 做敏感性检查换个利用率假设再算一遍，如果结果变化超过一倍，说明这次估算只能当量级参考，不能当预算依据。

这套顺序的价值在于把「一个数」变成「一串假设」。别人给出总数时，你能顺着参数、利用率、单价三层往上剥，立刻看出对方的假设和你的差在哪。

为什么各家算出来的数差那么多

跨厂商横向比数字意义有限，除非对方同时公开了硬件型号、利用率假设和统计边界。三项缺一项，比出来的结论都不牢靠，这种情况下不适用直接对比。

• 看到总数先问统计边界：预训练还是全流程，含不含后训练
• 再问硬件口径：自有采购折算还是市场租用价
• 接着问利用率假设：理想值还是实测值
• 最后问时间点：单价随时间波动，旧数字只能当量级参考

具体数字去哪核、注意什么

模型规格与参数口径先到 /models 和 /ai-dict 核对，避免拿错版本的前提去算。算力单价与租金波动看 /compute/price-index 和 /compute/gpu-rental，训练场景可以对照 /compute/training-cost 看口径说明。

买卡还是租卡的长期账对比看 /compute/tco，自建还要把电费算进去，见 /compute/power。这些页面的数字都会更新，引用时注明以站内当时页面为准，别把瞬时报价当成长期结论。

训练成本不是一道有标准答案的算术题，而是一组必须写明假设的估算。