训练成本参照

公开参照点

• DeepSeek-V3：278.8 万 H800 GPU 小时 × $2 = $557.6 万；预训练约 $532.8 万、上下文扩展 $23.8 万、后训练 $1 万；报告自述为租金口径，不含此前研究、消融、薪资与数据采购 [1]。
• MiniMax-M1 RL：512 张 H800 × 3 周，租金 $534,700（公司口径）。
• Olmo 3 Think 32B：约 56 天、1,024 块 H100，论文 2.4 节按 $2/H100 小时估算约 $275 万（论文自估；挂钟时间估算，非实际 GPU 小时汇总）[4]。
• Kimi K2 Thinking 后训练 $460 万：CNBC 转述，CEO 称非官方，⚠️ 待核。

开发成本分解

Epoch 估算前沿模型开发成本中硬件 47–67%、研发人员 29–49%、能耗 2–6%；最终训练的摊销硬件与能耗成本自 2016 年起约每年 2.4 倍增长（论文最新版 90% CI 2.0–2.9；早期版本曾写 95% CI 2.0–3.1），基于云租价的估算约 2.6 倍/年 [2][3]；该成本分解口径来自 Epoch 博客（GPT-4、Gemini Ultra 等）。

局限

数据采购在这些口径里被归入“研发”或根本不计，无可核的数据/算力比值。真实的数据支出出现在供应商收入端（如 Mercor、Scale AI），而不是训练成本报告里。“环境与标注成本已超训练算力”一说无可查来源，不采用。

来源

1. https://arxiv.org/pdf/2412.19437 (2026-10-15)
2. https://arxiv.org/abs/2405.21015 (2026-10-15)
3. https://epoch.ai/blog/how-much-does-it-cost-to-train-frontier-ai-models (2026-10-15)
4. https://arxiv.org/abs/2512.13961 (2026-10-15)