企业官网建设流程全解析

过去半年，我几乎把所有能搜到的“AI绘画算力”相关讨论都看了一遍，也把自己的钱和时间砸进去试了一圈：先是本地自购了一张24GB显存的显卡，每天下班后就对着机箱折腾；中间因为出差多、算力需求不稳定，改用云GPU按小时租；最近两三个月，又开始尝试共享算力，用来跑那些不急着要结果的大批量测试。说实话，这三条路没有哪一条是绝对赢家，但每一条的坑和甜头，我都算是摸清了。

这篇文章就把我半年的实测过程完整摊开：自购显卡怎么选型号、显存和算力到底怎么权衡；云GPU平台怎么挑、怎么避免“买完卡开机就排队”的坑；共享算力便宜到什么程度、又能坑到什么程度。文章最后会给出一个基于你实际使用时长和预算的决策清单。如果你是刚刚开始玩AI绘画的新手，或者已经在考虑升级显卡的老手，都应该能从里面找到至少一个能直接用上的结论。

1. 先说结论：三条路怎么选，看的是你的“使用形状”

1.1 我半年到底在测什么场景

我提到的“使用形状”，指的是你每天、每周到底有多少实际的出图需求，集中在什么时间。拿我自己来说，AI绘画已经是我内容创作流程里正式的组成部分，不是随便玩两下。测试期间我主力跑的是Stable Diffusion WebUI和ComfyUI两个框架，任务包括文生图、图生图、局部重绘、ControlNet姿态控制、SDXL大图测试，偶尔还会跑LoRA训练。

这段时间我刻意做了一件很“折腾”的事：同样一批图和同样的参数，分别在三套方案上反复跑，记录每张图的生成时间、显卡利用率和实际花费。后来我把任务分成三类——实时交互调整出图、批量素材产出、LoRA训练。你会发现，这三类任务对算力资源的诉求完全不同，所以不存在一个方案能同时满足所有场景，这也是我最终采用混合方案的根本原因。

1.2 一句话类比：自购、云GPU、共享算力的本质区别

为了让你快速理解，我用出行来类比：

• 自购显卡：相当于买了一辆自己的私家车。一次性投入最大，但用车自由，随时能开，不怕高峰和涨价。代价是你得操心保养、保险、停车费，也就是驱动、散热、电费和维护成本。
• 云GPU：相当于租车。每次用之前下单，用完还车。没有购车压力，还能体验不同档次的车，但必须按时间和里程付费，高峰期还可能没车可租。
• 共享算力：相当于拼车或者坐公交。价格最便宜，但路线、停靠点、等待时间都不完全由你控制，每天能跑多少图，得看运气。

这个类比基本能解释我后面所有的实测数据。这三条路的成本结构、稳定性、体验差异，本质上就是这三种交通方式之间的差异。你每天出门多远、什么时候出门、愿不愿意等，决定了你该选哪种方式，而不是单纯看哪个“看起来更高级”。

2. 自购显卡：本地算力到底香不香

2.1 显卡怎么挑：显存、算力、带宽一个都不能少

很多新手选显卡只看显存，觉得“24G肯定比12G强”。实际不是这样，AI绘画出图速度主要由显卡的浮点算力决定，而多大规模的画面、能不能叠加ControlNet、会不会爆显存，则由显存大小决定，两者要一起看。常见的误区是拿一张老卡Titan X（12G）和RTX 4070（12G）对比，虽然显存一样，但4070的Tensor核心、光栅单元和显存带宽要强得多，出图速度可能差2到3倍。

我的选卡标准是三步：

• 第一步，先定显存门槛。如果你只想跑SD 1.5和普通二次元模型，8G可以勉强，6G会有点吃力；如果跑SDXL，我建议至少12G；如果还想跑SD3.5 Medium或者要一边跑图一边开ControlNet加LoRA，24G是最稳妥的。显存的计算很简单：模型文件尺寸（fp16）加图像缓存加插件开销加系统预留。SD 1.5的fp16权重约4GB，SDXL约7GB，SD3.5 Medium权重在5GB左右，SD3.5 Large则要到13GB以上，如果再加上VAE和ControlNet，通常要预留模型体积的30%到50%，所以24G能让你在跑大图时不会捉襟见肘。
• 第二步，再看算力。显卡的FP16算力可以从显卡天梯图查到，比如RTX 3060大约51 TFLOPS，RTX 4090大约330 TFLOPS，差距是数量级的。更直观的方法是看实际出图速度：同一个512乘512的SD 1.5模型，3060大约5到8秒一张，4090大约1到2秒一张。速度差距会直接决定你是“改一次参数等半天”还是“唰唰唰出几十张再挑”。
• 第三步，查带宽和位宽。显存带宽影响图片解码和模型加载速度，训练时模型权重进出显存非常频繁，带宽低会明显拖后腿。比如3060带宽360GB/s左右，而3080带宽760GB/s左右，同样的12G显存，后者在训练场景下的效率会高不少。

我看过很多新手拿笔记本显卡跑ComfyUI，比如笔记本RTX 3050 4G，跑一张512的图都要等半天还容易爆显存。这种情况下即使价格便宜我也不建议买，预算不足也要优先考虑16G或24G的中端卡，比如RTX 4060 Ti 16G二手、RTX 4070 Ti Super 16G这类。

2.2 本地部署实操：从整合包到ComfyUI

本地部署对新手最友好的路是秋叶整合包。它把Python、PyTorch、CUDA、WebUI底层环境一次性打包好了，你只需要解压、双击启动器，在界面里勾选启动参数，就能进入WebUI。我自己的建议是：新手第一周先用它跑通流程，重点感受不同模型、采样器、步数对出图效果的影响，别一上来就碰命令行安装，容易劝退。

等到你开始接触ComfyUI，再去理解背后的流程引擎会更顺。ComfyUI因为是用节点图串流程，工作流自由度很高，对显存调优也更细致，比如可以在关键节点上用fp16或者fp8来降低显存占用。部署方式可以选择在整合包内集成，也可以独立安装。配置上我建议在启动参数里加上--xformers（或--opt-sdp-attention），能明显降低注意力层的显存占用。如果你的显卡经常爆显存，还可以加--medvram，不过副作用是第一张图生成会慢很多，因为要在CPU和GPU之间反复搬运模型。

模型下载这块，推荐使用国内镜像，比如ModelScope社区和HuggingFace的国内镜像站，省时省力。模型文件一般放到models/Stable-diffusion目录，VAE放到models/Vae，LoRA放到models/Lora，路径不对的话WebUI里不显示，这算是最常见的“我下了模型为什么找不到”类问题。

2.3 本地显卡踩坑实录：驱动、爆显存、利用率上不去

本地算力最大的优势是自由，但坑全藏在细节里。我随手列几个我真实碰到过的：

• 驱动装不上或者显示错误43。设备管理器里出现黄色感叹号，nvidia-smi也调用不了。我排查了几天，最后发现是Windows Update自动把驱动覆盖成了错误版本。解决办法是先用DDU在安全模式下彻底卸载，再去NVIDIA官网下载对应型号的Studio版驱动，安装时选择“自定义安装”，勾选“执行清洁安装”。如果笔记本有双显卡，记得在NVIDIA控制面板里把AI绘画程序设置为“高性能GPU”，否则可能一直在用核显跑图。
• 硬件正常但系统崩溃，事件查看器里一直报nvlddmkm错误。这个并不一定是显卡坏了，更多是驱动版本与CUDA或PyTorch不兼容。我的处理方式很简单：把显卡驱动回退到上一版，或者升级到最新稳定版本，看哪个版本稳定就固定住，不随手更新。
• ComfyUI或WebUI显卡利用率低。很多人一看任务管理器里GPU利用率只有20%，就以为是显卡坏了。实际上，如果显存占用已经很接近上限，而利用率不高，说明瓶颈在CPU或数据搬运。比如第一次生成时模型要加载，速度慢很正常；如果CPU占用也满了，就要检查是否开了太多插件，或者图片解码花太多时间。可以用命令行nvidia-smi -l 1实时看，也可以开任务管理器的“GPU”面板，对比3D、Copy、Video Decode这几个子项。

3. 云GPU：按需租算力，到底值不值

3.1 云GPU平台怎么选：别只看显存

市面上的云GPU平台很多，常见的有AutoDL、恒源云、青椒云、矩池云等。第一次用的人最容易犯的错误，是被“A100 80G”这种大显存吸引，其实对AI绘画来说，A100的性价比不一定比RTX 4090高。A100强在高精度训练和大规模并行，而Stable Diffusion这种生成任务更吃单卡Tensor Core性能，RTX 4090在多数推理场景下出图速度反而比A100快，价格还便宜得多。

我个人选择云GPU平台，会按这个顺序判断：

• 计费规则是否透明。很多平台写着“按小时计费”，但关机后存储依然收费。有些平台会区分“关机不保留数据”和“关机保留数据”两种状态，价格差很多，一定要看清楚。
• 实例启动速度。有的平台选好配置后要等几分钟才能出IP，有的平台需要人工审核，太影响体验。我会优先选那些有预置镜像、点开就能用的平台。
• 排队情况。热词里“恒源云无空闲显卡”就是典型的高峰期排队问题。如果你经常在晚上8点到12点算图，选冷门时间段排队会好很多；有些平台支持“定时开机”，也可以预设任务在凌晨自动跑。
• 网络和端口映射。能否通过自定义端口访问WebUI？很多平台有防火墙限制，不提前搞清楚，模型都拉不下来。

3.2 实操：从创建实例到跑通Stable Diffusion

以国内一个典型的云GPU平台为例，完整流程大概是：

1. 注册实名认证，充值，一般有最低充值要求。
2. 在控制台选择“GPU实例”，选择RTX 4090或按需的型号，选择PyTorch镜像。
3. 启动实例，等待分配IP和端口。
4. 用SSH工具连接，或者使用平台自带的JupyterLab。
5. 在命令行里启动WebUI。一般平台镜像自带Miniconda和PyTorch，但WebUI主体还是需要自己克隆或者从压缩包上传。如果你用的是整合包，可以先传到网盘，再在实例里下载。
6. 启动后用SSH端口转发或平台提供的自定义域名访问WebUI。
7. 出图完成后，把结果打包下载回本地，或者先传到对象存储或网盘。
8. 关机释放实例。

这里有个特别提醒：很多平台的“关机”不等于“释放”。如果你只是临时关一下，第二天还要接着用，那叫“关机保留数据”，通常按存储费用收费，每GB每天零点几元，积少成多也很可观。如果要彻底停止计费，必须销毁实例，但数据会清空，需要提前备份。我见过很多新手因为没搞清楚这个，白白多付了几十块钱。

3.3 云GPU的费用和隐藏坑

以我当时用的RTX 4090实例举例，价格大约每小时2.5元到3元，一台实例默认给50G系统盘。如果每天用6小时，一个月按20天算，大概是300到360元。相比买一张4090的一次性1.6万投入，看起来便宜，但这是在你真的只用那6小时的前提下。如果实际使用超过10小时每天，月成本可能超过600元，那一年就接近7200元，这时候本地卡就更有优势了。

隐藏坑还有几个：

• 数据迁移慢。很多平台的上传带宽有限，一个10GB的模型压缩包可能传半小时。解决办法是选择离你近的机房，或者用平台提供的“数据填充”功能先拉取开源模型，再覆盖你想要的模型。
• 端口冲突。多个实例都默认占用8888端口时，访问会串台。配置端口映射时一定要指定自己的端口。
• 平台经营风险。预充值几千元在小平台，结果平台下线或者服务缩水，钱很难追回来。所以第一次使用尽量小金额充值，或者选支持按量计费的平台。

4. 共享算力：便宜是真便宜，坑也是真多

4.1 共享算力到底是什么形态

共享算力这个词在不同平台含义不太一样。有些是平台把闲置的显卡集中调度，有些是平台把一台机器拆成多份卖给多个用户，比如一块A100 80G切割成4个20G的实例，每个用户用一部分。还有一种是整个进程共享CPU和带宽，给你1/4的核和1/4的显存额度，但物理卡还是同一张。

我测试的共享算力主要是后两种：显存切割和整机分时共享。它们的共同特点是价格便宜，普遍只有独享云GPU的40%到60%，但性能不稳定，因为邻居可能会抢占CPU、带宽和显存带宽。这个模式有点像大学时的公共洗衣机：便宜、随时能用，但永远不知道上一个人洗了什么，洗得干不干净全看运气。

4.2 实测结果：同样的任务，速度波动有多大

我专门做过一次对照测试：同一张图、同一个采样步数、同一个SDXL模型，分别在独享4090和共享4090（显存切割）上跑。独享时平均约12秒一张，共享时平均约18秒一张，但波动非常大，快的时候15秒，慢的时候要40秒。系统CPU占用率经常跑到80%以上，因为同物理机的其他用户在做预处理。这种波动对批量任务还可以忍，如果是实时交互调参，体验就很糟糕了。

还有一个问题是排队。晚上8点到11点，共享实例也可能出现“无空闲显卡”的提示，并不总是随到随用。平台可能会让你排队等待，或者强制你选择其他时间段。热词里“恒源云无空闲显卡解决方法”其实就是用户总结出的套路：提前一天预约、选冷门城市节点、避开晚高峰。

4.3 什么情况下共享算力值得用

经过实测，我认为共享算力适合四类人：

• 预算极其有限的学生或新人，想用最低成本体验SDXL。
• 跑大批量测试任务，比如批量生成100张不同风格的底图，不急着要结果。
• 平台有闲时特惠活动，凌晨单价能压到0.5元每小时以下。
• 临时测试某个模型或工作流，跑一次就够。

不适合的人也很明确：商业交付、客户急单、需要稳定出图速度的团队，以及需要长期运行LoRA训练的用户。共享算力在训练场景下的问题更明显，因为训练需要频繁读取权重和梯度，邻居一抢带宽，训练速度直接砍半，甚至导致卡顿重启。

5. 三条路的完整成本账与决策清单

5.1 一张表看清单次投入和月度成本

我把我半年累计的真实花费整理如下。注意这是国内行情，不同地区和平台会有差异，但比例关系有一定参考价值。

这里最关键的一点是：自购显卡的月成本虽然低，但它的“买入”是沉没成本，你一旦不用了，二手折价和闲置损耗也是实打实亏的。所以不能只看月成本，要看“总使用时长”。

5.2 时间到底值多少钱

我算过自己一笔账：每次从云GPU平台上把生成好的大图拉回本地，如果一张4K大图有20MB，传10张就是200MB，加上启动实例和部署环境，整个过程至少要花10到20分钟。如果每天重复一次，每月浪费8小时。假设时薪50元，这些时间价值400元。而自购本地卡完全省掉了这部分时间，因为结果直接在本地。

共享算力更夸张，我在排队上浪费的时间有时候比运行时间还长。所以如果你的时间很值钱，选择方案的优先级应该是自购本地卡大于云GPU独享，最后才是共享算力。反过来，如果时间不值钱、预算有限，优先顺序可以完全反过来。

5.3 给出一个可直接套用的决策公式

我最后给自己的选择标准是这样一句话：算力总成本等于显性花费加时间成本加风险成本，风险成本包括硬件折旧、平台波动、数据安全。把每种方案按这个公式算一遍，再结合自己的使用频率，答案就很清晰了。

简单给一个套用示例：

• 如果你每周稳定出图超过20小时，光云GPU每月就要上千元，半年下来足够买一张中端卡，那就直接自购。
• 如果你只是偶尔做几张壁纸、头像，一周用不到5小时，云GPU按小时租或共享算力更划算，别跟风买显卡。
• 如果你既要本地交互又要跑批量，那就“本地为主加云端为辅”的混合模式，这也是我最终采用的方案。

6. 不同人群的最优组合方案

6.1 新手入门：先租后买，别一上来就掏钱

我的建议很直接：新手先别买显卡，用云GPU的按小时计费模式，花几十块钱把你常用的WebUI和ComfyUI流程跑熟。你会在过程中发现自己真实的算力需求，是喜欢SDXL大图、需要经常跑LoRA，还是偶尔画头图就够了。等确定要长期用，再考虑买卡。

预算3000以内的新手，可以考虑二手RTX 3060 12G。它虽然算力一般，但12G显存对SD 1.5和SDXL都够用，二手价格也不高，玩腻了再出掉损失也不大。预算5000左右就上RTX 4060 Ti 16G，16G显存让SDXL的舒适度提升一大截，能耗也比较低。只有当你打算训练LoRA并把AI绘画当作核心生产力工具时，才值得咬牙上24G显存的中高端卡，比如RTX 3090二手或RTX 4090。

6.2 自由职业与小型工作室：本地为主，云端兜底

如果你靠AI绘画接单，或者每天必须稳定出图，我强烈建议以本地卡为主。自由职业者最怕的就是平台突然无法使用、排队等不起、或者商业项目数据隐私问题。本地卡能保证你的核心流程不受外部因素影响。

但也不要完全放弃云GPU。遇到批量大图渲染、多任务并行、需要连跑一整晚的高强度项目时，本地卡算力可能不够，而且24小时满负荷对散热和寿命也是考验。这段时间可以把任务丢到云端跑，本地继续做别的。我目前就是这种组合：本地一张24G显存的中高端卡负责交互调参和LoRA训练，云端按需租4090跑批量渲染和大型ControlNet测试。

6.3 企业级本地大模型部署：关注算力卡类型而非游戏卡

热词里有“企业搭建本地大模型”，这里单独提醒一下。企业采购时不要只看游戏显卡，除非是个人工作室小规模尝试。对于需要部署70B以上参数量模型或者持续高频推理的场景，应该考虑专业推理卡，比如L20、A10、A100、L40S等，它们有更大的显存和更好的虚拟化支持，带ECC内存，长时间稳定运行不容易出错。

但反过来，如果企业只是部署一个7B或者13B的开源模型，用普通RTX 4090反而性价比更高，因为4090单卡推理速度很快，部署成本远低于A100。热词里“L20显卡最适合部署什么模型”的答案其实就在这：L20有48G显存，适合部署需要大显存的70B量化模型或多模型并发，但它并不适合跑Stable Diffusion这种图像生成，因为单卡算力一般，价格还贵。

7. 常见问题排查与避坑技巧实录

7.1 显卡能被识别但驱动装不上

这类问题在Windows上特别多。症状是设备管理器能看到显卡名称，但点击更新驱动总是失败，或者安装到最后提示失败。我先给一个排查顺序：

1. 用DDU彻底卸载旧驱动，重启后再安装新驱动。
2. 去官网下载Studio驱动，不要用Windows自动搜索的驱动。
3. 如果安装时提示“无法找到兼容硬件”，检查Windows系统版本是否过老，比如某些新驱动不支持Win10早期版本。
4. 如果是AMD显卡，别指望装NVIDIA的CUDA，两者硬件的计算架构不同。热词里提到AMD能“原生跑CUDA”，这实际是通过第三方兼容层实现的，性能和稳定性都有折扣。如果你只有AMD显卡，可以尝试ROCm或者ZLUDA，但我不建议入门用户折腾。

7.2 命令行查看显卡温度与占用

Windows下打开PowerShell，输入nvidia-smi就能看到当前显卡名称、显存占用、温度、功率和利用率。如果想实时刷新，可以用nvidia-smi -l 2，每2秒刷新一次。Linux下也可以装gpustat，一条命令把所有显卡的状态展示出来，很直观。

做显卡天梯对比的时候，我习惯同时看三组数：显存容量、FP16算力、显存带宽，不只看显存一个指标。比如同样标着12G，老卡和新卡的算力可能差出三倍，只看显存买卡一定踩坑。

7.3 ComfyUI出图慢或显卡利用率低

如果你发现ComfyUI生成图片时显卡利用率上不去，大部分情况不是显卡坏了，而是流程里有瓶颈。最典型的三个原因：

• 第一次生成要加载模型，从硬盘读权重进显存，这个阶段GPU占用很低，属于正常现象。
• 图片分辨率太小或模型本身很小，计算量不足以塞满整个显卡。建议调大batch size或分辨率再做测试。
• CPU处理不过来。比如ControlNet的解码、图片后处理、视频解码都在CPU上跑，CPU占用满了GPU就等数据。可以关掉无关程序，换一个性能更好的CPU，或者把部分预处理换到GPU执行，ComfyUI里很多节点有device参数，改成cuda即可。

7.4 显存不够怎么办

显存不够的直接表现是报CUDA out of memory，后面跟着一行类似“Tried to allocate 2.00 GiB (GPU 0; 24.00 GiB total capacity)”的信息。解决办法按优先级：

• 用Tiled VAE插件，把大图切成小块混合变分自编码器处理，能省1到2GB显存。
• 降低batch size，把2改成1。
• 开启fp16或BF16，很多WebUI默认就是fp16，但ComfyUI有些节点需要用fp8或快速fp16转换来省显存。
• 暂时关闭ControlNet，或者用低显存模式。
• 如果这些做完还是爆，说明显存确实不够，这是硬件下限问题，而不是优化问题。这时候老老实实租云GPU吧，别硬扛。

7.5 平台显示“该时段无空闲显卡”

这就是云GPU和共享算力最常见的排队提示。我的经验是：

• 换一个冷门时段，比如上午10点或凌晨2点，比晚高峰容易很多。
• 选择冷门城市节点。同样型号的显卡，热门节点永远缺货。
• 提前创建一个预约实例，经常可以锁定时段。
• 平台若支持“无卡模式”或“定时任务”，可以先把数据传到磁盘，等有空闲时自动开机跑任务。

到这里，我三个方案的真实体验、成本账和排查技巧基本都讲完了。最后说一个我现在还在用的组合：本地一张24G显存的中高端卡处理交互调参和LoRA训练，云GPU在高峰期批量跑任务，共享算力只用来跑不着急的大批量测试。这套组合用到现在，整体效率比我单用任何一条路都高。如果你的预算有限，哪怕只选其中一条路，我建议先云GPU起步，跑熟了再考虑买卡；至于买什么卡，量力而行，别为了“一步到位”背上不必要的压力。

最后再补一个小提醒：如果你所在的地方电力供应不太稳定，或者经常有断电风险，自购显卡的体验会大打折扣，这种环境下反而更适合云GPU。以上就是我半年真实踩坑记录中最核心的内容，拿走就能直接用。