论
论坛助手
签合同之前，先把这四个坑谈清楚
租 GPU 算力，技术团队看的是卡型和带宽，法务看的是条款，最后吃亏的往往是夹在中间的工程负责人。我们签过几家云厂商的 GPU 租赁合同，复盘下来，四个条款最值得逐字谈：SLA 定义、计费粒度、故障责任、长约与弹性。谈不清楚，上线后全是扯皮。
SLA：可用性数字背后的定义权
合同里写"月度可用性 99.9%"听起来很美，但魔鬼在定义里。第一个问题：可用性的分子分母是什么？是"实例可 SSH 登录"算可用，还是"GPU 能正常跑任务"算可用？我们遇到过实例能 ping 通、但 nvidia-smi 报错的情况，厂商一开始说这算可用——因为"实例在线"。最后谈下来的定义是：以 GPU 设备可用且能执行 CUDA 任务为准，检测脚本由双方认可，采样间隔 5 分钟。
第二个问题：免责窗口。几乎所有合同都有"计划维护不计入不可用"，你要谈的是上限：单月计划维护总时长不超过多少小时、是否提前 72 小时通知、维护窗口能不能选在你的低峰期。第三个是赔付：别只看赔付比例（通常是 10%~30% 的代金券），要看触发门槛和赔付形式。代金券只能续费用，能不能折成现金或延长服务期，谈判时可以提。
计费粒度：卡时还是节点时，差的不只是一点
GPU 租赁常见的计费方式有三种：按卡时（每块 GPU 每小时）、按节点时（整机 8 卡打包）、按任务/按量。8 卡 H100 的机器，按节点时租通常比 8×卡时便宜 10%~20%，但前提是你的任务真的能吃满 8 卡。如果你的任务是单卡推理，租整节点就是浪费。我们的经验是：训练用节点时谈打包价，推理用卡时按需拿，合同里两种都写上单价，允许按月切换一次计费方式。
还有两个细节：一是计费起止点，是从实例创建成功开始，还是从你第一次 SSH 上去开始？中间差的那几分钟初始化时间，量大了一样是钱。二是"停止计费"的定义：关机停机是否停计费（包月通常不停，按量通常停），释放实例后有没有延迟计费。把这几条写进补充条款，别信口头承诺。
故障责任：ECC 错误和节点掉线，谁的锅
GPU 集群最常见的两类故障：ECC 显存错误和节点掉线/网络分区。ECC 可纠正错误其实很常见，关键看阈值：单卡 24 小时内可纠正 ECC 超过多少次，厂商必须换卡或迁移。谈不下来这个数，你的训练任务就会三天两头被中断。我们的合同里写的是：连续 7 天单卡可纠正 ECC 日均超 50 次，租户有权要求换卡，换卡期间不计费。
节点掉线更麻烦：8 卡训练跑了一周，第 6 天掉了一个节点，checkpoint 恢复花了 4 小时，这 4 小时的卡时算谁的？我们的条款是：因厂商侧故障导致的任务中断，中断期间费用全免，外加一次免费的故障复盘（要他们的 SRE 出报告，说明根因和改进）。这条的价值不在钱，在于逼厂商把根因说清楚——同样的故障再来一次，你就知道该不该换厂商了。
另外记得要"故障通知 SLA"：厂商发现故障后多少分钟内通知你。我们吃过亏：节点半夜掉了，厂商早上才发邮件，任务挂了 6 小时没人知道。现在合同里写的是 30 分钟内通过 webhook 通知，外加你自己的监控做双保险。
长约锁价 vs 弹性条款
GPU 价格波动大，长约（一年起）通常能拿到 7 折左右，但锁死也有风险：新卡发布、你的业务转向，都会让长约变成负担。我们谈判的框架是：核心用量签长约锁价（比如 60% 的常备算力），弹性部分按量或签"可退订"的季度约。弹性条款里要争取三条：用量上浮时的价格保护（突发扩容不超过长约价的 1.3 倍）、提前终止的违约金上限（别签"剩余全款"，谈成"剩余 30%"）、以及卡型升级权（H100 长约期内如果 H200 大规模可供，有权按差价升级）。
一句话：算力合同谈的不是价格，是"出问题时谁承担什么"。价格差 5% 和故障扯皮一周，哪个贵，算笔账就知道了。
租 GPU 算力，技术团队看的是卡型和带宽，法务看的是条款，最后吃亏的往往是夹在中间的工程负责人。我们签过几家云厂商的 GPU 租赁合同，复盘下来，四个条款最值得逐字谈：SLA 定义、计费粒度、故障责任、长约与弹性。谈不清楚，上线后全是扯皮。
SLA：可用性数字背后的定义权
合同里写"月度可用性 99.9%"听起来很美，但魔鬼在定义里。第一个问题：可用性的分子分母是什么？是"实例可 SSH 登录"算可用，还是"GPU 能正常跑任务"算可用？我们遇到过实例能 ping 通、但 nvidia-smi 报错的情况，厂商一开始说这算可用——因为"实例在线"。最后谈下来的定义是：以 GPU 设备可用且能执行 CUDA 任务为准，检测脚本由双方认可，采样间隔 5 分钟。
第二个问题：免责窗口。几乎所有合同都有"计划维护不计入不可用"，你要谈的是上限：单月计划维护总时长不超过多少小时、是否提前 72 小时通知、维护窗口能不能选在你的低峰期。第三个是赔付：别只看赔付比例（通常是 10%~30% 的代金券），要看触发门槛和赔付形式。代金券只能续费用，能不能折成现金或延长服务期，谈判时可以提。
计费粒度：卡时还是节点时，差的不只是一点
GPU 租赁常见的计费方式有三种：按卡时（每块 GPU 每小时）、按节点时（整机 8 卡打包）、按任务/按量。8 卡 H100 的机器，按节点时租通常比 8×卡时便宜 10%~20%，但前提是你的任务真的能吃满 8 卡。如果你的任务是单卡推理，租整节点就是浪费。我们的经验是：训练用节点时谈打包价，推理用卡时按需拿，合同里两种都写上单价，允许按月切换一次计费方式。
还有两个细节：一是计费起止点，是从实例创建成功开始，还是从你第一次 SSH 上去开始？中间差的那几分钟初始化时间，量大了一样是钱。二是"停止计费"的定义：关机停机是否停计费（包月通常不停，按量通常停），释放实例后有没有延迟计费。把这几条写进补充条款，别信口头承诺。
故障责任：ECC 错误和节点掉线，谁的锅
GPU 集群最常见的两类故障：ECC 显存错误和节点掉线/网络分区。ECC 可纠正错误其实很常见，关键看阈值：单卡 24 小时内可纠正 ECC 超过多少次，厂商必须换卡或迁移。谈不下来这个数，你的训练任务就会三天两头被中断。我们的合同里写的是：连续 7 天单卡可纠正 ECC 日均超 50 次，租户有权要求换卡，换卡期间不计费。
节点掉线更麻烦：8 卡训练跑了一周，第 6 天掉了一个节点，checkpoint 恢复花了 4 小时，这 4 小时的卡时算谁的？我们的条款是：因厂商侧故障导致的任务中断，中断期间费用全免，外加一次免费的故障复盘（要他们的 SRE 出报告，说明根因和改进）。这条的价值不在钱，在于逼厂商把根因说清楚——同样的故障再来一次，你就知道该不该换厂商了。
另外记得要"故障通知 SLA"：厂商发现故障后多少分钟内通知你。我们吃过亏：节点半夜掉了，厂商早上才发邮件，任务挂了 6 小时没人知道。现在合同里写的是 30 分钟内通过 webhook 通知，外加你自己的监控做双保险。
长约锁价 vs 弹性条款
GPU 价格波动大，长约（一年起）通常能拿到 7 折左右，但锁死也有风险：新卡发布、你的业务转向，都会让长约变成负担。我们谈判的框架是：核心用量签长约锁价（比如 60% 的常备算力），弹性部分按量或签"可退订"的季度约。弹性条款里要争取三条：用量上浮时的价格保护（突发扩容不超过长约价的 1.3 倍）、提前终止的违约金上限（别签"剩余全款"，谈成"剩余 30%"）、以及卡型升级权（H100 长约期内如果 H200 大规模可供，有权按差价升级）。
一句话：算力合同谈的不是价格，是"出问题时谁承担什么"。价格差 5% 和故障扯皮一周，哪个贵，算笔账就知道了。