我先查 AI 生图、生视频的采样成本与 GPU 吞吐数据，再算一单的真实消耗。
一单 “6 张成品图、2 小时交付” 的电商视觉订单，把账摊开是这样的：生成调用约 104 次，累计约 2192 个 “步・图”，在 H100 上纯计算 2 到 3 分钟，GPU 成本 0.2 到 0.3 美元。剩下的 110 多分钟，花在接单、写 prompt、排队、模型加载、人工挑选、局部重绘、修图和质检上。所以 “两小时交付” 真正的瓶颈从来不是采样次数，而是队列结构和人工工位。视频单是另一个量级：一条 15 秒 720p、5 个候选，名义上是 5.4 万个帧步，纯计算 15 到 30 分钟，两小时交付必须靠草稿分流、批处理和 deadline 调度才压得住。把这笔账算清楚，才知道该加 GPU、该减步数，还是该加人。
先把 “一次采样” 定义清楚
同一个词在报价单、运维看板和财务口径里经常指三件不同的事，混着说就会算错。
| 术语 | 含义 | 计量单位 | 谁在用 |
|---|---|---|---|
| 生成调用（call） | 提交一次生成请求，产出一张图或一条视频 | 次 | 产品、报价、限流 |
| 去噪步（step） | 扩散模型一次去噪迭代 | 步 | 算法、调参 |
| 步・图（step-image） | 调用次数 × 每张步数 | 步・图 | 成本核算 |
| 帧・步（frame-step） | 视频帧数 × 步数 × 候选数 | 帧・步 | 视频容量规划 |
| GPU 秒 | 实际占用显卡的时间 | 秒 | 队列与账单 |
报价按 call 收，成本按 step 算，容量按 GPU 秒排。三个口径不统一，就会出现 “订单翻倍、账单没动、交付却崩了” 的怪事。
一单电商图的全流程采样账
以一个 SKU、6 张成品（主图 2 张、场景图 3 张、细节图 1 张）、2 小时交付为例：
| 阶段 | 分辨率 | 步数 | 候选 / 调用数 | 步・图 |
|---|---|---|---|---|
| 构图草稿 | 768 | 12 | 6 个构图 × 4 张 = 24 | 288 |
| 正式候选 | 1024 | 28 | 6 张成品 × 8 张 = 48 | 1,344 |
| 定向重跑 | 1024 | 28 | 约 15% 返工 = 8 | 224 |
| 放大精修 | 2048 | 8（分块） | 6 × 2 = 12 | 96 |
| 局部重绘 | 1024 | 20 | 6 × 2 = 12 | 240 |
| 合计 | — | 均值约 21 | 104 次 | 2,192 |
这 104 次调用里，真正进入成品的是 6 张，命中率 5.8%。剩下 98 次都是 “买保险”—— 买构图不崩、手部不畸变、品牌色不偏、文字不乱。商拍交付的候选比例一般落在 6:1 到 15:1，低于 6:1 返工率会明显抬头，高于 15:1 就是纯浪费算力。
成本跟着步数和张数走，跟 “订单” 没有直接关系：
| 模型 / 配置 | 单张耗时 | 每小时张数 | 千张成本（RTX 4090，$0.49/h） |
|---|---|---|---|
| Flux.1 Schnell（4 步） | 5 秒 | 720 | 约 $0.68 |
| SDXL（20 步） | 7 秒 | 514 | 约 $0.95 |
| Flux.1 Dev FP8（20 步） | 10 秒 | 360 | 约 $1.36 |
| Flux.1 Dev FP16（20 步） | 16 秒 | 225 | 约 $2.18 |
按 H100 的公开吞吐，Flux.2 FP8、1024×1024、28 步，batch=4 时约 55 张 / 分钟，batch=1 只有 18 张 / 分钟。104 张图在 batch=4 下不到 2 分钟，加上 VAE 解码和放大，3 分钟出头。折算成本约每 100 张 0.27 美元，一单 0.28 美元上下。
为什么两小时里只有三分钟在算
把时间轴摊开看，GPU 只在两个窗口里忙，其余全是人的时间和等待：
| 时间段 | 在做什么 | 占用 GPU |
|---|---|---|
| 0—10 分钟 | 接单、确认尺寸 / 品牌规范 / 禁忌 | 否 |
| 10—20 分钟 | 参考图整理、prompt 与 LoRA 选择 | 否 |
| 20—30 分钟 | 草稿批跑 24 张 | 是，约 20 秒 |
| 30—45 分钟 | 人工挑构图，反馈修改 | 否 |
| 45—75 分钟 | 正式批跑 48 张 + 返工 8 张 | 是，约 1 分钟 |
| 75—95 分钟 | 局部重绘、放大 | 是，约 40 秒 |
| 95—110 分钟 | 人工修图、排版、文字替换 | 否 |
| 110—120 分钟 | 质检、打包、交付 | 否 |
GPU 忙时合计不到 3 分钟，人工却占掉 50 分钟以上，排队和等待吃掉剩下的时间。这也解释了一个常见现象：加了一张更贵的卡，交付并没有变快 —— 因为卡在等人，不在等算。
GPU 队列怎么排：别按订单先进先出
按订单 FIFO 是最差的排法。每换一次模型要重新加载权重，冷启动 30 到 90 秒，一单里如果 Flux 出图、Qwen-Image 补细节、再切放大模型，光切换就能把 3 分钟的计算拖成 10 分钟。
| 策略 | 做法 | 收益 | 代价 |
|---|---|---|---|
| 按模型分批 | 同一模型、同一分辨率的任务攒批再跑 | batch=4 时吞吐从 18 张 / 分升到 55 张 / 分 | 单均等待略增 |
| 双通道 | 草稿通道（低分辨率、低步数）与定稿通道分开 | 草稿 20 秒出结果，人工不用空等 | 需要两套并发配额 |
| Deadline 调度 | 2 小时单进高优队列，普通单进批处理队列 | 保住 SLA，长单填谷 | 需要可信的交付时间字段 |
| 热池常驻 | 保留 1—2 张热卡不缩容 | 省掉冷启动 | 空闲成本 |
| 准入控制 | 预计排队超过 45 分钟时，改报 4 小时或加价 | 避免全线超时 | 会损失部分订单 |
一个可用的排队规则是：草稿任务永远优先，因为它决定人工什么时候能开始；定稿任务按 deadline 反推最晚开始时间，越晚的越靠前；超过阈值就触发准入控制，而不是让所有订单一起迟到。
吞吐从哪来：步数、批大小、精度
| 变量 | 变化 | 实测影响 |
|---|---|---|
| 步数 | 28 步降到 4 步（蒸馏模型） | 单张 10 秒降到 5 秒，吞吐翻倍 |
| 批大小 | batch=1 升到 batch=4 | H100 上 18 张 / 分升到 55 张 / 分 |
| 精度 | FP32 换 FP16（VAE 保持 FP32） | 吞吐 19.3 张 / 分升到 31.5 张 / 分，千张成本 $1.14 降到 $0.71 |
| 分辨率 | 1024 降到 768 做草稿 | 计算量按面积下降约 44% |
| 显卡 | 4090 换 H100 | 单张更快，但每千张成本未必更低 |
这里有个反直觉的取舍：商拍交付应该把预算花在 “更多候选”，而不是 “更高步数”。28 步和 20 步在成品质量上的差距，远小于 8 个候选和 4 个候选在挑选成功率上的差距。步数从 28 降到 20，计算省 29%；候选从 8 降到 4，返工率可能翻倍，最后总成本反而更高。
视频单：采样量换了一个量级
一条 15 秒、720p、24fps 的片子，就是 360 帧。5 个候选、30 步：
360 × 30 × 5 = 54,000 帧步
这只是名义值，实际还要乘上模型的时间压缩比例，但量级已经很清楚：同样叫 “5 个候选”，图片单是 5 张，视频单是 1800 帧。公开数据里，5 秒 720p 的生成时间在 1.5 到 2.5 分钟（mini 档），15 秒标准档往往要 3 到 6 分钟一条，5 个候选就是 15 到 30 分钟纯计算，2 小时窗口立刻紧张。
压时间的办法只有三个：
| 办法 | 做法 | 效果 |
|---|---|---|
| 草稿模式 | 先 360p/480p 跑结构，定稿再放大 | 草稿阶段成本降到三分之一左右，改错便宜 |
| 分段生成 | 按镜头拆 5 秒片段分别生成再拼 | 并行度高，失败只重跑一段 |
| 减少候选 | 从 5 条降到 2—3 条，用参考图约束 | 计算减半，但需要更强的首帧控制 |
价格锚点也可以拿来反推：720p 按秒计费的模型已经降到每秒 0.07 美元，15 秒一条约 1.05 美元；换成分档计价的模型，5 秒 720p 大约 0.9 到 1.4 美元。也就是说，视频单的 API 成本是 “每条几美元”，图片单是 “每张几厘美元”，两小时的交付压力完全不在一个层级。
一单到底烧多少钱
| 成本项 | 用量 | 单价 | 金额 |
|---|---|---|---|
| GPU 计算 | 3 分钟 H100 | $3.99 / 小时 | 约 $0.20 |
| 失败重试 | 15% 额外调用 | 同上 | 约 $0.03 |
| 模型加载 / 切换 | 2—3 次 | 计入 GPU 时间 | 约 $0.05 |
| 人工挑选与修图 | 20—30 分钟 | ¥30 / 小时 | 约 ¥10—15 |
| 存储与带宽 | 几十 MB | 可忽略 | < $0.01 |
| 专属卡 2 小时预留 | 2 小时 | $3.99 / 小时 | $7.98 |
边际成本不到 0.3 美元，但如果这 2 小时是 “专属预留”，账单立刻变成 8 美元 —— 贵出来的部分买的不是算力，是 “随时能插队” 的确定性。交付产品的定价逻辑也在这里：卖的是 SLA 和人工工位，不是 GPU 秒。
队列容量怎么估：三个式子就够
- GPU 需求：到达率 λ（单 / 小时）× 单均 GPU 时间 s（小时）/ 目标利用率 ρ。生产上 ρ 建议压在 0.7 以下，留出返工和突发。
- 人工工位：λ × 单均人工分钟 / 60。
- 排队长度：Little 定律 L = λ × W，W 是端到端时间，2 小时 SLA 就是 W 的上限。
| 每小时订单 | GPU 纯计算需求 | 建议 GPU 数（ρ≤0.7） | 人工工位（20 分钟 / 单） |
|---|---|---|---|
| 5 单 | 0.25 卡 | 1 | 1.7 人 |
| 20 单 | 1.0 卡 | 2 | 6.7 人 |
| 50 单 | 2.5 卡 | 4 | 16.7 人 |
| 100 单 | 5.0 卡 | 8 | 33 人 |
这张表最扎眼的一列是人工。20 单 / 小时就需要近 7 个工位，100 单 / 小时要 33 个人 —— 扩 GPU 很容易，扩熟练修图师很难。所以 “两小时交付” 做到一定规模，瓶颈必然从算力转移到人，除非把挑选和修图也做成半自动：自动评分筛掉 70% 的废片、模板化排版、固定品牌色的批处理脚本。
六个常见误判
- 把 call 当 step。 报 “我们一单跑 100 次”，听起来很多，实际只有 2000 多步・图，3 分钟算完。
- 只看平均吞吐，不看 P95 排队。 平均 55 张 / 分很漂亮，但遇到模型切换和冷启动，P95 可能翻三倍。
- 忽略冷启动。 缩容到零再拉起，每单多付 30 到 90 秒，2 小时窗口里这是硬伤。
- 用顶配卡跑小图。 SDXL 在 4090 上每千张 0.04 美元，换 H100 反而更贵；卡要跟模型精度和显存匹配。
- 以为降步数一定省钱。 步数降了、返工率涨了，总账可能更贵。
- 不算审核重跑。 平台审核、品牌方驳回、文字错位，都会产生计划外调用，预算里要留 10% 到 20%。
两小时交付这件事，拆开看是三笔账：采样账（多少 call、多少 step）、队列账（GPU 什么时候忙、忙多久）、工位账（人能不能跟上）。采样次数是最容易被看见的那个数字，也是最不影响成败的那个。真正决定能不能按时交付的，是队列有没有按模型分批、草稿和定稿有没有分通道、人工工位有没有按订单量配够。把这三件事排顺，3 分钟的算力才撑得起 2 小时的承诺。
【常见问题】
问题 1：两小时交付一单电商图，实际要跑多少次采样？
回答 1：6 张成品的订单大约 104 次生成调用、2192 个步・图，其中草稿 24 次、正式候选 48 次、返工 8 次、放大 12 次、局部重绘 12 次。两小时交付的采样量并不大，H100 上纯计算约 3 分钟，其余时间在排队和人工处理。
问题 2：GPU 队列为什么不能按订单先进先出？
回答 2：因为每次切换模型要重新加载权重，冷启动 30 到 90 秒。GPU 队列按模型、分辨率、步数分批，batch=4 时吞吐能从 18 张 / 分升到 55 张 / 分；再给两小时订单开高优通道，才能同时保住吞吐和交付时间。
问题 3：两小时交付一单，GPU 成本到底多少？
回答 3：边际 GPU 成本约 0.2 到 0.3 美元，加 15% 返工也不到 0.35 美元；但专属卡预留两小时按 3.99 美元 / 小时算就是 8 美元。两小时交付的成本大头是排队确定性和人工工位，不是采样次数。
问题 4：视频单的采样量和图片单差多少？
回答 4：差两三个数量级。一条 15 秒 720p、5 个候选、30 步，名义上是 5.4 万帧步，纯计算 15 到 30 分钟；图片单 6 张成品只有 2000 多个步・图。两小时交付视频单必须用草稿模式、分段生成和减少候选来压采样量。
【参考资料】
[2026-11-14]（15 秒与每秒 0.07 美元，视频模型进入成本竞争期）搜狐
[2026-11-13]（模型价格 - 火山方舟文档）火山引擎
[2026-11-10]（Best GPU for ComfyUI in 2026: Benchmarked Across 14 Cards）Runpod
[2026-11-10]（模型价格）腾讯云国际站
[2026-09-30]（FLUX Image API Cost Per Image: 2026 Provider Guide）Cerebrium
[2026-09-16]（Image generation costs: 80GB H100 Half Precision (FP16) vs Full Precision (FP32)）colossis.io
[2026-09-03]（2026 AI 绘画渲染农场 GPU 服务器租用推荐：Stable Diffusion/Midjourney 批量出图算力配置与成本实测）一万网络
[2026-08-11]（FLUX vs SDXL: GPU Cost Comparison 2026）packet.ai
[2026-06-03]（用 2 美元生成 1,000 张 AI 图片：RTX 4090 云端算图成本完整拆解）Glows.ai
[2026-05-24]（Best GPU for AI Image Generation 2026: Stable Diffusion, Flux, and SDXL VRAM Guide）Spheron
[2026-04-19]（Deploy FLUX.2 on GPU Cloud: Production Image Generation Setup Guide (2026)）Spheron
免责声明： 本文的订单结构、候选比例、时间轴与人工工位为典型场景假设，采样次数和成本按公开吞吐与价目表推算，不同模型、分辨率、批大小、显卡和供应商费率下结果会明显不同；文中吞吐与单价均标注来源口径，实际报价请以自己的压测数据和供应商实时价格为准，本文不构成采购或定价建议。