GPU 租用账单太高怎么排查：按算力、存储、流量三项逐条对账

账单比预估高一大截时，先别急着换卡或换平台。绝大多数情况下单价没有变（NexGPU 下单时的单价会锁定到实例销毁为止），多出来的钱来自三个地方之一：停机但没销毁、仍在按容量收的存储、开着机却没在算的 GPU 时间、反复走公网的数据传输。

排查顺序建议按"隐蔽程度"来，而不是按金额：先看存储（最容易被忘掉）、再看算力空转、最后看流量。规格是否选大了放在最后判断，因为那需要先知道任务真实的显存占用。

第一步：把账单拆成三项，看哪一项不对劲

不知道钱花在哪，后面所有优化都是猜。NexGPU 的账单只有算力、存储、流量三项，先看每一项的绝对值和你的预估差多少，差得最多的那一项就是排查入口：

算力项压倒性地高：多半是空转挂机，或者卡选大了；
存储项莫名其妙有一笔：大概率有停机没销毁的实例，或者磁盘扩容后没缩回来；
流量项明显：在重复从公网拉大文件，或者频繁往外传结果。

这里有个前提要说清楚：计费口径是各家平台自己定的，字段名、计量粒度、哪些动作触发收费都不一样，别拿别家的规则套自己在用的平台。本文按 NexGPU 的口径写（按小时计费、按秒计量，三项分开计），你要核对完整口径可以看计费说明。

运行、停机、销毁三种状态下算力、存储、流量三项计费是否继续的对比示意

存储：关机只停了算力，盘还在收钱

这是被问得最多、也最容易多花钱的一项。现在的 GPU 云基本都是计算节点和存储卷分离的架构：你点"关机/停止"，停的是计算部分的小时计费，系统盘和数据盘仍然占着物理存储，会按分配的容量继续计费。只有执行销毁（Terminate/Destroy）释放掉实例，这部分才会全部停止。

具体查三件事：

1）把所有实例列出来，包括已停止状态的。 上个月做对比实验开的那三台、试镜像时开了没删的那台，只要还在列表里，盘就在计费。这类"僵尸实例"单台每天不多，攒几台放一两个月就很可观了。

2）看磁盘申请了多大，不是看写了多少。 存储通常按申请配置的容量上限结算，不按实际写入量。你扩到 500G 只用了 80G，账单按 500G 走。扩容过的盘如果不主动处理，会长期产生固定开销。

3）进机器看谁在占空间。 常见的大头是训练中间产生的 checkpoint（尤其是每个 epoch 都存一份的）、HuggingFace 的模型缓存目录、Docker 镜像层缓存、ComfyUI 反复测试生成的高清图和视频。这些清掉之后，磁盘往往能缩回一个更小的档位。

判断该不该销毁时，关键问题是数据还要不要。销毁是不可逆的，盘里的东西会一起清空，所以正确顺序是先把要留的数据移出去，再销毁，而不是留着一台机器当仓库用。这两件事的边界可以看这两篇：GPU 实例关机还收不收费、租的 GPU 实例数据怎么保存。想核对存储费的具体算法（容量乘时长），看云GPU存储费怎么算。

算力：平台算的是你独占卡的时间，不是利用率

第二个大头。计费按实例开机独占硬件的物理时长走（NexGPU 是按秒计量），GPU 利用率是 0% 还是 100%，价格一样。所以钱花掉但没产出的场景很具体：

训练脚本凌晨两点跑完，你早上九点才起来关机，中间七个小时全额付费；
开着 Jupyter 或 SSH 调试，中途去开会、吃饭、下班，终端一直挂着；
推理服务部署上去做演示，演示完没人调用，服务还在待命；
下载权重、装依赖、编译环境这些不吃 GPU 的活儿，在一张高端卡上慢慢做。

怎么确认：跑 nvidia-smi 看当前利用率和显存占用；更直接的办法是把任务日志里记录的实际结束时间，和你关机的时间对一下，差值就是白付的钱。

对应做法也很直白。长任务在脚本末尾直接接关机或销毁命令，别指望自己记得；调试和跑正式任务分成两个阶段，调试用便宜的卡把流程跑通，正式跑再开目标卡；装环境这一步尽量用现成的镜像模板省掉，选模板的思路见云 GPU 镜像模板怎么选。

流量：重复搬运大文件才会出现明显费用

流量项平时不显眼，一旦冒头基本是这几种情况：每次重建实例都重新从公网拉一遍几十 G 的模型权重（没有做本地持久化）、在不同区域之间同步大数据集、把整个输出目录原样打包传回本地。

处理办法是减少重复搬运：权重和数据集下载一次后落到持久盘，后续实例挂载复用；结果只传需要的文件，视频和图片先压缩或抽样；能在机器上直接看的结果（比如通过 SSH 隧道开 Jupyter 预览）就别整包下载。

最后判断：卡是不是选大了

前面三项都查过还是觉得贵，再回头看规格。典型的过配是：跑 7B/8B 这类轻量推理却开了多卡高端集群；只是验证流程能不能通，就直接上了训练级配置。

压成本的方向有两个——用量化版本降低显存门槛，或者换成刚好够用的单卡甚至消费级卡。但这里要谨慎：显存不够导致的失败重跑、频繁 OOM 反而更贵，所以别凭感觉往下压，按模型的实际显存门槛来定。各个模型该配哪张卡，官网的模型选卡指南按模型列了对应关系，推理场景的显存与带宽取舍可以看大模型推理 GPU 怎么选。