本地有一台电脑，不代表继续把模型全放在本地一定便宜；云端按小时计费，也不代表关掉浏览器就停止收费。更实用的比较方式是：先估同一批工作每月要跑多少小时，再把本地硬件折旧、电费、存储维护，和云端算力、磁盘、网络等费用放进同一张表。
本文附一个离线成本比较器。所有样例数字都是虚构演算值，不是腾讯云或其他厂商的报价。云产品型号、地域、可用区、计费和账户折扣会影响最终金额，购买前要用目标厂商当前的价格计算器核价。
先算本地每月的全成本
本地成本不要只记“机器已经买了”，也不要把一次性采购价全压到单月。建议同时看两种口径：
- 现金支出：本月实际新增的电费、存储、维修、软件或网络开销。
- 全成本：把设备采购额按你预估的使用月数分摊，再加上运行和维护费用，用来判断什么时候该换机或新增设备。
可先用这个公式：
本地月成本 = 设备采购额 ÷ 计划使用月数
+ 运行功率(kW) × 本月开机小时 × 电价(元/kWh)
+ 每月存储、维护及其他固定支出如果设备已经买了，决策时不要只看全成本，也要看现金口径：折旧是预算视角，不会在本月再次扣款。若你本来就要用这台电脑做其他工作，只把因 AI 任务新增的功耗和费用算进“增量现金支出”。
云端不要只看 GPU 单价
以腾讯云 GPU 云服务器为例，官方文档将 GPU 实例成本拆成计算（CPU、内存、GPU）、网络和存储，并提供包年包月、按量计费等购买方式；按量计费的 CVM 文档说明按实际使用量付费，并按秒计时、按小时结算。GPU 实例具体支持哪些购买方式，以当时购买页为准；文档也提醒最终价格需登录账户查看。GPU 云服务器计费说明 · 云服务器计费模式
所以云端月成本至少要列：
云端月成本 = 本月实际计费 GPU 小时 × 当前单价
+ 系统盘/数据盘/对象存储
+ 出网流量或带宽
+ 快照、镜像及其他固定费用“算力使用小时”与“账单计费小时”可能不同：下载模型、启动环境、等待任务、忘记释放实例，都可能延长计费时间。先查清关机后 GPU、磁盘和公网资源分别如何计费，再开始跑任务。竞价实例还可能被回收；不要把可中断算力当成稳定在线服务。
找出自己的成本临界点
把两种方式写成同一结构：
本地成本(h) = 本地固定月成本 + h × 本地每小时电费
云端成本(h) = 云端固定月成本 + h × 云端每小时算力单价其中 h 是同一批工作所需、且云端实际计费的月小时数。两条成本线相交的位置是本例的临界点：
临界小时 = (本地固定月成本 - 云端固定月成本)
÷ (云端每小时单价 - 本地每小时电费)如果分母为0，两边随小时数增加的成本相同；若算出的临界小时小于0，就说明在非负用量范围内没有正向交点。临界点只用于初筛，实际还要考虑速度、显存、稳定性、隐私要求、管理时间和闲置资源的机会成本。
用离线比较器跑一遍虚构样例
下载本地与云端成本比较包，解压后在安装了 Python 3 的电脑上运行：
python3 cost_compare.py sample-costs.json样例假设一台设备采购额为12000元、按30个月分摊，运行功率0.2kW，演算电价0.65元/kWh；云端假设每计费小时8元，另有存储和流量固定支出。这些输入仅用于演算：在每月30个计费小时的样例下，本地全成本约483.90元，云端约310元；比较器算出约52.10小时的临界点。改成60小时后，本地约487.80元，云端约550元。数值不是实时报价，也不代表任何模型的实际速度。
把样例替换成你的真实数据前，先做三件事：
- 用相同模型、相同任务、相同输出质量要求，各跑一小批代表性任务；记录成功输出时间和启动等待时间。
- 查当前设备墙上功率或系统能耗估算，填本地每月开机时长；电价用自己的电费账单，不套样例数字。
- 到你选择的云厂商购买页选定地域、实例、磁盘与网络，再把预计计费小时和总价填进去；单独记录模型缓存、快照、出网与关机仍收费的资源。
不要为了跑一次比较就先下载几十 GB 的模型或长期开着云 GPU。若用量不稳定，可先按实际需求短时租用，记下账单和任务耗时；再决定要不要购买硬件或长期订阅。没有实测足够多的典型任务前，结果只能用于做预算假设。
按工作方式选，不只按月账单选
- 本地更合适的信号：设备已能满足显存和速度要求；任务持续、隐私敏感；离线工作重要；运维和备份有人负责。
- 云端更合适的信号：工作量偶发或波动；任务需要本地没有的显存/算力；需要临时扩容；你能及时停止实例并管理账单。
- 先混合试用的信号：日常轻任务本地做，少量高峰任务云端跑。把数据上传、模型缓存、访问权限和销毁策略写进流程。
你可以先连续记录一个月：任务类型、实际计算分钟、启动/等待时间、失败重跑、云端计费小时、文件流量和人工维护时间。把样本代入比较器后，再看哪条成本线更接近真实业务。它不能替你判断服务条款、数据合规或硬件稳定性，也不包括不可预测的故障成本。