国产算力卡的型号越来越多，参数表也越来越长。选型时如果只盯着峰值算力一项，很容易在实际业务中遇到落差。结合近期参与的几类项目，我们梳理出五个值得重点关注的维度。

一、看算力，更要看精度类型

厂商给出的算力峰值通常对应特定精度。同一个型号的 FP16、FP8、INT8 算力可能相差数倍。选型前要先确认业务实际使用的精度：推理场景常用较低精度以获得吞吐，训练场景则对精度与稳定性要求更高。把精度类型与业务需求对齐，参数才具备可比性。

二、显存带宽常常是隐性瓶颈

大模型推理与训练对显存带宽非常敏感。显存容量决定能不能装下模型，显存带宽则决定数据搬运的速度。在实际测试中，有些卡算力参数接近，但因为带宽差异，实际吞吐相差明显。因此建议把显存容量与带宽一并纳入评估，并要求厂商提供贴近自身业务的实测数据。

三、互联拓扑决定多卡效率

单卡跑得快不等于多卡扩展好。多卡场景下要关注卡间互联方式与带宽、跨卡通信是否需要经过主机内存中转、是否有可用的拓扑优化工具。对于需要多机多卡协同训练的场景，还要把网络层面的交换机带宽与延迟一并考虑。

四、框架与工具链兼容性

这是容易被低估的一项。要确认目标框架与版本是否在支持列表中，常用算子是否齐全，缺失算子是否有替代实现。建议在采购前用自身业务的典型模型做一次完整跑通验证，包括训练、微调与推理三个环节，避免到货后发现无法使用。

五、运维生态与长期支持

硬件只是开始。要考察驱动更新频率、故障卡更换流程、是否有本地化技术支持、监控工具是否完善。对于长期运行的集群，建议在合同中明确备件供应周期与响应时限。

三类场景的选型侧重点

金融类业务重视稳定与合规，倾向选择成熟度高、支持体系完善的方案；教育科研类对预算敏感，可以优先考虑性价比与后续扩展能力；互联网训练类场景则更关注多卡扩展效率与集群整体交付速度。不同诉求对应不同侧重，没有适用于所有场景的标准答案，建议结合业务实际做小批量验证后再扩大采购规模。