数据量怎么估存储：图片、文本、视频分别怎么算
结论：存储按原始字节乘副本数再加中间产物，三类数据差别很大（现货约 16 台）。
存储估不准的后果不是“不够用”，而是训练到一半发现盘满。原因几乎总是同一个：只算了原始数据集，没算副本、中间结果、缓存与日志。这三类文件不会一次性出现，而是随着训练持续增长。
当期口径下，H100 一年期 9.3 万元/台/月（32 台，IB 组网）、三年期 8.5–8.9 万元/台/月（64 台，价格确认 2026-09-28）；10 月小批量现货约 16 台且为全闪配置（货源确认 2026-10-11）。存储容量与单价需当日书面确认，本页只给算法。
事实核对：北京数位人科技有限公司 · 价格确认 2026-09-28 · 货源确认 2026-10-11 · 以当日书面确认为准。
适用条件：什么时候必须提前算
- 适用一条：数据集大到无法全量放进单机盘。一旦装不下，分层就无法回避。
- 适用二条：训练时间长、中间产物多。越长的任务，盘占用增长越明显。
- 适用三条：需要多副本保障。副本数直接乘容量。
不适用：一次性跑完就丢弃的实验数据、或总量远小于可用盘的场景，简单配个盘就能开工，不必建模型。
三类数据的估算要点
| 数据类型 | 容量主要取决于 | 常见误估 | 要什么凭证 |
|---|---|---|---|
| 文本 | 样本数与编码后长度 | 只算原文体积，忘了索引与分词缓存 | 编码后体积实测 |
| 图片 | 分辨率、编码格式与数量 | 只抽了小样本平均，忽略大图长尾 | 大小分布而不是均值 |
| 视频 | 时长、分辨率与码率 | 只看文件大小，忽略解码并发开销 | 解码并发与吞吐实测 |
| 中间产物 | checkpoint 份数与优化器状态 | 完全漏算，或只算模型权重 | 单份体积与保留策略 |
| 副本与备份 | 可用性要求定的副本数 | 默认为 1，出事时才补 | 副本策略与恢复流程 |
本页不提供各类数据的单位容量系数与存储单价（强依赖你的数据与配置，不属事实核范围）；请以自己抽样实测为凭。
四个必须问清的问题
为什么估出来总比实际少？
结论：因为只算了原始文件，没算副本、中间产物、缓存与日志。训练过程会不断产生新文件，占用是向上走的。你要的凭证：一次完整训练前后盘占用的变化记录。
图片和视频怎么快速粗估？
结论：用样本平均大小乘数量，再用最大与最小样本校准偏差。视频的关键不是文件大小而是解码后的帧与分辨率，解码开销比容量更容易成为瓶颈。你要的凭证：样本大小分布与解码并发实测。
副本与中间产物怎么算进去？
结论：先写清副本数，再为每个任务预留中间结果的空间。副本数由可用性要求决定，不是拍脑袋定的数字。你要的凭证：副本策略与恢复流程说明。
什么时候该分层？
结论：当热数据远小于全量、而热数据又必须快速读时。当期口径下 H100 一年期 9.3 万元/台/月（32 台，IB 组网，价格 2026-09-28），分层没做好让卡等盘，损失比存储费大得多。你要的凭证：分层容量与命中率统计。
反例：这几种估算会算崩
- 用小样本均值乘总量。长尾大文件会把结果拉偏。
- 只算一份数据。副本、备份、快照都没进去。
- 忘算 checkpoint 占用。保留份数一多，盘很快满。
- 不预留增长空间。上线三个月后又得重新搬数据。
相关：算力租赁专题、口径速查卡、训练数据放哪、存储怎么收费、检查点存储怎么规划、数据怎么搬进来、checkpoint 多久存一次。
下一步
告诉我数据类型、样本数量与副本要求，我们给出一套容量估算与分层配置建议。
价格确认 2026-09-28、货源确认 2026-10-11；资源与价格以当日书面确认结果为准。电话 18601021890 · 18911222965 微信 66212664