<?xml version='1.0' encoding='UTF-8'?><?xml-stylesheet type='text/xsl' href='https://www.nss.com.tw/wp-content/plugins/google-sitemap-generator/sitemap.xsl'?><!-- sitemap-generator-url='http://www.arnebrachhold.de' sitemap-generator-version='4.1.21' -->
<!-- generated-on='2026 年 7 月 14 日 4:35 pm' -->
<sitemapindex xmlns:xsi='http://www.w3.org/2001/XMLSchema-instance' xsi:schemaLocation='http://www.sitemaps.org/schemas/sitemap/0.9 http://www.sitemaps.org/schemas/sitemap/0.9/siteindex.xsd' xmlns='http://www.sitemaps.org/schemas/sitemap/0.9'>	<sitemap>
		<loc>https://www.nss.com.tw/sitemap-misc.xml</loc>
		<lastmod>2026-07-14T09:06:20+00:00</lastmod>
	</sitemap>
	<sitemap>
		<loc>https://www.nss.com.tw/producttags-sitemap.xml</loc>
		<lastmod>2026-07-14T09:06:20+00:00</lastmod>
	</sitemap>
	<sitemap>
		<loc>https://www.nss.com.tw/productcat-sitemap.xml</loc>
		<lastmod>2026-07-14T09:06:20+00:00</lastmod>
	</sitemap>
	<sitemap>
		<loc>https://www.nss.com.tw/post-sitemap.xml</loc>
		<lastmod>2026-07-14T03:10:45+00:00</lastmod>
	</sitemap>
	<sitemap>
		<loc>https://www.nss.com.tw/post-sitemap2.xml</loc>
		<lastmod>2026-07-14T03:10:45+00:00</lastmod>
	</sitemap>
	<sitemap>
		<loc>https://www.nss.com.tw/page-sitemap.xml</loc>
		<lastmod>2026-07-14T02:09:31+00:00</lastmod>
	</sitemap>
</sitemapindex><!-- <pre>array(50) {
  [0]=>
  array(7) {
    [0]=>
    string(34) "SHOW TABLES LIKE 'sib_model_users'"
    [1]=>
    float(0.00048708915710449)
    [2]=>
    string(330) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), include_once('/plugins/mailin/sendinblue.php'), do_action('sendinblue_init'), WP_Hook->do_action, WP_Hook->apply_filters, sendinblue_init, SIB_Manager->__construct, SIB_Model_Users::add_prefix, QM_DB->query"
    [3]=>
    float(1784046906.8564)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#1849 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(14) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3012)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/mailin/model/model-users.php"
          ["line"]=>
          int(231)
          ["function"]=>
          string(7) "get_var"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(283)
          ["function"]=>
          string(10) "add_prefix"
          ["class"]=>
          string(15) "SIB_Model_Users"
          ["type"]=>
          string(2) "::"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(1797)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(11) "SIB_Manager"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(3) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(15) "sendinblue_init"
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            string(0) ""
          }
        }
        [7]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [8]=>
        array(4) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(1800)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(15) "sendinblue_init"
          }
        }
        [9]=>
        array(3) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(473)
          ["function"]=>
          string(12) "include_once"
        }
        [10]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [11]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [13]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(0)
  }
  [1]=>
  array(7) {
    [0]=>
    string(34) "SHOW TABLES LIKE 'sib_model_forms'"
    [1]=>
    float(0.00036406517028809)
    [2]=>
    string(355) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), include_once('/plugins/mailin/sendinblue.php'), do_action('sendinblue_init'), WP_Hook->do_action, WP_Hook->apply_filters, sendinblue_init, SIB_Manager->__construct, SIB_Forms::add_prefix, SIB_Forms::forms_table_exists, QM_DB->query"
    [3]=>
    float(1784046906.857)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#1850 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(15) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3012)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/mailin/model/model-forms.php"
          ["line"]=>
          int(443)
          ["function"]=>
          string(7) "get_var"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/mailin/model/model-forms.php"
          ["line"]=>
          int(416)
          ["function"]=>
          string(18) "forms_table_exists"
          ["class"]=>
          string(9) "SIB_Forms"
          ["type"]=>
          string(2) "::"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(284)
          ["function"]=>
          string(10) "add_prefix"
          ["class"]=>
          string(9) "SIB_Forms"
          ["type"]=>
          string(2) "::"
        }
        [5]=>
        array(5) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(1797)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(11) "SIB_Manager"
          ["type"]=>
          string(2) "->"
        }
        [6]=>
        array(3) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(15) "sendinblue_init"
        }
        [7]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            string(0) ""
          }
        }
        [8]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [9]=>
        array(4) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(1800)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(15) "sendinblue_init"
          }
        }
        [10]=>
        array(3) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(473)
          ["function"]=>
          string(12) "include_once"
        }
        [11]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [13]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [14]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(0)
  }
  [2]=>
  array(7) {
    [0]=>
    string(34) "SHOW TABLES LIKE 'sib_model_forms'"
    [1]=>
    float(0.00029087066650391)
    [2]=>
    string(360) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), include_once('/plugins/mailin/sendinblue.php'), do_action('sendinblue_init'), WP_Hook->do_action, WP_Hook->apply_filters, sendinblue_init, SIB_Manager->__construct, SIB_Forms::modify_datatype, SIB_Forms::forms_table_exists, QM_DB->query"
    [3]=>
    float(1784046906.8574)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#1851 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(15) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3012)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/mailin/model/model-forms.php"
          ["line"]=>
          int(443)
          ["function"]=>
          string(7) "get_var"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/mailin/model/model-forms.php"
          ["line"]=>
          int(427)
          ["function"]=>
          string(18) "forms_table_exists"
          ["class"]=>
          string(9) "SIB_Forms"
          ["type"]=>
          string(2) "::"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(285)
          ["function"]=>
          string(15) "modify_datatype"
          ["class"]=>
          string(9) "SIB_Forms"
          ["type"]=>
          string(2) "::"
        }
        [5]=>
        array(5) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(1797)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(11) "SIB_Manager"
          ["type"]=>
          string(2) "->"
        }
        [6]=>
        array(3) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(15) "sendinblue_init"
        }
        [7]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            string(0) ""
          }
        }
        [8]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [9]=>
        array(4) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(1800)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(15) "sendinblue_init"
          }
        }
        [10]=>
        array(3) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(473)
          ["function"]=>
          string(12) "include_once"
        }
        [11]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [13]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [14]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(0)
  }
  [3]=>
  array(7) {
    [0]=>
    string(41) "SHOW TABLES LIKE 'tD6qv_sib_model_forms';"
    [1]=>
    float(0.00027608871459961)
    [2]=>
    string(325) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), include_once('/plugins/mailin/sendinblue.php'), do_action('sendinblue_init'), WP_Hook->do_action, WP_Hook->apply_filters, sendinblue_init, SIB_Manager->__construct, SIB_Forms::createTable, QM_DB->query"
    [3]=>
    float(1784046906.8578)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#1853 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(13) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/mailin/model/model-forms.php"
          ["line"]=>
          int(31)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(293)
          ["function"]=>
          string(11) "createTable"
          ["class"]=>
          string(9) "SIB_Forms"
          ["type"]=>
          string(2) "::"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(1797)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(11) "SIB_Manager"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(3) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(15) "sendinblue_init"
        }
        [5]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            string(0) ""
          }
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [7]=>
        array(4) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(1800)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(15) "sendinblue_init"
          }
        }
        [8]=>
        array(3) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(473)
          ["function"]=>
          string(12) "include_once"
        }
        [9]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [10]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [11]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(1)
  }
  [4]=>
  array(7) {
    [0]=>
    string(67) "SHOW COLUMNS FROM `tD6qv_sib_model_forms` LIKE 'selectCaptchaType' "
    [1]=>
    float(0.00043392181396484)
    [2]=>
    string(325) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), include_once('/plugins/mailin/sendinblue.php'), do_action('sendinblue_init'), WP_Hook->do_action, WP_Hook->apply_filters, sendinblue_init, SIB_Manager->__construct, SIB_Forms::createTable, QM_DB->query"
    [3]=>
    float(1784046906.8582)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#1854 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(13) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/mailin/model/model-forms.php"
          ["line"]=>
          int(82)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(293)
          ["function"]=>
          string(11) "createTable"
          ["class"]=>
          string(9) "SIB_Forms"
          ["type"]=>
          string(2) "::"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(1797)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(11) "SIB_Manager"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(3) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(15) "sendinblue_init"
        }
        [5]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            string(0) ""
          }
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [7]=>
        array(4) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(1800)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(15) "sendinblue_init"
          }
        }
        [8]=>
        array(3) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(473)
          ["function"]=>
          string(12) "include_once"
        }
        [9]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [10]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [11]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(1)
  }
  [5]=>
  array(7) {
    [0]=>
    string(63) "SHOW COLUMNS FROM `tD6qv_sib_model_forms` LIKE 'cCaptchaStyle' "
    [1]=>
    float(0.00030803680419922)
    [2]=>
    string(325) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), include_once('/plugins/mailin/sendinblue.php'), do_action('sendinblue_init'), WP_Hook->do_action, WP_Hook->apply_filters, sendinblue_init, SIB_Manager->__construct, SIB_Forms::createTable, QM_DB->query"
    [3]=>
    float(1784046906.8587)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#1855 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(13) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/mailin/model/model-forms.php"
          ["line"]=>
          int(99)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(293)
          ["function"]=>
          string(11) "createTable"
          ["class"]=>
          string(9) "SIB_Forms"
          ["type"]=>
          string(2) "::"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(1797)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(11) "SIB_Manager"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(3) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(15) "sendinblue_init"
        }
        [5]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            string(0) ""
          }
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [7]=>
        array(4) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(1800)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(15) "sendinblue_init"
          }
        }
        [8]=>
        array(3) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(473)
          ["function"]=>
          string(12) "include_once"
        }
        [9]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [10]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [11]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(1)
  }
  [6]=>
  array(7) {
    [0]=>
    string(385) "CREATE TABLE IF NOT EXISTS tD6qv_sib_model_users (
			`id` int(20) NOT NULL AUTO_INCREMENT,
			`email` varchar(255),
            `code` varchar(100),
            `listIDs` longtext,
            `redirectUrl` varchar(255),
            `info` TEXT CHARACTER SET utf8 COLLATE utf8_unicode_ci,
            `frmid` int(2),
			`user_added_date` DATETIME NOT NULL,
			PRIMARY KEY (`id`)
			);"
    [1]=>
    float(0.00034904479980469)
    [2]=>
    string(331) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), include_once('/plugins/mailin/sendinblue.php'), do_action('sendinblue_init'), WP_Hook->do_action, WP_Hook->apply_filters, sendinblue_init, SIB_Manager->__construct, SIB_Model_Users::createTable, QM_DB->query"
    [3]=>
    float(1784046906.8644)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#1848 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(13) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/mailin/model/model-users.php"
          ["line"]=>
          int(45)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(295)
          ["function"]=>
          string(11) "createTable"
          ["class"]=>
          string(15) "SIB_Model_Users"
          ["type"]=>
          string(2) "::"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(1797)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(11) "SIB_Manager"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(3) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(15) "sendinblue_init"
        }
        [5]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            string(0) ""
          }
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [7]=>
        array(4) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(1800)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(15) "sendinblue_init"
          }
        }
        [8]=>
        array(3) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(473)
          ["function"]=>
          string(12) "include_once"
        }
        [9]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [10]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [11]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    bool(true)
  }
  [7]=>
  array(7) {
    [0]=>
    string(58) "SHOW COLUMNS FROM `tD6qv_sib_model_forms` LIKE 'gCaptcha' "
    [1]=>
    float(0.00078296661376953)
    [2]=>
    string(324) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), include_once('/plugins/mailin/sendinblue.php'), do_action('sendinblue_init'), WP_Hook->do_action, WP_Hook->apply_filters, sendinblue_init, SIB_Manager->__construct, SIB_Forms::alterTable, QM_DB->query"
    [3]=>
    float(1784046906.8648)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#5374 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(13) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/mailin/model/model-forms.php"
          ["line"]=>
          int(131)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(297)
          ["function"]=>
          string(10) "alterTable"
          ["class"]=>
          string(9) "SIB_Forms"
          ["type"]=>
          string(2) "::"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(1797)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(11) "SIB_Manager"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(3) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(15) "sendinblue_init"
        }
        [5]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            string(0) ""
          }
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [7]=>
        array(4) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(1800)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(15) "sendinblue_init"
          }
        }
        [8]=>
        array(3) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(473)
          ["function"]=>
          string(12) "include_once"
        }
        [9]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [10]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [11]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(1)
  }
  [8]=>
  array(7) {
    [0]=>
    string(60) "SHOW COLUMNS FROM `tD6qv_sib_model_forms` LIKE 'termAccept';"
    [1]=>
    float(0.00066304206848145)
    [2]=>
    string(324) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), include_once('/plugins/mailin/sendinblue.php'), do_action('sendinblue_init'), WP_Hook->do_action, WP_Hook->apply_filters, sendinblue_init, SIB_Manager->__construct, SIB_Forms::alterTable, QM_DB->query"
    [3]=>
    float(1784046906.8656)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#5375 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(13) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/mailin/model/model-forms.php"
          ["line"]=>
          int(143)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(297)
          ["function"]=>
          string(10) "alterTable"
          ["class"]=>
          string(9) "SIB_Forms"
          ["type"]=>
          string(2) "::"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(1797)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(11) "SIB_Manager"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(3) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(15) "sendinblue_init"
        }
        [5]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            string(0) ""
          }
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [7]=>
        array(4) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(1800)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(15) "sendinblue_init"
          }
        }
        [8]=>
        array(3) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(473)
          ["function"]=>
          string(12) "include_once"
        }
        [9]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [10]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [11]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(1)
  }
  [9]=>
  array(7) {
    [0]=>
    string(59) "SHOW COLUMNS FROM `tD6qv_sib_model_forms` LIKE 'confirmID';"
    [1]=>
    float(0.00056195259094238)
    [2]=>
    string(324) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), include_once('/plugins/mailin/sendinblue.php'), do_action('sendinblue_init'), WP_Hook->do_action, WP_Hook->apply_filters, sendinblue_init, SIB_Manager->__construct, SIB_Forms::alterTable, QM_DB->query"
    [3]=>
    float(1784046906.8663)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#5376 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(13) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/mailin/model/model-forms.php"
          ["line"]=>
          int(152)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(297)
          ["function"]=>
          string(10) "alterTable"
          ["class"]=>
          string(9) "SIB_Forms"
          ["type"]=>
          string(2) "::"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(1797)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(11) "SIB_Manager"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(3) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(15) "sendinblue_init"
        }
        [5]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            string(0) ""
          }
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [7]=>
        array(4) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(1800)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(15) "sendinblue_init"
          }
        }
        [8]=>
        array(3) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(473)
          ["function"]=>
          string(12) "include_once"
        }
        [9]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [10]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [11]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(1)
  }
  [10]=>
  array(7) {
    [0]=>
    string(61) "SHOW COLUMNS FROM `tD6qv_sib_model_forms` LIKE 'requiredMsg';"
    [1]=>
    float(0.00078392028808594)
    [2]=>
    string(324) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), include_once('/plugins/mailin/sendinblue.php'), do_action('sendinblue_init'), WP_Hook->do_action, WP_Hook->apply_filters, sendinblue_init, SIB_Manager->__construct, SIB_Forms::alterTable, QM_DB->query"
    [3]=>
    float(1784046906.8669)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#5377 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(13) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/mailin/model/model-forms.php"
          ["line"]=>
          int(160)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(297)
          ["function"]=>
          string(10) "alterTable"
          ["class"]=>
          string(9) "SIB_Forms"
          ["type"]=>
          string(2) "::"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(1797)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(11) "SIB_Manager"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(3) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(15) "sendinblue_init"
        }
        [5]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            string(0) ""
          }
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [7]=>
        array(4) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(1800)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(15) "sendinblue_init"
          }
        }
        [8]=>
        array(3) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(473)
          ["function"]=>
          string(12) "include_once"
        }
        [9]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [10]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [11]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(1)
  }
  [11]=>
  array(7) {
    [0]=>
    string(63) "SHOW COLUMNS FROM tD6qv_sib_model_users LIKE 'user_added_date' "
    [1]=>
    float(0.00066590309143066)
    [2]=>
    string(346) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), include_once('/plugins/mailin/sendinblue.php'), do_action('sendinblue_init'), WP_Hook->do_action, WP_Hook->apply_filters, sendinblue_init, SIB_Manager->__construct, SIB_Model_Users::add_user_added_date_column, QM_DB->query"
    [3]=>
    float(1784046906.8677)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#5378 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(13) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/mailin/model/model-users.php"
          ["line"]=>
          int(241)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(298)
          ["function"]=>
          string(26) "add_user_added_date_column"
          ["class"]=>
          string(15) "SIB_Model_Users"
          ["type"]=>
          string(2) "::"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(1797)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(11) "SIB_Manager"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(3) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(15) "sendinblue_init"
        }
        [5]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            string(0) ""
          }
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [7]=>
        array(4) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(1800)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(15) "sendinblue_init"
          }
        }
        [8]=>
        array(3) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(473)
          ["function"]=>
          string(12) "include_once"
        }
        [9]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [10]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [11]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(1)
  }
  [12]=>
  array(7) {
    [0]=>
    string(56) "SHOW COLUMNS FROM tD6qv_sib_model_users LIKE 'doi_sent' "
    [1]=>
    float(0.00054502487182617)
    [2]=>
    string(337) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), include_once('/plugins/mailin/sendinblue.php'), do_action('sendinblue_init'), WP_Hook->do_action, WP_Hook->apply_filters, sendinblue_init, SIB_Manager->__construct, SIB_Model_Users::add_flag_doi_sent, QM_DB->query"
    [3]=>
    float(1784046906.8685)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#5379 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(13) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/mailin/model/model-users.php"
          ["line"]=>
          int(255)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(299)
          ["function"]=>
          string(17) "add_flag_doi_sent"
          ["class"]=>
          string(15) "SIB_Model_Users"
          ["type"]=>
          string(2) "::"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(1797)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(11) "SIB_Manager"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(3) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(15) "sendinblue_init"
        }
        [5]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            string(0) ""
          }
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [7]=>
        array(4) {
          ["file"]=>
          string(53) "/var/www/web/wp-content/plugins/mailin/sendinblue.php"
          ["line"]=>
          int(1800)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(15) "sendinblue_init"
          }
        }
        [8]=>
        array(3) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(473)
          ["function"]=>
          string(12) "include_once"
        }
        [9]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [10]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [11]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(1)
  }
  [13]=>
  array(7) {
    [0]=>
    string(45) "
			SELECT JSON_EXTRACT('[1, 2]', '$[1]');
		"
    [1]=>
    float(0.00022196769714355)
    [2]=>
    string(312) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), do_action('plugins_loaded'), WP_Hook->do_action, WP_Hook->apply_filters, ImageOptimization->init, ImageOptimization->plugin_can_start, ImageOptimization->is_db_json_supported, QM_DB->query"
    [3]=>
    float(1784046906.9772)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#16235 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(12) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(73) "/var/www/web/wp-content/plugins/image-optimization/image-optimization.php"
          ["line"]=>
          int(144)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(73) "/var/www/web/wp-content/plugins/image-optimization/image-optimization.php"
          ["line"]=>
          int(95)
          ["function"]=>
          string(20) "is_db_json_supported"
          ["class"]=>
          string(17) "ImageOptimization"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(73) "/var/www/web/wp-content/plugins/image-optimization/image-optimization.php"
          ["line"]=>
          int(194)
          ["function"]=>
          string(16) "plugin_can_start"
          ["class"]=>
          string(17) "ImageOptimization"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(4) "init"
          ["class"]=>
          string(17) "ImageOptimization"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [7]=>
        array(4) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(506)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(14) "plugins_loaded"
          }
        }
        [8]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [9]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [10]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [11]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(1)
  }
  [14]=>
  array(7) {
    [0]=>
    string(124) "
						SELECT COUNT(*)
						FROM tD6qv_options
						WHERE option_name LIKE 'ppw_1_ppw_default_pwd_migration_batch_%'
					"
    [1]=>
    float(0.00040483474731445)
    [2]=>
    string(384) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), do_action('plugins_loaded'), WP_Hook->do_action, WP_Hook->apply_filters, ppw_free_load_plugin, PPW_Migration_Manager->__construct, PPW_Migration_Manager->handle_admin_notices, PPW_Background_Task->is_running, WP_Background_Process->is_queue_empty, QM_DB->query"
    [3]=>
    float(1784046906.9985)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#23457 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(15) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3012)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(112) "/var/www/web/wp-content/plugins/astra-portfolio/classes/batch-processing/helpers/class-wp-background-process.php"
          ["line"]=>
          int(209)
          ["function"]=>
          string(7) "get_var"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(93) "/var/www/web/wp-content/plugins/password-protect-page/core/base/class-ppw-background-task.php"
          ["line"]=>
          int(225)
          ["function"]=>
          string(14) "is_queue_empty"
          ["class"]=>
          string(21) "WP_Background_Process"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(100) "/var/www/web/wp-content/plugins/password-protect-page/core/base/class-ppw-data-migration-manager.php"
          ["line"]=>
          int(32)
          ["function"]=>
          string(10) "is_running"
          ["class"]=>
          string(19) "PPW_Background_Task"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(5) {
          ["file"]=>
          string(100) "/var/www/web/wp-content/plugins/password-protect-page/core/base/class-ppw-data-migration-manager.php"
          ["line"]=>
          int(16)
          ["function"]=>
          string(20) "handle_admin_notices"
          ["class"]=>
          string(21) "PPW_Migration_Manager"
          ["type"]=>
          string(2) "->"
        }
        [6]=>
        array(5) {
          ["file"]=>
          string(77) "/var/www/web/wp-content/plugins/password-protect-page/wp-protect-password.php"
          ["line"]=>
          int(132)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(21) "PPW_Migration_Manager"
          ["type"]=>
          string(2) "->"
        }
        [7]=>
        array(3) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(20) "ppw_free_load_plugin"
        }
        [8]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [9]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [10]=>
        array(4) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(506)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(14) "plugins_loaded"
          }
        }
        [11]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [13]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [14]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(1)
  }
  [15]=>
  array(7) {
    [0]=>
    string(46) "SELECT * FROM tD6qv_revslider_layer_animations"
    [1]=>
    float(0.00017213821411133)
    [2]=>
    string(433) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), do_action('plugins_loaded'), WP_Hook->do_action, WP_Hook->apply_filters, RevSliderPluginUpdate::do_update_checks, RevSliderPluginUpdate->__construct, RevSliderData->get_layer_animations, RevSliderData->get_animations, RevSliderData->get_custom_animations_full_pre, RevSliderData->fill_animations, QM_DB->query"
    [3]=>
    float(1784046906.9993)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#5373 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(16) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3127)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(65) "/var/www/web/wp-content/plugins/revslider/includes/data.class.php"
          ["line"]=>
          int(187)
          ["function"]=>
          string(11) "get_results"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(65) "/var/www/web/wp-content/plugins/revslider/includes/data.class.php"
          ["line"]=>
          int(150)
          ["function"]=>
          string(15) "fill_animations"
          ["class"]=>
          string(13) "RevSliderData"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(65) "/var/www/web/wp-content/plugins/revslider/includes/data.class.php"
          ["line"]=>
          int(87)
          ["function"]=>
          string(30) "get_custom_animations_full_pre"
          ["class"]=>
          string(13) "RevSliderData"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(5) {
          ["file"]=>
          string(65) "/var/www/web/wp-content/plugins/revslider/includes/data.class.php"
          ["line"]=>
          int(322)
          ["function"]=>
          string(14) "get_animations"
          ["class"]=>
          string(13) "RevSliderData"
          ["type"]=>
          string(2) "->"
        }
        [6]=>
        array(5) {
          ["file"]=>
          string(80) "/var/www/web/wp-content/plugins/revslider/admin/includes/plugin-update.class.php"
          ["line"]=>
          int(103)
          ["function"]=>
          string(20) "get_layer_animations"
          ["class"]=>
          string(13) "RevSliderData"
          ["type"]=>
          string(2) "->"
        }
        [7]=>
        array(5) {
          ["file"]=>
          string(80) "/var/www/web/wp-content/plugins/revslider/admin/includes/plugin-update.class.php"
          ["line"]=>
          int(175)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(21) "RevSliderPluginUpdate"
          ["type"]=>
          string(2) "->"
        }
        [8]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(16) "do_update_checks"
          ["class"]=>
          string(21) "RevSliderPluginUpdate"
          ["type"]=>
          string(2) "::"
        }
        [9]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [10]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [11]=>
        array(4) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(506)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(14) "plugins_loaded"
          }
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [13]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [14]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [15]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(0)
  }
  [16]=>
  array(7) {
    [0]=>
    string(46) "SELECT * FROM tD6qv_revslider_layer_animations"
    [1]=>
    float(9.4175338745117E-5)
    [2]=>
    string(437) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), do_action('plugins_loaded'), WP_Hook->do_action, WP_Hook->apply_filters, RevSliderPluginUpdate::do_update_checks, RevSliderPluginUpdate->__construct, RevSliderData->get_layer_animations, RevSliderData->get_end_animations, RevSliderData->get_custom_animations_full_pre, RevSliderData->fill_animations, QM_DB->query"
    [3]=>
    float(1784046906.9996)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#23522 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(16) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3127)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(65) "/var/www/web/wp-content/plugins/revslider/includes/data.class.php"
          ["line"]=>
          int(187)
          ["function"]=>
          string(11) "get_results"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(65) "/var/www/web/wp-content/plugins/revslider/includes/data.class.php"
          ["line"]=>
          int(150)
          ["function"]=>
          string(15) "fill_animations"
          ["class"]=>
          string(13) "RevSliderData"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(65) "/var/www/web/wp-content/plugins/revslider/includes/data.class.php"
          ["line"]=>
          int(95)
          ["function"]=>
          string(30) "get_custom_animations_full_pre"
          ["class"]=>
          string(13) "RevSliderData"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(5) {
          ["file"]=>
          string(65) "/var/www/web/wp-content/plugins/revslider/includes/data.class.php"
          ["line"]=>
          int(323)
          ["function"]=>
          string(18) "get_end_animations"
          ["class"]=>
          string(13) "RevSliderData"
          ["type"]=>
          string(2) "->"
        }
        [6]=>
        array(5) {
          ["file"]=>
          string(80) "/var/www/web/wp-content/plugins/revslider/admin/includes/plugin-update.class.php"
          ["line"]=>
          int(103)
          ["function"]=>
          string(20) "get_layer_animations"
          ["class"]=>
          string(13) "RevSliderData"
          ["type"]=>
          string(2) "->"
        }
        [7]=>
        array(5) {
          ["file"]=>
          string(80) "/var/www/web/wp-content/plugins/revslider/admin/includes/plugin-update.class.php"
          ["line"]=>
          int(175)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(21) "RevSliderPluginUpdate"
          ["type"]=>
          string(2) "->"
        }
        [8]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(16) "do_update_checks"
          ["class"]=>
          string(21) "RevSliderPluginUpdate"
          ["type"]=>
          string(2) "::"
        }
        [9]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [10]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [11]=>
        array(4) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(506)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(14) "plugins_loaded"
          }
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [13]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [14]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [15]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(0)
  }
  [17]=>
  array(7) {
    [0]=>
    string(46) "SELECT * FROM tD6qv_revslider_layer_animations"
    [1]=>
    float(7.9870223999023E-5)
    [2]=>
    string(438) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), do_action('plugins_loaded'), WP_Hook->do_action, WP_Hook->apply_filters, RevSliderPluginUpdate::do_update_checks, RevSliderPluginUpdate->__construct, RevSliderData->get_layer_animations, RevSliderData->get_loop_animations, RevSliderData->get_custom_animations_full_pre, RevSliderData->fill_animations, QM_DB->query"
    [3]=>
    float(1784046906.9997)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#23523 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(16) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3127)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(65) "/var/www/web/wp-content/plugins/revslider/includes/data.class.php"
          ["line"]=>
          int(187)
          ["function"]=>
          string(11) "get_results"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(65) "/var/www/web/wp-content/plugins/revslider/includes/data.class.php"
          ["line"]=>
          int(150)
          ["function"]=>
          string(15) "fill_animations"
          ["class"]=>
          string(13) "RevSliderData"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(65) "/var/www/web/wp-content/plugins/revslider/includes/data.class.php"
          ["line"]=>
          int(99)
          ["function"]=>
          string(30) "get_custom_animations_full_pre"
          ["class"]=>
          string(13) "RevSliderData"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(5) {
          ["file"]=>
          string(65) "/var/www/web/wp-content/plugins/revslider/includes/data.class.php"
          ["line"]=>
          int(324)
          ["function"]=>
          string(19) "get_loop_animations"
          ["class"]=>
          string(13) "RevSliderData"
          ["type"]=>
          string(2) "->"
        }
        [6]=>
        array(5) {
          ["file"]=>
          string(80) "/var/www/web/wp-content/plugins/revslider/admin/includes/plugin-update.class.php"
          ["line"]=>
          int(103)
          ["function"]=>
          string(20) "get_layer_animations"
          ["class"]=>
          string(13) "RevSliderData"
          ["type"]=>
          string(2) "->"
        }
        [7]=>
        array(5) {
          ["file"]=>
          string(80) "/var/www/web/wp-content/plugins/revslider/admin/includes/plugin-update.class.php"
          ["line"]=>
          int(175)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(21) "RevSliderPluginUpdate"
          ["type"]=>
          string(2) "->"
        }
        [8]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(16) "do_update_checks"
          ["class"]=>
          string(21) "RevSliderPluginUpdate"
          ["type"]=>
          string(2) "::"
        }
        [9]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [10]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [11]=>
        array(4) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(506)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(14) "plugins_loaded"
          }
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [13]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [14]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [15]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(0)
  }
  [18]=>
  array(7) {
    [0]=>
    string(123) "
			SELECT COUNT(*)
			FROM tD6qv_options
			WHERE option_name LIKE 'elementor\\_1\\_custom\\_task\\_manger\\_batch\\_%'
		"
    [1]=>
    float(0.00046205520629883)
    [2]=>
    string(442) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), do_action('init'), WP_Hook->do_action, WP_Hook->apply_filters, Elementor\Plugin->init, Elementor\Plugin->init_components, Elementor\Core\Upgrade\Custom_Tasks_Manager->__construct, Elementor\Core\Base\Background_Task->is_running, Elementor\Core\Base\BackgroundProcess\WP_Background_Process->is_queue_empty, QM_DB->query"
    [3]=>
    float(1784046907.1076)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#28031 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(15) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3012)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(96) "/var/www/web/wp-content/plugins/elementor/core/base/background-process/wp-background-process.php"
          ["line"]=>
          int(208)
          ["function"]=>
          string(7) "get_var"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(71) "/var/www/web/wp-content/plugins/elementor/core/base/background-task.php"
          ["line"]=>
          int(151)
          ["function"]=>
          string(14) "is_queue_empty"
          ["class"]=>
          string(59) "Elementor\Core\Base\BackgroundProcess\WP_Background_Process"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/elementor/core/upgrade/custom-tasks-manager.php"
          ["line"]=>
          int(105)
          ["function"]=>
          string(10) "is_running"
          ["class"]=>
          string(35) "Elementor\Core\Base\Background_Task"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(5) {
          ["file"]=>
          string(61) "/var/www/web/wp-content/plugins/elementor/includes/plugin.php"
          ["line"]=>
          int(748)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(43) "Elementor\Core\Upgrade\Custom_Tasks_Manager"
          ["type"]=>
          string(2) "->"
        }
        [6]=>
        array(5) {
          ["file"]=>
          string(61) "/var/www/web/wp-content/plugins/elementor/includes/plugin.php"
          ["line"]=>
          int(647)
          ["function"]=>
          string(15) "init_components"
          ["class"]=>
          string(16) "Elementor\Plugin"
          ["type"]=>
          string(2) "->"
        }
        [7]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(4) "init"
          ["class"]=>
          string(16) "Elementor\Plugin"
          ["type"]=>
          string(2) "->"
        }
        [8]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [9]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [10]=>
        array(4) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(643)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(4) "init"
          }
        }
        [11]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [13]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [14]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(1)
  }
  [19]=>
  array(7) {
    [0]=>
    string(49) "SELECT * FROM tD6qv_ajaxsearchpro ORDER BY id ASC"
    [1]=>
    float(0.00046586990356445)
    [2]=>
    string(400) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), do_action('init'), WP_Hook->do_action, WP_Hook->apply_filters, Vc_Manager->init, do_action('vc_before_init'), WP_Hook->do_action, WP_Hook->apply_filters, VCASPAddonClass->integrateWithVC, WPDRMS\ASP\Core\Instances->getWithoutData, WPDRMS\ASP\Core\Instances->init, QM_DB->query"
    [3]=>
    float(1784046907.221)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#32440 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(17) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3127)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/ajax-search-pro/includes/classes/Core/Instances.php"
          ["line"]=>
          int(647)
          ["function"]=>
          string(11) "get_results"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/ajax-search-pro/includes/classes/Core/Instances.php"
          ["line"]=>
          int(128)
          ["function"]=>
          string(4) "init"
          ["class"]=>
          string(25) "WPDRMS\ASP\Core\Instances"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(72) "/var/www/web/wp-content/plugins/ajax-search-pro/backend/vc/vc.extend.php"
          ["line"]=>
          int(38)
          ["function"]=>
          string(14) "getWithoutData"
          ["class"]=>
          string(25) "WPDRMS\ASP\Core\Instances"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(15) "integrateWithVC"
          ["class"]=>
          string(15) "VCASPAddonClass"
          ["type"]=>
          string(2) "->"
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [7]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [8]=>
        array(4) {
          ["file"]=>
          string(59) "/var/www/web/wp-content/plugins/js_composer/js_composer.php"
          ["line"]=>
          int(250)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(14) "vc_before_init"
          }
        }
        [9]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(4) "init"
          ["class"]=>
          string(10) "Vc_Manager"
          ["type"]=>
          string(2) "->"
        }
        [10]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [11]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [12]=>
        array(4) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(643)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(4) "init"
          }
        }
        [13]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [14]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [15]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [16]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(2)
  }
  [20]=>
  array(7) {
    [0]=>
    string(305) "SELECT a.action_id FROM tD6qv_actionscheduler_actions a LEFT JOIN tD6qv_actionscheduler_groups g ON g.group_id=a.group_id WHERE 1=1 AND g.slug='ultimate-member' AND a.hook='um_schedule_empty_account_status_check' AND a.args='[]' AND a.status IN ('in-progress') ORDER BY a.scheduled_date_gmt ASC LIMIT 0, 1"
    [1]=>
    float(0.00055384635925293)
    [2]=>
    string(398) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), do_action('init'), WP_Hook->do_action, WP_Hook->apply_filters, um\common\actions\Users->add_recurring_action, um\action_scheduler\Init->next_scheduled_action, as_next_scheduled_action, ActionScheduler_Store->query_action, ActionScheduler_DBStore->query_actions, QM_DB->query"
    [3]=>
    float(1784046907.2925)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#32439 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(15) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3088)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(128) "/var/www/web/wp-content/plugins/wpforms-lite/vendor/woocommerce/action-scheduler/classes/data-stores/ActionScheduler_DBStore.php"
          ["line"]=>
          int(646)
          ["function"]=>
          string(7) "get_col"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(124) "/var/www/web/wp-content/plugins/wpforms-lite/vendor/woocommerce/action-scheduler/classes/abstracts/ActionScheduler_Store.php"
          ["line"]=>
          int(131)
          ["function"]=>
          string(13) "query_actions"
          ["class"]=>
          string(23) "ActionScheduler_DBStore"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(94) "/var/www/web/wp-content/plugins/wpforms-lite/vendor/woocommerce/action-scheduler/functions.php"
          ["line"]=>
          int(360)
          ["function"]=>
          string(12) "query_action"
          ["class"]=>
          string(21) "ActionScheduler_Store"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(3) {
          ["file"]=>
          string(88) "/var/www/web/wp-content/plugins/ultimate-member/includes/action-scheduler/class-init.php"
          ["line"]=>
          int(276)
          ["function"]=>
          string(24) "as_next_scheduled_action"
        }
        [6]=>
        array(5) {
          ["file"]=>
          string(87) "/var/www/web/wp-content/plugins/ultimate-member/includes/common/actions/class-users.php"
          ["line"]=>
          int(36)
          ["function"]=>
          string(21) "next_scheduled_action"
          ["class"]=>
          string(24) "um\action_scheduler\Init"
          ["type"]=>
          string(2) "->"
        }
        [7]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(20) "add_recurring_action"
          ["class"]=>
          string(23) "um\common\actions\Users"
          ["type"]=>
          string(2) "->"
        }
        [8]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [9]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [10]=>
        array(4) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(643)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(4) "init"
          }
        }
        [11]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [13]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [14]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(0)
  }
  [21]=>
  array(7) {
    [0]=>
    string(301) "SELECT a.action_id FROM tD6qv_actionscheduler_actions a LEFT JOIN tD6qv_actionscheduler_groups g ON g.group_id=a.group_id WHERE 1=1 AND g.slug='ultimate-member' AND a.hook='um_schedule_empty_account_status_check' AND a.args='[]' AND a.status IN ('pending') ORDER BY a.scheduled_date_gmt ASC LIMIT 0, 1"
    [1]=>
    float(0.00084114074707031)
    [2]=>
    string(398) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), do_action('init'), WP_Hook->do_action, WP_Hook->apply_filters, um\common\actions\Users->add_recurring_action, um\action_scheduler\Init->next_scheduled_action, as_next_scheduled_action, ActionScheduler_Store->query_action, ActionScheduler_DBStore->query_actions, QM_DB->query"
    [3]=>
    float(1784046907.2933)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#34317 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(15) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3088)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(128) "/var/www/web/wp-content/plugins/wpforms-lite/vendor/woocommerce/action-scheduler/classes/data-stores/ActionScheduler_DBStore.php"
          ["line"]=>
          int(646)
          ["function"]=>
          string(7) "get_col"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(124) "/var/www/web/wp-content/plugins/wpforms-lite/vendor/woocommerce/action-scheduler/classes/abstracts/ActionScheduler_Store.php"
          ["line"]=>
          int(131)
          ["function"]=>
          string(13) "query_actions"
          ["class"]=>
          string(23) "ActionScheduler_DBStore"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(94) "/var/www/web/wp-content/plugins/wpforms-lite/vendor/woocommerce/action-scheduler/functions.php"
          ["line"]=>
          int(366)
          ["function"]=>
          string(12) "query_action"
          ["class"]=>
          string(21) "ActionScheduler_Store"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(3) {
          ["file"]=>
          string(88) "/var/www/web/wp-content/plugins/ultimate-member/includes/action-scheduler/class-init.php"
          ["line"]=>
          int(276)
          ["function"]=>
          string(24) "as_next_scheduled_action"
        }
        [6]=>
        array(5) {
          ["file"]=>
          string(87) "/var/www/web/wp-content/plugins/ultimate-member/includes/common/actions/class-users.php"
          ["line"]=>
          int(36)
          ["function"]=>
          string(21) "next_scheduled_action"
          ["class"]=>
          string(24) "um\action_scheduler\Init"
          ["type"]=>
          string(2) "->"
        }
        [7]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(20) "add_recurring_action"
          ["class"]=>
          string(23) "um\common\actions\Users"
          ["type"]=>
          string(2) "->"
        }
        [8]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [9]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [10]=>
        array(4) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(643)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(4) "init"
          }
        }
        [11]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [13]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [14]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(1)
  }
  [22]=>
  array(7) {
    [0]=>
    string(158) "SELECT a.*, g.slug AS `group` FROM tD6qv_actionscheduler_actions a LEFT JOIN tD6qv_actionscheduler_groups g ON a.group_id=g.group_id WHERE a.action_id=5504589"
    [1]=>
    float(0.00035214424133301)
    [2]=>
    string(360) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), do_action('init'), WP_Hook->do_action, WP_Hook->apply_filters, um\common\actions\Users->add_recurring_action, um\action_scheduler\Init->next_scheduled_action, as_next_scheduled_action, ActionScheduler_DBStore->fetch_action, QM_DB->query"
    [3]=>
    float(1784046907.2942)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#34316 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(14) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3046)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(128) "/var/www/web/wp-content/plugins/wpforms-lite/vendor/woocommerce/action-scheduler/classes/data-stores/ActionScheduler_DBStore.php"
          ["line"]=>
          int(340)
          ["function"]=>
          string(7) "get_row"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(94) "/var/www/web/wp-content/plugins/wpforms-lite/vendor/woocommerce/action-scheduler/functions.php"
          ["line"]=>
          int(371)
          ["function"]=>
          string(12) "fetch_action"
          ["class"]=>
          string(23) "ActionScheduler_DBStore"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(3) {
          ["file"]=>
          string(88) "/var/www/web/wp-content/plugins/ultimate-member/includes/action-scheduler/class-init.php"
          ["line"]=>
          int(276)
          ["function"]=>
          string(24) "as_next_scheduled_action"
        }
        [5]=>
        array(5) {
          ["file"]=>
          string(87) "/var/www/web/wp-content/plugins/ultimate-member/includes/common/actions/class-users.php"
          ["line"]=>
          int(36)
          ["function"]=>
          string(21) "next_scheduled_action"
          ["class"]=>
          string(24) "um\action_scheduler\Init"
          ["type"]=>
          string(2) "->"
        }
        [6]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(20) "add_recurring_action"
          ["class"]=>
          string(23) "um\common\actions\Users"
          ["type"]=>
          string(2) "->"
        }
        [7]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [8]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [9]=>
        array(4) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(643)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(4) "init"
          }
        }
        [10]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [11]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [13]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(1)
  }
  [23]=>
  array(7) {
    [0]=>
    string(125) "SELECT DISTINCT post_id 
		         FROM tD6qv_postmeta 
		         WHERE meta_key = 'wp_protect_password_multiple_passwords'"
    [1]=>
    float(0.00066995620727539)
    [2]=>
    string(809) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), do_action('init'), WP_Hook->do_action, WP_Hook->apply_filters, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::register_custom_taxonomy, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::screen_options, get_terms, apply_filters('get_terms'), WP_Hook->apply_filters, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::table_tags_count, array_walk, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::WP_Table_Builder\Inc\Admin\Managers\{closure}, WP_Query->__construct, WP_Query->query, WP_Query->get_posts, do_action_ref_array('pre_get_posts'), WP_Hook->do_action, WP_Hook->apply_filters, PPW_Admin->ppwp_exclude_protected_items_from_qry, PPW_Admin->ppwp_get_all_protected_ids, QM_DB->query"
    [3]=>
    float(1784046907.3085)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#34225 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(26) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3088)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1299)
          ["function"]=>
          string(7) "get_col"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1251)
          ["function"]=>
          string(26) "ppwp_get_all_protected_ids"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(37) "ppwp_exclude_protected_items_from_qry"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            bool(false)
          }
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(565)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              object(WP_Query)#34233 (52) {
                ["query"]=>
                array(5) {
                  ["post_type"]=>
                  string(11) "wptb-tables"
                  ["post_status"]=>
                  string(5) "draft"
                  ["tax_query"]=>
                  array(1) {
                    [0]=>
                    array(3) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["field"]=>
                      string(4) "slug"
                      ["terms"]=>
                      string(38) "bu%e4%ba%8b%e6%a5%ad%e5%96%ae%e4%bd%8d"
                    }
                  }
                  ["meta_key"]=>
                  string(14) "_wptb_content_"
                  ["meta_compare"]=>
                  string(6) "EXISTS"
                }
                ["query_vars"]=>
                array(70) {
                  ["post_type"]=>
                  string(11) "wptb-tables"
                  ["post_status"]=>
                  string(5) "draft"
                  ["tax_query"]=>
                  array(1) {
                    [0]=>
                    array(3) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["field"]=>
                      string(4) "slug"
                      ["terms"]=>
                      string(38) "bu%e4%ba%8b%e6%a5%ad%e5%96%ae%e4%bd%8d"
                    }
                  }
                  ["meta_key"]=>
                  string(14) "_wptb_content_"
                  ["meta_compare"]=>
                  string(6) "EXISTS"
                  ["error"]=>
                  string(0) ""
                  ["m"]=>
                  string(0) ""
                  ["p"]=>
                  int(0)
                  ["post_parent"]=>
                  string(0) ""
                  ["subpost"]=>
                  string(0) ""
                  ["subpost_id"]=>
                  string(0) ""
                  ["attachment"]=>
                  string(0) ""
                  ["attachment_id"]=>
                  int(0)
                  ["name"]=>
                  string(0) ""
                  ["pagename"]=>
                  string(0) ""
                  ["page_id"]=>
                  int(0)
                  ["second"]=>
                  string(0) ""
                  ["minute"]=>
                  string(0) ""
                  ["hour"]=>
                  string(0) ""
                  ["day"]=>
                  int(0)
                  ["monthnum"]=>
                  int(0)
                  ["year"]=>
                  int(0)
                  ["w"]=>
                  int(0)
                  ["category_name"]=>
                  string(0) ""
                  ["tag"]=>
                  string(0) ""
                  ["cat"]=>
                  string(0) ""
                  ["tag_id"]=>
                  string(0) ""
                  ["author"]=>
                  string(0) ""
                  ["author_name"]=>
                  string(0) ""
                  ["feed"]=>
                  string(0) ""
                  ["tb"]=>
                  string(0) ""
                  ["paged"]=>
                  int(0)
                  ["meta_value"]=>
                  string(0) ""
                  ["preview"]=>
                  string(0) ""
                  ["s"]=>
                  string(0) ""
                  ["sentence"]=>
                  string(0) ""
                  ["title"]=>
                  string(0) ""
                  ["fields"]=>
                  string(0) ""
                  ["menu_order"]=>
                  string(0) ""
                  ["embed"]=>
                  string(0) ""
                  ["category__in"]=>
                  array(0) {
                  }
                  ["category__not_in"]=>
                  array(0) {
                  }
                  ["category__and"]=>
                  array(0) {
                  }
                  ["post__in"]=>
                  array(0) {
                  }
                  ["post__not_in"]=>
                  array(0) {
                  }
                  ["post_name__in"]=>
                  array(0) {
                  }
                  ["tag__in"]=>
                  array(0) {
                  }
                  ["tag__not_in"]=>
                  array(0) {
                  }
                  ["tag__and"]=>
                  array(0) {
                  }
                  ["tag_slug__in"]=>
                  array(0) {
                  }
                  ["tag_slug__and"]=>
                  array(0) {
                  }
                  ["post_parent__in"]=>
                  array(0) {
                  }
                  ["post_parent__not_in"]=>
                  array(0) {
                  }
                  ["author__in"]=>
                  array(0) {
                  }
                  ["author__not_in"]=>
                  array(0) {
                  }
                  ["search_columns"]=>
                  array(0) {
                  }
                  ["ignore_sticky_posts"]=>
                  bool(false)
                  ["suppress_filters"]=>
                  bool(false)
                  ["cache_results"]=>
                  bool(true)
                  ["update_post_term_cache"]=>
                  bool(true)
                  ["update_menu_item_cache"]=>
                  bool(false)
                  ["lazy_load_term_meta"]=>
                  bool(true)
                  ["update_post_meta_cache"]=>
                  bool(true)
                  ["posts_per_page"]=>
                  int(12)
                  ["nopaging"]=>
                  bool(false)
                  ["comments_per_page"]=>
                  string(2) "50"
                  ["no_found_rows"]=>
                  bool(false)
                  ["taxonomy"]=>
                  string(10) "table_tags"
                  ["term"]=>
                  string(38) "bu%e4%ba%8b%e6%a5%ad%e5%96%ae%e4%bd%8d"
                  ["order"]=>
                  string(4) "DESC"
                }
                ["tax_query"]=>
                object(WP_Tax_Query)#34223 (6) {
                  ["queries"]=>
                  array(1) {
                    [0]=>
                    array(5) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["terms"]=>
                      array(1) {
                        [0]=>
                        string(38) "bu%e4%ba%8b%e6%a5%ad%e5%96%ae%e4%bd%8d"
                      }
                      ["field"]=>
                      string(4) "slug"
                      ["operator"]=>
                      string(2) "IN"
                      ["include_children"]=>
                      bool(true)
                    }
                  }
                  ["relation"]=>
                  string(3) "AND"
                  ["table_aliases":protected]=>
                  array(1) {
                    [0]=>
                    string(24) "tD6qv_term_relationships"
                  }
                  ["queried_terms"]=>
                  array(1) {
                    ["table_tags"]=>
                    array(2) {
                      ["terms"]=>
                      array(1) {
                        [0]=>
                        string(38) "bu%e4%ba%8b%e6%a5%ad%e5%96%ae%e4%bd%8d"
                      }
                      ["field"]=>
                      string(4) "slug"
                    }
                  }
                  ["primary_table"]=>
                  string(11) "tD6qv_posts"
                  ["primary_id_column"]=>
                  string(2) "ID"
                }
                ["meta_query"]=>
                object(WP_Meta_Query)#34224 (9) {
                  ["queries"]=>
                  array(2) {
                    [0]=>
                    array(2) {
                      ["key"]=>
                      string(14) "_wptb_content_"
                      ["compare"]=>
                      string(6) "EXISTS"
                    }
                    ["relation"]=>
                    string(2) "OR"
                  }
                  ["relation"]=>
                  string(3) "AND"
                  ["meta_table"]=>
                  string(14) "tD6qv_postmeta"
                  ["meta_id_column"]=>
                  string(7) "post_id"
                  ["primary_table"]=>
                  string(11) "tD6qv_posts"
                  ["primary_id_column"]=>
                  string(2) "ID"
                  ["table_aliases":protected]=>
                  array(1) {
                    [0]=>
                    string(14) "tD6qv_postmeta"
                  }
                  ["clauses":protected]=>
                  array(1) {
                    ["tD6qv_postmeta"]=>
                    array(5) {
                      ["key"]=>
                      string(14) "_wptb_content_"
                      ["compare"]=>
                      string(6) "EXISTS"
                      ["compare_key"]=>
                      string(1) "="
                      ["alias"]=>
                      string(14) "tD6qv_postmeta"
                      ["cast"]=>
                      string(4) "CHAR"
                    }
                  }
                  ["has_or_relation":protected]=>
                  bool(false)
                }
                ["date_query"]=>
                bool(false)
                ["request"]=>
                string(2812) "
			SELECT SQL_CALC_FOUND_ROWS  tD6qv_posts.*
			FROM tD6qv_posts  LEFT JOIN tD6qv_term_relationships ON (tD6qv_posts.ID = tD6qv_term_relationships.object_id) INNER JOIN tD6qv_postmeta ON ( tD6qv_posts.ID = tD6qv_postmeta.post_id )
			WHERE 1=1  AND ( 
  tD6qv_term_relationships.term_taxonomy_id IN (623)
) AND ( 
  tD6qv_postmeta.meta_key = '_wptb_content_'
) AND tD6qv_posts.post_type = 'wptb-tables' AND ((tD6qv_posts.post_status = 'draft')) AND tD6qv_posts.ID NOT IN ( 31016, 31017, 31018, 31019, 31020, 31021, 31023, 31047, 31048, 31049, 31050, 31051, 31052, 31053, 31054, 31061, 31062, 31063, 31064, 31065, 31074, 31075, 31076, 31077, 31078, 31079, 31094, 31095, 31096, 31097, 31098, 31103, 31104, 31105, 31110, 31111, 31113, 31115, 31117, 31119, 31121, 31123, 31125, 31127, 31129, 31131, 31133, 31135, 31137, 31140, 31142, 31144, 31150, 31152, 31155, 31157, 31159, 31161, 31163, 31165, 31167, 31169, 31171, 31173, 31176, 31178, 31180, 31189, 31199, 31200, 31201, 31202, 31203, 31210, 31211, 31212, 31213, 31214, 31222, 31223, 31224, 31225, 31226, 31233, 31234, 31235, 31237, 31238, 31239, 31242, 31243, 31245, 31247, 31249, 31257, 31258, 31260, 31261, 31262, 31263, 31264, 31265, 31287, 31288, 31289, 31290, 31339, 31342, 32291, 32570, 32694, 33157, 33302, 33304, 33981, 34831, 34832, 35549, 35551, 35586, 35590, 35591, 35592, 35593, 35594, 35595, 35659, 35660, 35661, 35662, 35663, 35664, 35665, 35666, 35668, 35672, 35676, 35679, 35680, 35681, 35682, 35683, 35684, 35685, 35689, 35694, 35696, 35697, 35698, 35702, 35703, 35704, 35706, 35713, 35720, 35742, 35743, 35744, 35746, 35747, 35748, 35749, 35750, 35751, 35752, 35753, 35754, 35755, 35756, 35757, 48063, 48070, 48071, 48072, 48074, 48075, 48184, 48188, 48189, 49076, 49099, 49104, 49106, 49455, 49457, 49459, 49461, 49463, 49465, 49467, 49469, 49676, 49681, 49682, 49683, 49727, 49729, 49731, 49733, 49735, 49737, 49739, 49854, 49969, 50452, 50455, 50457, 50459, 50461, 50463, 50465, 50709, 50711, 50713, 50715, 50717, 50719, 50721, 50723, 50725, 50727, 50729, 50731, 50733, 50735, 50737, 50739, 50741, 50743, 50745, 50749, 50753, 50755, 50756, 50758, 50760, 50762, 50764, 50766, 51313, 51345, 51347, 51349, 51405, 51511, 51513, 51952, 52094, 54373, 54375, 54377, 54379, 54382, 54384, 54387, 54389, 54391, 54393, 54396, 54400, 55813, 57567, 57569, 57579, 57582, 57586, 57591, 60450, 60718, 60842, 60974, 60977, 89588, 89591, 89593, 89595, 89597, 89601, 91915, 91916, 91918, 93992, 93994, 109831, 109911, 110004, 110006, 110011, 110015, 110018, 110020, 110024, 110028, 110030, 110032, 110034, 110039, 110041, 110043, 110045, 110047, 110051, 110122, 110124, 110126, 110128, 110131, 110134, 110137, 110139, 110142, 110144, 110146, 110148 ) 
			GROUP BY tD6qv_posts.ID
			ORDER BY tD6qv_posts.menu_order, tD6qv_posts.post_date DESC
			LIMIT 0, 12
		"
                ["posts"]=>
                array(0) {
                }
                ["post_count"]=>
                int(0)
                ["current_post"]=>
                int(-1)
                ["before_loop"]=>
                bool(true)
                ["in_the_loop"]=>
                bool(false)
                ["comment_count"]=>
                int(0)
                ["current_comment"]=>
                int(-1)
                ["found_posts"]=>
                int(0)
                ["max_num_pages"]=>
                int(0)
                ["max_num_comment_pages"]=>
                int(0)
                ["is_single"]=>
                bool(false)
                ["is_preview"]=>
                bool(false)
                ["is_page"]=>
                bool(false)
                ["is_archive"]=>
                bool(true)
                ["is_date"]=>
                bool(false)
                ["is_year"]=>
                bool(false)
                ["is_month"]=>
                bool(false)
                ["is_day"]=>
                bool(false)
                ["is_time"]=>
                bool(false)
                ["is_author"]=>
                bool(false)
                ["is_category"]=>
                bool(false)
                ["is_tag"]=>
                bool(false)
                ["is_tax"]=>
                bool(true)
                ["is_search"]=>
                bool(false)
                ["is_feed"]=>
                bool(false)
                ["is_comment_feed"]=>
                bool(false)
                ["is_trackback"]=>
                bool(false)
                ["is_home"]=>
                bool(false)
                ["is_privacy_policy"]=>
                bool(false)
                ["is_404"]=>
                bool(false)
                ["is_embed"]=>
                bool(false)
                ["is_paged"]=>
                bool(false)
                ["is_admin"]=>
                bool(false)
                ["is_attachment"]=>
                bool(false)
                ["is_singular"]=>
                bool(false)
                ["is_robots"]=>
                bool(false)
                ["is_favicon"]=>
                bool(false)
                ["is_posts_page"]=>
                bool(false)
                ["is_post_type_archive"]=>
                bool(false)
                ["query_vars_hash":"WP_Query":private]=>
                string(32) "1bea0fe8794fe51058584f974ce9c34f"
                ["query_vars_changed":"WP_Query":private]=>
                bool(false)
                ["thumbnails_cached"]=>
                bool(false)
                ["allow_query_attachment_by_filename":protected]=>
                bool(false)
                ["stopwords":"WP_Query":private]=>
                NULL
                ["compat_fields":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(15) "query_vars_hash"
                  [1]=>
                  string(18) "query_vars_changed"
                }
                ["compat_methods":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(16) "init_query_flags"
                  [1]=>
                  string(15) "parse_tax_query"
                }
              }
            }
          }
        }
        [7]=>
        array(4) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(1881)
          ["function"]=>
          string(19) "do_action_ref_array"
          ["args"]=>
          array(1) {
            [0]=>
            string(13) "pre_get_posts"
          }
        }
        [8]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3800)
          ["function"]=>
          string(9) "get_posts"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [9]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3932)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [10]=>
        array(5) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(167)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [11]=>
        array(3) {
          ["function"]=>
          string(45) "WP_Table_Builder\Inc\Admin\Managers\{closure}"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(174)
          ["function"]=>
          string(10) "array_walk"
        }
        [13]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(312)
          ["function"]=>
          string(16) "table_tags_count"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [14]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(205)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(11) {
              [0]=>
              object(WP_Term)#34240 (11) {
                ["term_id"]=>
                int(623)
                ["name"]=>
                string(14) "BU事業單位"
                ["slug"]=>
                string(38) "bu%e4%ba%8b%e6%a5%ad%e5%96%ae%e4%bd%8d"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(623)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [1]=>
              object(WP_Term)#34242 (11) {
                ["term_id"]=>
                int(624)
                ["name"]=>
                string(30) "企管顧問公司收費標準"
                ["slug"]=>
                string(90) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%94%b6%e8%b2%bb%e6%a8%99%e6%ba%96"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(624)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [2]=>
              object(WP_Term)#34244 (11) {
                ["term_id"]=>
                int(625)
                ["name"]=>
                string(24) "企管顧問公司推薦"
                ["slug"]=>
                string(72) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(625)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [3]=>
              object(WP_Term)#34246 (11) {
                ["term_id"]=>
                int(626)
                ["name"]=>
                string(18) "企管顧問推薦"
                ["slug"]=>
                string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(626)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [4]=>
              object(WP_Term)#34248 (11) {
                ["term_id"]=>
                int(596)
                ["name"]=>
                string(18) "人力資源管理"
                ["slug"]=>
                string(54) "%e4%ba%ba%e5%8a%9b%e8%b3%87%e6%ba%90%e7%ae%a1%e7%90%86"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(596)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [5]=>
              object(WP_Term)#34250 (11) {
                ["term_id"]=>
                int(612)
                ["name"]=>
                string(12) "經營顧問"
                ["slug"]=>
                string(36) "%e7%b6%93%e7%87%9f%e9%a1%a7%e5%95%8f"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(612)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [6]=>
              object(WP_Term)#34252 (11) {
                ["term_id"]=>
                int(613)
                ["name"]=>
                string(12) "企管顧問"
                ["slug"]=>
                string(36) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(613)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [7]=>
              object(WP_Term)#34254 (11) {
                ["term_id"]=>
                int(614)
                ["name"]=>
                string(18) "管理顧問推薦"
                ["slug"]=>
                string(54) "%e7%ae%a1%e7%90%86%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(614)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [8]=>
              object(WP_Term)#34256 (11) {
                ["term_id"]=>
                int(615)
                ["name"]=>
                string(12) "市場營銷"
                ["slug"]=>
                string(36) "%e5%b8%82%e5%a0%b4%e7%87%9f%e9%8a%b7"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(615)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [9]=>
              object(WP_Term)#34235 (11) {
                ["term_id"]=>
                int(616)
                ["name"]=>
                string(12) "營銷策略"
                ["slug"]=>
                string(36) "%e7%87%9f%e9%8a%b7%e7%ad%96%e7%95%a5"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(616)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [10]=>
              object(WP_Term)#34234 (11) {
                ["term_id"]=>
                int(622)
                ["name"]=>
                string(18) "企管顧問公司"
                ["slug"]=>
                string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(622)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
            }
          }
        }
        [15]=>
        array(4) {
          ["file"]=>
          string(37) "/var/www/web/wp-includes/taxonomy.php"
          ["line"]=>
          int(1330)
          ["function"]=>
          string(13) "apply_filters"
          ["args"]=>
          array(1) {
            [0]=>
            string(9) "get_terms"
          }
        }
        [16]=>
        array(3) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(227)
          ["function"]=>
          string(9) "get_terms"
        }
        [17]=>
        array(5) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(393)
          ["function"]=>
          string(14) "screen_options"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [18]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(24) "register_custom_taxonomy"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [19]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [20]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [21]=>
        array(4) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(643)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(4) "init"
          }
        }
        [22]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [23]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [24]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [25]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(7)
  }
  [24]=>
  array(7) {
    [0]=>
    string(125) "SELECT DISTINCT post_id 
		         FROM tD6qv_postmeta 
		         WHERE meta_key = 'wp_protect_password_multiple_passwords'"
    [1]=>
    float(0.00049304962158203)
    [2]=>
    string(809) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), do_action('init'), WP_Hook->do_action, WP_Hook->apply_filters, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::register_custom_taxonomy, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::screen_options, get_terms, apply_filters('get_terms'), WP_Hook->apply_filters, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::table_tags_count, array_walk, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::WP_Table_Builder\Inc\Admin\Managers\{closure}, WP_Query->__construct, WP_Query->query, WP_Query->get_posts, do_action_ref_array('pre_get_posts'), WP_Hook->do_action, WP_Hook->apply_filters, PPW_Admin->ppwp_exclude_protected_items_from_qry, PPW_Admin->ppwp_get_all_protected_ids, QM_DB->query"
    [3]=>
    float(1784046907.3108)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#34222 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(26) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3088)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1299)
          ["function"]=>
          string(7) "get_col"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1251)
          ["function"]=>
          string(26) "ppwp_get_all_protected_ids"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(37) "ppwp_exclude_protected_items_from_qry"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            bool(false)
          }
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(565)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              object(WP_Query)#34220 (52) {
                ["query"]=>
                array(5) {
                  ["post_type"]=>
                  string(11) "wptb-tables"
                  ["post_status"]=>
                  string(5) "draft"
                  ["tax_query"]=>
                  array(1) {
                    [0]=>
                    array(3) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["field"]=>
                      string(4) "slug"
                      ["terms"]=>
                      string(90) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%94%b6%e8%b2%bb%e6%a8%99%e6%ba%96"
                    }
                  }
                  ["meta_key"]=>
                  string(14) "_wptb_content_"
                  ["meta_compare"]=>
                  string(6) "EXISTS"
                }
                ["query_vars"]=>
                array(70) {
                  ["post_type"]=>
                  string(11) "wptb-tables"
                  ["post_status"]=>
                  string(5) "draft"
                  ["tax_query"]=>
                  array(1) {
                    [0]=>
                    array(3) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["field"]=>
                      string(4) "slug"
                      ["terms"]=>
                      string(90) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%94%b6%e8%b2%bb%e6%a8%99%e6%ba%96"
                    }
                  }
                  ["meta_key"]=>
                  string(14) "_wptb_content_"
                  ["meta_compare"]=>
                  string(6) "EXISTS"
                  ["error"]=>
                  string(0) ""
                  ["m"]=>
                  string(0) ""
                  ["p"]=>
                  int(0)
                  ["post_parent"]=>
                  string(0) ""
                  ["subpost"]=>
                  string(0) ""
                  ["subpost_id"]=>
                  string(0) ""
                  ["attachment"]=>
                  string(0) ""
                  ["attachment_id"]=>
                  int(0)
                  ["name"]=>
                  string(0) ""
                  ["pagename"]=>
                  string(0) ""
                  ["page_id"]=>
                  int(0)
                  ["second"]=>
                  string(0) ""
                  ["minute"]=>
                  string(0) ""
                  ["hour"]=>
                  string(0) ""
                  ["day"]=>
                  int(0)
                  ["monthnum"]=>
                  int(0)
                  ["year"]=>
                  int(0)
                  ["w"]=>
                  int(0)
                  ["category_name"]=>
                  string(0) ""
                  ["tag"]=>
                  string(0) ""
                  ["cat"]=>
                  string(0) ""
                  ["tag_id"]=>
                  string(0) ""
                  ["author"]=>
                  string(0) ""
                  ["author_name"]=>
                  string(0) ""
                  ["feed"]=>
                  string(0) ""
                  ["tb"]=>
                  string(0) ""
                  ["paged"]=>
                  int(0)
                  ["meta_value"]=>
                  string(0) ""
                  ["preview"]=>
                  string(0) ""
                  ["s"]=>
                  string(0) ""
                  ["sentence"]=>
                  string(0) ""
                  ["title"]=>
                  string(0) ""
                  ["fields"]=>
                  string(0) ""
                  ["menu_order"]=>
                  string(0) ""
                  ["embed"]=>
                  string(0) ""
                  ["category__in"]=>
                  array(0) {
                  }
                  ["category__not_in"]=>
                  array(0) {
                  }
                  ["category__and"]=>
                  array(0) {
                  }
                  ["post__in"]=>
                  array(0) {
                  }
                  ["post__not_in"]=>
                  array(0) {
                  }
                  ["post_name__in"]=>
                  array(0) {
                  }
                  ["tag__in"]=>
                  array(0) {
                  }
                  ["tag__not_in"]=>
                  array(0) {
                  }
                  ["tag__and"]=>
                  array(0) {
                  }
                  ["tag_slug__in"]=>
                  array(0) {
                  }
                  ["tag_slug__and"]=>
                  array(0) {
                  }
                  ["post_parent__in"]=>
                  array(0) {
                  }
                  ["post_parent__not_in"]=>
                  array(0) {
                  }
                  ["author__in"]=>
                  array(0) {
                  }
                  ["author__not_in"]=>
                  array(0) {
                  }
                  ["search_columns"]=>
                  array(0) {
                  }
                  ["ignore_sticky_posts"]=>
                  bool(false)
                  ["suppress_filters"]=>
                  bool(false)
                  ["cache_results"]=>
                  bool(true)
                  ["update_post_term_cache"]=>
                  bool(true)
                  ["update_menu_item_cache"]=>
                  bool(false)
                  ["lazy_load_term_meta"]=>
                  bool(true)
                  ["update_post_meta_cache"]=>
                  bool(true)
                  ["posts_per_page"]=>
                  int(12)
                  ["nopaging"]=>
                  bool(false)
                  ["comments_per_page"]=>
                  string(2) "50"
                  ["no_found_rows"]=>
                  bool(false)
                  ["taxonomy"]=>
                  string(10) "table_tags"
                  ["term"]=>
                  string(90) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%94%b6%e8%b2%bb%e6%a8%99%e6%ba%96"
                  ["order"]=>
                  string(4) "DESC"
                }
                ["tax_query"]=>
                object(WP_Tax_Query)#34219 (6) {
                  ["queries"]=>
                  array(1) {
                    [0]=>
                    array(5) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["terms"]=>
                      array(1) {
                        [0]=>
                        string(90) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%94%b6%e8%b2%bb%e6%a8%99%e6%ba%96"
                      }
                      ["field"]=>
                      string(4) "slug"
                      ["operator"]=>
                      string(2) "IN"
                      ["include_children"]=>
                      bool(true)
                    }
                  }
                  ["relation"]=>
                  string(3) "AND"
                  ["table_aliases":protected]=>
                  array(1) {
                    [0]=>
                    string(24) "tD6qv_term_relationships"
                  }
                  ["queried_terms"]=>
                  array(1) {
                    ["table_tags"]=>
                    array(2) {
                      ["terms"]=>
                      array(1) {
                        [0]=>
                        string(90) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%94%b6%e8%b2%bb%e6%a8%99%e6%ba%96"
                      }
                      ["field"]=>
                      string(4) "slug"
                    }
                  }
                  ["primary_table"]=>
                  string(11) "tD6qv_posts"
                  ["primary_id_column"]=>
                  string(2) "ID"
                }
                ["meta_query"]=>
                object(WP_Meta_Query)#34221 (9) {
                  ["queries"]=>
                  array(2) {
                    [0]=>
                    array(2) {
                      ["key"]=>
                      string(14) "_wptb_content_"
                      ["compare"]=>
                      string(6) "EXISTS"
                    }
                    ["relation"]=>
                    string(2) "OR"
                  }
                  ["relation"]=>
                  string(3) "AND"
                  ["meta_table"]=>
                  string(14) "tD6qv_postmeta"
                  ["meta_id_column"]=>
                  string(7) "post_id"
                  ["primary_table"]=>
                  string(11) "tD6qv_posts"
                  ["primary_id_column"]=>
                  string(2) "ID"
                  ["table_aliases":protected]=>
                  array(1) {
                    [0]=>
                    string(14) "tD6qv_postmeta"
                  }
                  ["clauses":protected]=>
                  array(1) {
                    ["tD6qv_postmeta"]=>
                    array(5) {
                      ["key"]=>
                      string(14) "_wptb_content_"
                      ["compare"]=>
                      string(6) "EXISTS"
                      ["compare_key"]=>
                      string(1) "="
                      ["alias"]=>
                      string(14) "tD6qv_postmeta"
                      ["cast"]=>
                      string(4) "CHAR"
                    }
                  }
                  ["has_or_relation":protected]=>
                  bool(false)
                }
                ["date_query"]=>
                bool(false)
                ["request"]=>
                string(2812) "
			SELECT SQL_CALC_FOUND_ROWS  tD6qv_posts.*
			FROM tD6qv_posts  LEFT JOIN tD6qv_term_relationships ON (tD6qv_posts.ID = tD6qv_term_relationships.object_id) INNER JOIN tD6qv_postmeta ON ( tD6qv_posts.ID = tD6qv_postmeta.post_id )
			WHERE 1=1  AND ( 
  tD6qv_term_relationships.term_taxonomy_id IN (624)
) AND ( 
  tD6qv_postmeta.meta_key = '_wptb_content_'
) AND tD6qv_posts.post_type = 'wptb-tables' AND ((tD6qv_posts.post_status = 'draft')) AND tD6qv_posts.ID NOT IN ( 31016, 31017, 31018, 31019, 31020, 31021, 31023, 31047, 31048, 31049, 31050, 31051, 31052, 31053, 31054, 31061, 31062, 31063, 31064, 31065, 31074, 31075, 31076, 31077, 31078, 31079, 31094, 31095, 31096, 31097, 31098, 31103, 31104, 31105, 31110, 31111, 31113, 31115, 31117, 31119, 31121, 31123, 31125, 31127, 31129, 31131, 31133, 31135, 31137, 31140, 31142, 31144, 31150, 31152, 31155, 31157, 31159, 31161, 31163, 31165, 31167, 31169, 31171, 31173, 31176, 31178, 31180, 31189, 31199, 31200, 31201, 31202, 31203, 31210, 31211, 31212, 31213, 31214, 31222, 31223, 31224, 31225, 31226, 31233, 31234, 31235, 31237, 31238, 31239, 31242, 31243, 31245, 31247, 31249, 31257, 31258, 31260, 31261, 31262, 31263, 31264, 31265, 31287, 31288, 31289, 31290, 31339, 31342, 32291, 32570, 32694, 33157, 33302, 33304, 33981, 34831, 34832, 35549, 35551, 35586, 35590, 35591, 35592, 35593, 35594, 35595, 35659, 35660, 35661, 35662, 35663, 35664, 35665, 35666, 35668, 35672, 35676, 35679, 35680, 35681, 35682, 35683, 35684, 35685, 35689, 35694, 35696, 35697, 35698, 35702, 35703, 35704, 35706, 35713, 35720, 35742, 35743, 35744, 35746, 35747, 35748, 35749, 35750, 35751, 35752, 35753, 35754, 35755, 35756, 35757, 48063, 48070, 48071, 48072, 48074, 48075, 48184, 48188, 48189, 49076, 49099, 49104, 49106, 49455, 49457, 49459, 49461, 49463, 49465, 49467, 49469, 49676, 49681, 49682, 49683, 49727, 49729, 49731, 49733, 49735, 49737, 49739, 49854, 49969, 50452, 50455, 50457, 50459, 50461, 50463, 50465, 50709, 50711, 50713, 50715, 50717, 50719, 50721, 50723, 50725, 50727, 50729, 50731, 50733, 50735, 50737, 50739, 50741, 50743, 50745, 50749, 50753, 50755, 50756, 50758, 50760, 50762, 50764, 50766, 51313, 51345, 51347, 51349, 51405, 51511, 51513, 51952, 52094, 54373, 54375, 54377, 54379, 54382, 54384, 54387, 54389, 54391, 54393, 54396, 54400, 55813, 57567, 57569, 57579, 57582, 57586, 57591, 60450, 60718, 60842, 60974, 60977, 89588, 89591, 89593, 89595, 89597, 89601, 91915, 91916, 91918, 93992, 93994, 109831, 109911, 110004, 110006, 110011, 110015, 110018, 110020, 110024, 110028, 110030, 110032, 110034, 110039, 110041, 110043, 110045, 110047, 110051, 110122, 110124, 110126, 110128, 110131, 110134, 110137, 110139, 110142, 110144, 110146, 110148 ) 
			GROUP BY tD6qv_posts.ID
			ORDER BY tD6qv_posts.menu_order, tD6qv_posts.post_date DESC
			LIMIT 0, 12
		"
                ["posts"]=>
                array(0) {
                }
                ["post_count"]=>
                int(0)
                ["current_post"]=>
                int(-1)
                ["before_loop"]=>
                bool(true)
                ["in_the_loop"]=>
                bool(false)
                ["comment_count"]=>
                int(0)
                ["current_comment"]=>
                int(-1)
                ["found_posts"]=>
                int(0)
                ["max_num_pages"]=>
                int(0)
                ["max_num_comment_pages"]=>
                int(0)
                ["is_single"]=>
                bool(false)
                ["is_preview"]=>
                bool(false)
                ["is_page"]=>
                bool(false)
                ["is_archive"]=>
                bool(true)
                ["is_date"]=>
                bool(false)
                ["is_year"]=>
                bool(false)
                ["is_month"]=>
                bool(false)
                ["is_day"]=>
                bool(false)
                ["is_time"]=>
                bool(false)
                ["is_author"]=>
                bool(false)
                ["is_category"]=>
                bool(false)
                ["is_tag"]=>
                bool(false)
                ["is_tax"]=>
                bool(true)
                ["is_search"]=>
                bool(false)
                ["is_feed"]=>
                bool(false)
                ["is_comment_feed"]=>
                bool(false)
                ["is_trackback"]=>
                bool(false)
                ["is_home"]=>
                bool(false)
                ["is_privacy_policy"]=>
                bool(false)
                ["is_404"]=>
                bool(false)
                ["is_embed"]=>
                bool(false)
                ["is_paged"]=>
                bool(false)
                ["is_admin"]=>
                bool(false)
                ["is_attachment"]=>
                bool(false)
                ["is_singular"]=>
                bool(false)
                ["is_robots"]=>
                bool(false)
                ["is_favicon"]=>
                bool(false)
                ["is_posts_page"]=>
                bool(false)
                ["is_post_type_archive"]=>
                bool(false)
                ["query_vars_hash":"WP_Query":private]=>
                string(32) "9a94fad57326a026a99f642220b26293"
                ["query_vars_changed":"WP_Query":private]=>
                bool(false)
                ["thumbnails_cached"]=>
                bool(false)
                ["allow_query_attachment_by_filename":protected]=>
                bool(false)
                ["stopwords":"WP_Query":private]=>
                NULL
                ["compat_fields":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(15) "query_vars_hash"
                  [1]=>
                  string(18) "query_vars_changed"
                }
                ["compat_methods":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(16) "init_query_flags"
                  [1]=>
                  string(15) "parse_tax_query"
                }
              }
            }
          }
        }
        [7]=>
        array(4) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(1881)
          ["function"]=>
          string(19) "do_action_ref_array"
          ["args"]=>
          array(1) {
            [0]=>
            string(13) "pre_get_posts"
          }
        }
        [8]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3800)
          ["function"]=>
          string(9) "get_posts"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [9]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3932)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [10]=>
        array(5) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(167)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [11]=>
        array(3) {
          ["function"]=>
          string(45) "WP_Table_Builder\Inc\Admin\Managers\{closure}"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(174)
          ["function"]=>
          string(10) "array_walk"
        }
        [13]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(312)
          ["function"]=>
          string(16) "table_tags_count"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [14]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(205)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(11) {
              [0]=>
              object(WP_Term)#34240 (11) {
                ["term_id"]=>
                int(623)
                ["name"]=>
                string(14) "BU事業單位"
                ["slug"]=>
                string(38) "bu%e4%ba%8b%e6%a5%ad%e5%96%ae%e4%bd%8d"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(623)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [1]=>
              object(WP_Term)#34242 (11) {
                ["term_id"]=>
                int(624)
                ["name"]=>
                string(30) "企管顧問公司收費標準"
                ["slug"]=>
                string(90) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%94%b6%e8%b2%bb%e6%a8%99%e6%ba%96"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(624)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [2]=>
              object(WP_Term)#34244 (11) {
                ["term_id"]=>
                int(625)
                ["name"]=>
                string(24) "企管顧問公司推薦"
                ["slug"]=>
                string(72) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(625)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [3]=>
              object(WP_Term)#34246 (11) {
                ["term_id"]=>
                int(626)
                ["name"]=>
                string(18) "企管顧問推薦"
                ["slug"]=>
                string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(626)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [4]=>
              object(WP_Term)#34248 (11) {
                ["term_id"]=>
                int(596)
                ["name"]=>
                string(18) "人力資源管理"
                ["slug"]=>
                string(54) "%e4%ba%ba%e5%8a%9b%e8%b3%87%e6%ba%90%e7%ae%a1%e7%90%86"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(596)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [5]=>
              object(WP_Term)#34250 (11) {
                ["term_id"]=>
                int(612)
                ["name"]=>
                string(12) "經營顧問"
                ["slug"]=>
                string(36) "%e7%b6%93%e7%87%9f%e9%a1%a7%e5%95%8f"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(612)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [6]=>
              object(WP_Term)#34252 (11) {
                ["term_id"]=>
                int(613)
                ["name"]=>
                string(12) "企管顧問"
                ["slug"]=>
                string(36) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(613)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [7]=>
              object(WP_Term)#34254 (11) {
                ["term_id"]=>
                int(614)
                ["name"]=>
                string(18) "管理顧問推薦"
                ["slug"]=>
                string(54) "%e7%ae%a1%e7%90%86%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(614)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [8]=>
              object(WP_Term)#34256 (11) {
                ["term_id"]=>
                int(615)
                ["name"]=>
                string(12) "市場營銷"
                ["slug"]=>
                string(36) "%e5%b8%82%e5%a0%b4%e7%87%9f%e9%8a%b7"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(615)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [9]=>
              object(WP_Term)#34235 (11) {
                ["term_id"]=>
                int(616)
                ["name"]=>
                string(12) "營銷策略"
                ["slug"]=>
                string(36) "%e7%87%9f%e9%8a%b7%e7%ad%96%e7%95%a5"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(616)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [10]=>
              object(WP_Term)#34234 (11) {
                ["term_id"]=>
                int(622)
                ["name"]=>
                string(18) "企管顧問公司"
                ["slug"]=>
                string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(622)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
            }
          }
        }
        [15]=>
        array(4) {
          ["file"]=>
          string(37) "/var/www/web/wp-includes/taxonomy.php"
          ["line"]=>
          int(1330)
          ["function"]=>
          string(13) "apply_filters"
          ["args"]=>
          array(1) {
            [0]=>
            string(9) "get_terms"
          }
        }
        [16]=>
        array(3) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(227)
          ["function"]=>
          string(9) "get_terms"
        }
        [17]=>
        array(5) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(393)
          ["function"]=>
          string(14) "screen_options"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [18]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(24) "register_custom_taxonomy"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [19]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [20]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [21]=>
        array(4) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(643)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(4) "init"
          }
        }
        [22]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [23]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [24]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [25]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(7)
  }
  [25]=>
  array(7) {
    [0]=>
    string(125) "SELECT DISTINCT post_id 
		         FROM tD6qv_postmeta 
		         WHERE meta_key = 'wp_protect_password_multiple_passwords'"
    [1]=>
    float(0.0003349781036377)
    [2]=>
    string(809) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), do_action('init'), WP_Hook->do_action, WP_Hook->apply_filters, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::register_custom_taxonomy, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::screen_options, get_terms, apply_filters('get_terms'), WP_Hook->apply_filters, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::table_tags_count, array_walk, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::WP_Table_Builder\Inc\Admin\Managers\{closure}, WP_Query->__construct, WP_Query->query, WP_Query->get_posts, do_action_ref_array('pre_get_posts'), WP_Hook->do_action, WP_Hook->apply_filters, PPW_Admin->ppwp_exclude_protected_items_from_qry, PPW_Admin->ppwp_get_all_protected_ids, QM_DB->query"
    [3]=>
    float(1784046907.3123)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#34218 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(26) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3088)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1299)
          ["function"]=>
          string(7) "get_col"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1251)
          ["function"]=>
          string(26) "ppwp_get_all_protected_ids"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(37) "ppwp_exclude_protected_items_from_qry"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            bool(false)
          }
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(565)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              object(WP_Query)#34216 (52) {
                ["query"]=>
                array(5) {
                  ["post_type"]=>
                  string(11) "wptb-tables"
                  ["post_status"]=>
                  string(5) "draft"
                  ["tax_query"]=>
                  array(1) {
                    [0]=>
                    array(3) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["field"]=>
                      string(4) "slug"
                      ["terms"]=>
                      string(72) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%8e%a8%e8%96%a6"
                    }
                  }
                  ["meta_key"]=>
                  string(14) "_wptb_content_"
                  ["meta_compare"]=>
                  string(6) "EXISTS"
                }
                ["query_vars"]=>
                array(70) {
                  ["post_type"]=>
                  string(11) "wptb-tables"
                  ["post_status"]=>
                  string(5) "draft"
                  ["tax_query"]=>
                  array(1) {
                    [0]=>
                    array(3) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["field"]=>
                      string(4) "slug"
                      ["terms"]=>
                      string(72) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%8e%a8%e8%96%a6"
                    }
                  }
                  ["meta_key"]=>
                  string(14) "_wptb_content_"
                  ["meta_compare"]=>
                  string(6) "EXISTS"
                  ["error"]=>
                  string(0) ""
                  ["m"]=>
                  string(0) ""
                  ["p"]=>
                  int(0)
                  ["post_parent"]=>
                  string(0) ""
                  ["subpost"]=>
                  string(0) ""
                  ["subpost_id"]=>
                  string(0) ""
                  ["attachment"]=>
                  string(0) ""
                  ["attachment_id"]=>
                  int(0)
                  ["name"]=>
                  string(0) ""
                  ["pagename"]=>
                  string(0) ""
                  ["page_id"]=>
                  int(0)
                  ["second"]=>
                  string(0) ""
                  ["minute"]=>
                  string(0) ""
                  ["hour"]=>
                  string(0) ""
                  ["day"]=>
                  int(0)
                  ["monthnum"]=>
                  int(0)
                  ["year"]=>
                  int(0)
                  ["w"]=>
                  int(0)
                  ["category_name"]=>
                  string(0) ""
                  ["tag"]=>
                  string(0) ""
                  ["cat"]=>
                  string(0) ""
                  ["tag_id"]=>
                  string(0) ""
                  ["author"]=>
                  string(0) ""
                  ["author_name"]=>
                  string(0) ""
                  ["feed"]=>
                  string(0) ""
                  ["tb"]=>
                  string(0) ""
                  ["paged"]=>
                  int(0)
                  ["meta_value"]=>
                  string(0) ""
                  ["preview"]=>
                  string(0) ""
                  ["s"]=>
                  string(0) ""
                  ["sentence"]=>
                  string(0) ""
                  ["title"]=>
                  string(0) ""
                  ["fields"]=>
                  string(0) ""
                  ["menu_order"]=>
                  string(0) ""
                  ["embed"]=>
                  string(0) ""
                  ["category__in"]=>
                  array(0) {
                  }
                  ["category__not_in"]=>
                  array(0) {
                  }
                  ["category__and"]=>
                  array(0) {
                  }
                  ["post__in"]=>
                  array(0) {
                  }
                  ["post__not_in"]=>
                  array(0) {
                  }
                  ["post_name__in"]=>
                  array(0) {
                  }
                  ["tag__in"]=>
                  array(0) {
                  }
                  ["tag__not_in"]=>
                  array(0) {
                  }
                  ["tag__and"]=>
                  array(0) {
                  }
                  ["tag_slug__in"]=>
                  array(0) {
                  }
                  ["tag_slug__and"]=>
                  array(0) {
                  }
                  ["post_parent__in"]=>
                  array(0) {
                  }
                  ["post_parent__not_in"]=>
                  array(0) {
                  }
                  ["author__in"]=>
                  array(0) {
                  }
                  ["author__not_in"]=>
                  array(0) {
                  }
                  ["search_columns"]=>
                  array(0) {
                  }
                  ["ignore_sticky_posts"]=>
                  bool(false)
                  ["suppress_filters"]=>
                  bool(false)
                  ["cache_results"]=>
                  bool(true)
                  ["update_post_term_cache"]=>
                  bool(true)
                  ["update_menu_item_cache"]=>
                  bool(false)
                  ["lazy_load_term_meta"]=>
                  bool(true)
                  ["update_post_meta_cache"]=>
                  bool(true)
                  ["posts_per_page"]=>
                  int(12)
                  ["nopaging"]=>
                  bool(false)
                  ["comments_per_page"]=>
                  string(2) "50"
                  ["no_found_rows"]=>
                  bool(false)
                  ["taxonomy"]=>
                  string(10) "table_tags"
                  ["term"]=>
                  string(72) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%8e%a8%e8%96%a6"
                  ["order"]=>
                  string(4) "DESC"
                }
                ["tax_query"]=>
                object(WP_Tax_Query)#34215 (6) {
                  ["queries"]=>
                  array(1) {
                    [0]=>
                    array(5) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["terms"]=>
                      array(1) {
                        [0]=>
                        string(72) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%8e%a8%e8%96%a6"
                      }
                      ["field"]=>
                      string(4) "slug"
                      ["operator"]=>
                      string(2) "IN"
                      ["include_children"]=>
                      bool(true)
                    }
                  }
                  ["relation"]=>
                  string(3) "AND"
                  ["table_aliases":protected]=>
                  array(1) {
                    [0]=>
                    string(24) "tD6qv_term_relationships"
                  }
                  ["queried_terms"]=>
                  array(1) {
                    ["table_tags"]=>
                    array(2) {
                      ["terms"]=>
                      array(1) {
                        [0]=>
                        string(72) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%8e%a8%e8%96%a6"
                      }
                      ["field"]=>
                      string(4) "slug"
                    }
                  }
                  ["primary_table"]=>
                  string(11) "tD6qv_posts"
                  ["primary_id_column"]=>
                  string(2) "ID"
                }
                ["meta_query"]=>
                object(WP_Meta_Query)#34217 (9) {
                  ["queries"]=>
                  array(2) {
                    [0]=>
                    array(2) {
                      ["key"]=>
                      string(14) "_wptb_content_"
                      ["compare"]=>
                      string(6) "EXISTS"
                    }
                    ["relation"]=>
                    string(2) "OR"
                  }
                  ["relation"]=>
                  string(3) "AND"
                  ["meta_table"]=>
                  string(14) "tD6qv_postmeta"
                  ["meta_id_column"]=>
                  string(7) "post_id"
                  ["primary_table"]=>
                  string(11) "tD6qv_posts"
                  ["primary_id_column"]=>
                  string(2) "ID"
                  ["table_aliases":protected]=>
                  array(1) {
                    [0]=>
                    string(14) "tD6qv_postmeta"
                  }
                  ["clauses":protected]=>
                  array(1) {
                    ["tD6qv_postmeta"]=>
                    array(5) {
                      ["key"]=>
                      string(14) "_wptb_content_"
                      ["compare"]=>
                      string(6) "EXISTS"
                      ["compare_key"]=>
                      string(1) "="
                      ["alias"]=>
                      string(14) "tD6qv_postmeta"
                      ["cast"]=>
                      string(4) "CHAR"
                    }
                  }
                  ["has_or_relation":protected]=>
                  bool(false)
                }
                ["date_query"]=>
                bool(false)
                ["request"]=>
                string(2812) "
			SELECT SQL_CALC_FOUND_ROWS  tD6qv_posts.*
			FROM tD6qv_posts  LEFT JOIN tD6qv_term_relationships ON (tD6qv_posts.ID = tD6qv_term_relationships.object_id) INNER JOIN tD6qv_postmeta ON ( tD6qv_posts.ID = tD6qv_postmeta.post_id )
			WHERE 1=1  AND ( 
  tD6qv_term_relationships.term_taxonomy_id IN (625)
) AND ( 
  tD6qv_postmeta.meta_key = '_wptb_content_'
) AND tD6qv_posts.post_type = 'wptb-tables' AND ((tD6qv_posts.post_status = 'draft')) AND tD6qv_posts.ID NOT IN ( 31016, 31017, 31018, 31019, 31020, 31021, 31023, 31047, 31048, 31049, 31050, 31051, 31052, 31053, 31054, 31061, 31062, 31063, 31064, 31065, 31074, 31075, 31076, 31077, 31078, 31079, 31094, 31095, 31096, 31097, 31098, 31103, 31104, 31105, 31110, 31111, 31113, 31115, 31117, 31119, 31121, 31123, 31125, 31127, 31129, 31131, 31133, 31135, 31137, 31140, 31142, 31144, 31150, 31152, 31155, 31157, 31159, 31161, 31163, 31165, 31167, 31169, 31171, 31173, 31176, 31178, 31180, 31189, 31199, 31200, 31201, 31202, 31203, 31210, 31211, 31212, 31213, 31214, 31222, 31223, 31224, 31225, 31226, 31233, 31234, 31235, 31237, 31238, 31239, 31242, 31243, 31245, 31247, 31249, 31257, 31258, 31260, 31261, 31262, 31263, 31264, 31265, 31287, 31288, 31289, 31290, 31339, 31342, 32291, 32570, 32694, 33157, 33302, 33304, 33981, 34831, 34832, 35549, 35551, 35586, 35590, 35591, 35592, 35593, 35594, 35595, 35659, 35660, 35661, 35662, 35663, 35664, 35665, 35666, 35668, 35672, 35676, 35679, 35680, 35681, 35682, 35683, 35684, 35685, 35689, 35694, 35696, 35697, 35698, 35702, 35703, 35704, 35706, 35713, 35720, 35742, 35743, 35744, 35746, 35747, 35748, 35749, 35750, 35751, 35752, 35753, 35754, 35755, 35756, 35757, 48063, 48070, 48071, 48072, 48074, 48075, 48184, 48188, 48189, 49076, 49099, 49104, 49106, 49455, 49457, 49459, 49461, 49463, 49465, 49467, 49469, 49676, 49681, 49682, 49683, 49727, 49729, 49731, 49733, 49735, 49737, 49739, 49854, 49969, 50452, 50455, 50457, 50459, 50461, 50463, 50465, 50709, 50711, 50713, 50715, 50717, 50719, 50721, 50723, 50725, 50727, 50729, 50731, 50733, 50735, 50737, 50739, 50741, 50743, 50745, 50749, 50753, 50755, 50756, 50758, 50760, 50762, 50764, 50766, 51313, 51345, 51347, 51349, 51405, 51511, 51513, 51952, 52094, 54373, 54375, 54377, 54379, 54382, 54384, 54387, 54389, 54391, 54393, 54396, 54400, 55813, 57567, 57569, 57579, 57582, 57586, 57591, 60450, 60718, 60842, 60974, 60977, 89588, 89591, 89593, 89595, 89597, 89601, 91915, 91916, 91918, 93992, 93994, 109831, 109911, 110004, 110006, 110011, 110015, 110018, 110020, 110024, 110028, 110030, 110032, 110034, 110039, 110041, 110043, 110045, 110047, 110051, 110122, 110124, 110126, 110128, 110131, 110134, 110137, 110139, 110142, 110144, 110146, 110148 ) 
			GROUP BY tD6qv_posts.ID
			ORDER BY tD6qv_posts.menu_order, tD6qv_posts.post_date DESC
			LIMIT 0, 12
		"
                ["posts"]=>
                array(0) {
                }
                ["post_count"]=>
                int(0)
                ["current_post"]=>
                int(-1)
                ["before_loop"]=>
                bool(true)
                ["in_the_loop"]=>
                bool(false)
                ["comment_count"]=>
                int(0)
                ["current_comment"]=>
                int(-1)
                ["found_posts"]=>
                int(0)
                ["max_num_pages"]=>
                int(0)
                ["max_num_comment_pages"]=>
                int(0)
                ["is_single"]=>
                bool(false)
                ["is_preview"]=>
                bool(false)
                ["is_page"]=>
                bool(false)
                ["is_archive"]=>
                bool(true)
                ["is_date"]=>
                bool(false)
                ["is_year"]=>
                bool(false)
                ["is_month"]=>
                bool(false)
                ["is_day"]=>
                bool(false)
                ["is_time"]=>
                bool(false)
                ["is_author"]=>
                bool(false)
                ["is_category"]=>
                bool(false)
                ["is_tag"]=>
                bool(false)
                ["is_tax"]=>
                bool(true)
                ["is_search"]=>
                bool(false)
                ["is_feed"]=>
                bool(false)
                ["is_comment_feed"]=>
                bool(false)
                ["is_trackback"]=>
                bool(false)
                ["is_home"]=>
                bool(false)
                ["is_privacy_policy"]=>
                bool(false)
                ["is_404"]=>
                bool(false)
                ["is_embed"]=>
                bool(false)
                ["is_paged"]=>
                bool(false)
                ["is_admin"]=>
                bool(false)
                ["is_attachment"]=>
                bool(false)
                ["is_singular"]=>
                bool(false)
                ["is_robots"]=>
                bool(false)
                ["is_favicon"]=>
                bool(false)
                ["is_posts_page"]=>
                bool(false)
                ["is_post_type_archive"]=>
                bool(false)
                ["query_vars_hash":"WP_Query":private]=>
                string(32) "605c8fcd4fa20b6c8803c41395680436"
                ["query_vars_changed":"WP_Query":private]=>
                bool(false)
                ["thumbnails_cached"]=>
                bool(false)
                ["allow_query_attachment_by_filename":protected]=>
                bool(false)
                ["stopwords":"WP_Query":private]=>
                NULL
                ["compat_fields":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(15) "query_vars_hash"
                  [1]=>
                  string(18) "query_vars_changed"
                }
                ["compat_methods":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(16) "init_query_flags"
                  [1]=>
                  string(15) "parse_tax_query"
                }
              }
            }
          }
        }
        [7]=>
        array(4) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(1881)
          ["function"]=>
          string(19) "do_action_ref_array"
          ["args"]=>
          array(1) {
            [0]=>
            string(13) "pre_get_posts"
          }
        }
        [8]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3800)
          ["function"]=>
          string(9) "get_posts"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [9]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3932)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [10]=>
        array(5) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(167)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [11]=>
        array(3) {
          ["function"]=>
          string(45) "WP_Table_Builder\Inc\Admin\Managers\{closure}"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(174)
          ["function"]=>
          string(10) "array_walk"
        }
        [13]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(312)
          ["function"]=>
          string(16) "table_tags_count"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [14]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(205)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(11) {
              [0]=>
              object(WP_Term)#34240 (11) {
                ["term_id"]=>
                int(623)
                ["name"]=>
                string(14) "BU事業單位"
                ["slug"]=>
                string(38) "bu%e4%ba%8b%e6%a5%ad%e5%96%ae%e4%bd%8d"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(623)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [1]=>
              object(WP_Term)#34242 (11) {
                ["term_id"]=>
                int(624)
                ["name"]=>
                string(30) "企管顧問公司收費標準"
                ["slug"]=>
                string(90) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%94%b6%e8%b2%bb%e6%a8%99%e6%ba%96"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(624)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [2]=>
              object(WP_Term)#34244 (11) {
                ["term_id"]=>
                int(625)
                ["name"]=>
                string(24) "企管顧問公司推薦"
                ["slug"]=>
                string(72) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(625)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [3]=>
              object(WP_Term)#34246 (11) {
                ["term_id"]=>
                int(626)
                ["name"]=>
                string(18) "企管顧問推薦"
                ["slug"]=>
                string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(626)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [4]=>
              object(WP_Term)#34248 (11) {
                ["term_id"]=>
                int(596)
                ["name"]=>
                string(18) "人力資源管理"
                ["slug"]=>
                string(54) "%e4%ba%ba%e5%8a%9b%e8%b3%87%e6%ba%90%e7%ae%a1%e7%90%86"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(596)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [5]=>
              object(WP_Term)#34250 (11) {
                ["term_id"]=>
                int(612)
                ["name"]=>
                string(12) "經營顧問"
                ["slug"]=>
                string(36) "%e7%b6%93%e7%87%9f%e9%a1%a7%e5%95%8f"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(612)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [6]=>
              object(WP_Term)#34252 (11) {
                ["term_id"]=>
                int(613)
                ["name"]=>
                string(12) "企管顧問"
                ["slug"]=>
                string(36) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(613)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [7]=>
              object(WP_Term)#34254 (11) {
                ["term_id"]=>
                int(614)
                ["name"]=>
                string(18) "管理顧問推薦"
                ["slug"]=>
                string(54) "%e7%ae%a1%e7%90%86%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(614)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [8]=>
              object(WP_Term)#34256 (11) {
                ["term_id"]=>
                int(615)
                ["name"]=>
                string(12) "市場營銷"
                ["slug"]=>
                string(36) "%e5%b8%82%e5%a0%b4%e7%87%9f%e9%8a%b7"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(615)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [9]=>
              object(WP_Term)#34235 (11) {
                ["term_id"]=>
                int(616)
                ["name"]=>
                string(12) "營銷策略"
                ["slug"]=>
                string(36) "%e7%87%9f%e9%8a%b7%e7%ad%96%e7%95%a5"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(616)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [10]=>
              object(WP_Term)#34234 (11) {
                ["term_id"]=>
                int(622)
                ["name"]=>
                string(18) "企管顧問公司"
                ["slug"]=>
                string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(622)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
            }
          }
        }
        [15]=>
        array(4) {
          ["file"]=>
          string(37) "/var/www/web/wp-includes/taxonomy.php"
          ["line"]=>
          int(1330)
          ["function"]=>
          string(13) "apply_filters"
          ["args"]=>
          array(1) {
            [0]=>
            string(9) "get_terms"
          }
        }
        [16]=>
        array(3) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(227)
          ["function"]=>
          string(9) "get_terms"
        }
        [17]=>
        array(5) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(393)
          ["function"]=>
          string(14) "screen_options"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [18]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(24) "register_custom_taxonomy"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [19]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [20]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [21]=>
        array(4) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(643)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(4) "init"
          }
        }
        [22]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [23]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [24]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [25]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(7)
  }
  [26]=>
  array(7) {
    [0]=>
    string(125) "SELECT DISTINCT post_id 
		         FROM tD6qv_postmeta 
		         WHERE meta_key = 'wp_protect_password_multiple_passwords'"
    [1]=>
    float(0.00032591819763184)
    [2]=>
    string(809) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), do_action('init'), WP_Hook->do_action, WP_Hook->apply_filters, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::register_custom_taxonomy, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::screen_options, get_terms, apply_filters('get_terms'), WP_Hook->apply_filters, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::table_tags_count, array_walk, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::WP_Table_Builder\Inc\Admin\Managers\{closure}, WP_Query->__construct, WP_Query->query, WP_Query->get_posts, do_action_ref_array('pre_get_posts'), WP_Hook->do_action, WP_Hook->apply_filters, PPW_Admin->ppwp_exclude_protected_items_from_qry, PPW_Admin->ppwp_get_all_protected_ids, QM_DB->query"
    [3]=>
    float(1784046907.3137)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#34214 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(26) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3088)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1299)
          ["function"]=>
          string(7) "get_col"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1251)
          ["function"]=>
          string(26) "ppwp_get_all_protected_ids"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(37) "ppwp_exclude_protected_items_from_qry"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            bool(false)
          }
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(565)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              object(WP_Query)#34212 (52) {
                ["query"]=>
                array(5) {
                  ["post_type"]=>
                  string(11) "wptb-tables"
                  ["post_status"]=>
                  string(5) "draft"
                  ["tax_query"]=>
                  array(1) {
                    [0]=>
                    array(3) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["field"]=>
                      string(4) "slug"
                      ["terms"]=>
                      string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                    }
                  }
                  ["meta_key"]=>
                  string(14) "_wptb_content_"
                  ["meta_compare"]=>
                  string(6) "EXISTS"
                }
                ["query_vars"]=>
                array(70) {
                  ["post_type"]=>
                  string(11) "wptb-tables"
                  ["post_status"]=>
                  string(5) "draft"
                  ["tax_query"]=>
                  array(1) {
                    [0]=>
                    array(3) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["field"]=>
                      string(4) "slug"
                      ["terms"]=>
                      string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                    }
                  }
                  ["meta_key"]=>
                  string(14) "_wptb_content_"
                  ["meta_compare"]=>
                  string(6) "EXISTS"
                  ["error"]=>
                  string(0) ""
                  ["m"]=>
                  string(0) ""
                  ["p"]=>
                  int(0)
                  ["post_parent"]=>
                  string(0) ""
                  ["subpost"]=>
                  string(0) ""
                  ["subpost_id"]=>
                  string(0) ""
                  ["attachment"]=>
                  string(0) ""
                  ["attachment_id"]=>
                  int(0)
                  ["name"]=>
                  string(0) ""
                  ["pagename"]=>
                  string(0) ""
                  ["page_id"]=>
                  int(0)
                  ["second"]=>
                  string(0) ""
                  ["minute"]=>
                  string(0) ""
                  ["hour"]=>
                  string(0) ""
                  ["day"]=>
                  int(0)
                  ["monthnum"]=>
                  int(0)
                  ["year"]=>
                  int(0)
                  ["w"]=>
                  int(0)
                  ["category_name"]=>
                  string(0) ""
                  ["tag"]=>
                  string(0) ""
                  ["cat"]=>
                  string(0) ""
                  ["tag_id"]=>
                  string(0) ""
                  ["author"]=>
                  string(0) ""
                  ["author_name"]=>
                  string(0) ""
                  ["feed"]=>
                  string(0) ""
                  ["tb"]=>
                  string(0) ""
                  ["paged"]=>
                  int(0)
                  ["meta_value"]=>
                  string(0) ""
                  ["preview"]=>
                  string(0) ""
                  ["s"]=>
                  string(0) ""
                  ["sentence"]=>
                  string(0) ""
                  ["title"]=>
                  string(0) ""
                  ["fields"]=>
                  string(0) ""
                  ["menu_order"]=>
                  string(0) ""
                  ["embed"]=>
                  string(0) ""
                  ["category__in"]=>
                  array(0) {
                  }
                  ["category__not_in"]=>
                  array(0) {
                  }
                  ["category__and"]=>
                  array(0) {
                  }
                  ["post__in"]=>
                  array(0) {
                  }
                  ["post__not_in"]=>
                  array(0) {
                  }
                  ["post_name__in"]=>
                  array(0) {
                  }
                  ["tag__in"]=>
                  array(0) {
                  }
                  ["tag__not_in"]=>
                  array(0) {
                  }
                  ["tag__and"]=>
                  array(0) {
                  }
                  ["tag_slug__in"]=>
                  array(0) {
                  }
                  ["tag_slug__and"]=>
                  array(0) {
                  }
                  ["post_parent__in"]=>
                  array(0) {
                  }
                  ["post_parent__not_in"]=>
                  array(0) {
                  }
                  ["author__in"]=>
                  array(0) {
                  }
                  ["author__not_in"]=>
                  array(0) {
                  }
                  ["search_columns"]=>
                  array(0) {
                  }
                  ["ignore_sticky_posts"]=>
                  bool(false)
                  ["suppress_filters"]=>
                  bool(false)
                  ["cache_results"]=>
                  bool(true)
                  ["update_post_term_cache"]=>
                  bool(true)
                  ["update_menu_item_cache"]=>
                  bool(false)
                  ["lazy_load_term_meta"]=>
                  bool(true)
                  ["update_post_meta_cache"]=>
                  bool(true)
                  ["posts_per_page"]=>
                  int(12)
                  ["nopaging"]=>
                  bool(false)
                  ["comments_per_page"]=>
                  string(2) "50"
                  ["no_found_rows"]=>
                  bool(false)
                  ["taxonomy"]=>
                  string(10) "table_tags"
                  ["term"]=>
                  string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                  ["order"]=>
                  string(4) "DESC"
                }
                ["tax_query"]=>
                object(WP_Tax_Query)#34211 (6) {
                  ["queries"]=>
                  array(1) {
                    [0]=>
                    array(5) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["terms"]=>
                      array(1) {
                        [0]=>
                        string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                      }
                      ["field"]=>
                      string(4) "slug"
                      ["operator"]=>
                      string(2) "IN"
                      ["include_children"]=>
                      bool(true)
                    }
                  }
                  ["relation"]=>
                  string(3) "AND"
                  ["table_aliases":protected]=>
                  array(1) {
                    [0]=>
                    string(24) "tD6qv_term_relationships"
                  }
                  ["queried_terms"]=>
                  array(1) {
                    ["table_tags"]=>
                    array(2) {
                      ["terms"]=>
                      array(1) {
                        [0]=>
                        string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                      }
                      ["field"]=>
                      string(4) "slug"
                    }
                  }
                  ["primary_table"]=>
                  string(11) "tD6qv_posts"
                  ["primary_id_column"]=>
                  string(2) "ID"
                }
                ["meta_query"]=>
                object(WP_Meta_Query)#34213 (9) {
                  ["queries"]=>
                  array(2) {
                    [0]=>
                    array(2) {
                      ["key"]=>
                      string(14) "_wptb_content_"
                      ["compare"]=>
                      string(6) "EXISTS"
                    }
                    ["relation"]=>
                    string(2) "OR"
                  }
                  ["relation"]=>
                  string(3) "AND"
                  ["meta_table"]=>
                  string(14) "tD6qv_postmeta"
                  ["meta_id_column"]=>
                  string(7) "post_id"
                  ["primary_table"]=>
                  string(11) "tD6qv_posts"
                  ["primary_id_column"]=>
                  string(2) "ID"
                  ["table_aliases":protected]=>
                  array(1) {
                    [0]=>
                    string(14) "tD6qv_postmeta"
                  }
                  ["clauses":protected]=>
                  array(1) {
                    ["tD6qv_postmeta"]=>
                    array(5) {
                      ["key"]=>
                      string(14) "_wptb_content_"
                      ["compare"]=>
                      string(6) "EXISTS"
                      ["compare_key"]=>
                      string(1) "="
                      ["alias"]=>
                      string(14) "tD6qv_postmeta"
                      ["cast"]=>
                      string(4) "CHAR"
                    }
                  }
                  ["has_or_relation":protected]=>
                  bool(false)
                }
                ["date_query"]=>
                bool(false)
                ["request"]=>
                string(2812) "
			SELECT SQL_CALC_FOUND_ROWS  tD6qv_posts.*
			FROM tD6qv_posts  LEFT JOIN tD6qv_term_relationships ON (tD6qv_posts.ID = tD6qv_term_relationships.object_id) INNER JOIN tD6qv_postmeta ON ( tD6qv_posts.ID = tD6qv_postmeta.post_id )
			WHERE 1=1  AND ( 
  tD6qv_term_relationships.term_taxonomy_id IN (626)
) AND ( 
  tD6qv_postmeta.meta_key = '_wptb_content_'
) AND tD6qv_posts.post_type = 'wptb-tables' AND ((tD6qv_posts.post_status = 'draft')) AND tD6qv_posts.ID NOT IN ( 31016, 31017, 31018, 31019, 31020, 31021, 31023, 31047, 31048, 31049, 31050, 31051, 31052, 31053, 31054, 31061, 31062, 31063, 31064, 31065, 31074, 31075, 31076, 31077, 31078, 31079, 31094, 31095, 31096, 31097, 31098, 31103, 31104, 31105, 31110, 31111, 31113, 31115, 31117, 31119, 31121, 31123, 31125, 31127, 31129, 31131, 31133, 31135, 31137, 31140, 31142, 31144, 31150, 31152, 31155, 31157, 31159, 31161, 31163, 31165, 31167, 31169, 31171, 31173, 31176, 31178, 31180, 31189, 31199, 31200, 31201, 31202, 31203, 31210, 31211, 31212, 31213, 31214, 31222, 31223, 31224, 31225, 31226, 31233, 31234, 31235, 31237, 31238, 31239, 31242, 31243, 31245, 31247, 31249, 31257, 31258, 31260, 31261, 31262, 31263, 31264, 31265, 31287, 31288, 31289, 31290, 31339, 31342, 32291, 32570, 32694, 33157, 33302, 33304, 33981, 34831, 34832, 35549, 35551, 35586, 35590, 35591, 35592, 35593, 35594, 35595, 35659, 35660, 35661, 35662, 35663, 35664, 35665, 35666, 35668, 35672, 35676, 35679, 35680, 35681, 35682, 35683, 35684, 35685, 35689, 35694, 35696, 35697, 35698, 35702, 35703, 35704, 35706, 35713, 35720, 35742, 35743, 35744, 35746, 35747, 35748, 35749, 35750, 35751, 35752, 35753, 35754, 35755, 35756, 35757, 48063, 48070, 48071, 48072, 48074, 48075, 48184, 48188, 48189, 49076, 49099, 49104, 49106, 49455, 49457, 49459, 49461, 49463, 49465, 49467, 49469, 49676, 49681, 49682, 49683, 49727, 49729, 49731, 49733, 49735, 49737, 49739, 49854, 49969, 50452, 50455, 50457, 50459, 50461, 50463, 50465, 50709, 50711, 50713, 50715, 50717, 50719, 50721, 50723, 50725, 50727, 50729, 50731, 50733, 50735, 50737, 50739, 50741, 50743, 50745, 50749, 50753, 50755, 50756, 50758, 50760, 50762, 50764, 50766, 51313, 51345, 51347, 51349, 51405, 51511, 51513, 51952, 52094, 54373, 54375, 54377, 54379, 54382, 54384, 54387, 54389, 54391, 54393, 54396, 54400, 55813, 57567, 57569, 57579, 57582, 57586, 57591, 60450, 60718, 60842, 60974, 60977, 89588, 89591, 89593, 89595, 89597, 89601, 91915, 91916, 91918, 93992, 93994, 109831, 109911, 110004, 110006, 110011, 110015, 110018, 110020, 110024, 110028, 110030, 110032, 110034, 110039, 110041, 110043, 110045, 110047, 110051, 110122, 110124, 110126, 110128, 110131, 110134, 110137, 110139, 110142, 110144, 110146, 110148 ) 
			GROUP BY tD6qv_posts.ID
			ORDER BY tD6qv_posts.menu_order, tD6qv_posts.post_date DESC
			LIMIT 0, 12
		"
                ["posts"]=>
                array(0) {
                }
                ["post_count"]=>
                int(0)
                ["current_post"]=>
                int(-1)
                ["before_loop"]=>
                bool(true)
                ["in_the_loop"]=>
                bool(false)
                ["comment_count"]=>
                int(0)
                ["current_comment"]=>
                int(-1)
                ["found_posts"]=>
                int(0)
                ["max_num_pages"]=>
                int(0)
                ["max_num_comment_pages"]=>
                int(0)
                ["is_single"]=>
                bool(false)
                ["is_preview"]=>
                bool(false)
                ["is_page"]=>
                bool(false)
                ["is_archive"]=>
                bool(true)
                ["is_date"]=>
                bool(false)
                ["is_year"]=>
                bool(false)
                ["is_month"]=>
                bool(false)
                ["is_day"]=>
                bool(false)
                ["is_time"]=>
                bool(false)
                ["is_author"]=>
                bool(false)
                ["is_category"]=>
                bool(false)
                ["is_tag"]=>
                bool(false)
                ["is_tax"]=>
                bool(true)
                ["is_search"]=>
                bool(false)
                ["is_feed"]=>
                bool(false)
                ["is_comment_feed"]=>
                bool(false)
                ["is_trackback"]=>
                bool(false)
                ["is_home"]=>
                bool(false)
                ["is_privacy_policy"]=>
                bool(false)
                ["is_404"]=>
                bool(false)
                ["is_embed"]=>
                bool(false)
                ["is_paged"]=>
                bool(false)
                ["is_admin"]=>
                bool(false)
                ["is_attachment"]=>
                bool(false)
                ["is_singular"]=>
                bool(false)
                ["is_robots"]=>
                bool(false)
                ["is_favicon"]=>
                bool(false)
                ["is_posts_page"]=>
                bool(false)
                ["is_post_type_archive"]=>
                bool(false)
                ["query_vars_hash":"WP_Query":private]=>
                string(32) "869c39158c98387938067c279c2c8981"
                ["query_vars_changed":"WP_Query":private]=>
                bool(false)
                ["thumbnails_cached"]=>
                bool(false)
                ["allow_query_attachment_by_filename":protected]=>
                bool(false)
                ["stopwords":"WP_Query":private]=>
                NULL
                ["compat_fields":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(15) "query_vars_hash"
                  [1]=>
                  string(18) "query_vars_changed"
                }
                ["compat_methods":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(16) "init_query_flags"
                  [1]=>
                  string(15) "parse_tax_query"
                }
              }
            }
          }
        }
        [7]=>
        array(4) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(1881)
          ["function"]=>
          string(19) "do_action_ref_array"
          ["args"]=>
          array(1) {
            [0]=>
            string(13) "pre_get_posts"
          }
        }
        [8]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3800)
          ["function"]=>
          string(9) "get_posts"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [9]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3932)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [10]=>
        array(5) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(167)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [11]=>
        array(3) {
          ["function"]=>
          string(45) "WP_Table_Builder\Inc\Admin\Managers\{closure}"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(174)
          ["function"]=>
          string(10) "array_walk"
        }
        [13]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(312)
          ["function"]=>
          string(16) "table_tags_count"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [14]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(205)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(11) {
              [0]=>
              object(WP_Term)#34240 (11) {
                ["term_id"]=>
                int(623)
                ["name"]=>
                string(14) "BU事業單位"
                ["slug"]=>
                string(38) "bu%e4%ba%8b%e6%a5%ad%e5%96%ae%e4%bd%8d"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(623)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [1]=>
              object(WP_Term)#34242 (11) {
                ["term_id"]=>
                int(624)
                ["name"]=>
                string(30) "企管顧問公司收費標準"
                ["slug"]=>
                string(90) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%94%b6%e8%b2%bb%e6%a8%99%e6%ba%96"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(624)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [2]=>
              object(WP_Term)#34244 (11) {
                ["term_id"]=>
                int(625)
                ["name"]=>
                string(24) "企管顧問公司推薦"
                ["slug"]=>
                string(72) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(625)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [3]=>
              object(WP_Term)#34246 (11) {
                ["term_id"]=>
                int(626)
                ["name"]=>
                string(18) "企管顧問推薦"
                ["slug"]=>
                string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(626)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [4]=>
              object(WP_Term)#34248 (11) {
                ["term_id"]=>
                int(596)
                ["name"]=>
                string(18) "人力資源管理"
                ["slug"]=>
                string(54) "%e4%ba%ba%e5%8a%9b%e8%b3%87%e6%ba%90%e7%ae%a1%e7%90%86"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(596)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [5]=>
              object(WP_Term)#34250 (11) {
                ["term_id"]=>
                int(612)
                ["name"]=>
                string(12) "經營顧問"
                ["slug"]=>
                string(36) "%e7%b6%93%e7%87%9f%e9%a1%a7%e5%95%8f"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(612)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [6]=>
              object(WP_Term)#34252 (11) {
                ["term_id"]=>
                int(613)
                ["name"]=>
                string(12) "企管顧問"
                ["slug"]=>
                string(36) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(613)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [7]=>
              object(WP_Term)#34254 (11) {
                ["term_id"]=>
                int(614)
                ["name"]=>
                string(18) "管理顧問推薦"
                ["slug"]=>
                string(54) "%e7%ae%a1%e7%90%86%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(614)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [8]=>
              object(WP_Term)#34256 (11) {
                ["term_id"]=>
                int(615)
                ["name"]=>
                string(12) "市場營銷"
                ["slug"]=>
                string(36) "%e5%b8%82%e5%a0%b4%e7%87%9f%e9%8a%b7"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(615)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [9]=>
              object(WP_Term)#34235 (11) {
                ["term_id"]=>
                int(616)
                ["name"]=>
                string(12) "營銷策略"
                ["slug"]=>
                string(36) "%e7%87%9f%e9%8a%b7%e7%ad%96%e7%95%a5"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(616)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [10]=>
              object(WP_Term)#34234 (11) {
                ["term_id"]=>
                int(622)
                ["name"]=>
                string(18) "企管顧問公司"
                ["slug"]=>
                string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(622)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
            }
          }
        }
        [15]=>
        array(4) {
          ["file"]=>
          string(37) "/var/www/web/wp-includes/taxonomy.php"
          ["line"]=>
          int(1330)
          ["function"]=>
          string(13) "apply_filters"
          ["args"]=>
          array(1) {
            [0]=>
            string(9) "get_terms"
          }
        }
        [16]=>
        array(3) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(227)
          ["function"]=>
          string(9) "get_terms"
        }
        [17]=>
        array(5) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(393)
          ["function"]=>
          string(14) "screen_options"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [18]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(24) "register_custom_taxonomy"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [19]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [20]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [21]=>
        array(4) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(643)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(4) "init"
          }
        }
        [22]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [23]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [24]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [25]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(7)
  }
  [27]=>
  array(7) {
    [0]=>
    string(125) "SELECT DISTINCT post_id 
		         FROM tD6qv_postmeta 
		         WHERE meta_key = 'wp_protect_password_multiple_passwords'"
    [1]=>
    float(0.00044918060302734)
    [2]=>
    string(809) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), do_action('init'), WP_Hook->do_action, WP_Hook->apply_filters, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::register_custom_taxonomy, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::screen_options, get_terms, apply_filters('get_terms'), WP_Hook->apply_filters, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::table_tags_count, array_walk, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::WP_Table_Builder\Inc\Admin\Managers\{closure}, WP_Query->__construct, WP_Query->query, WP_Query->get_posts, do_action_ref_array('pre_get_posts'), WP_Hook->do_action, WP_Hook->apply_filters, PPW_Admin->ppwp_exclude_protected_items_from_qry, PPW_Admin->ppwp_get_all_protected_ids, QM_DB->query"
    [3]=>
    float(1784046907.3149)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#34210 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(26) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3088)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1299)
          ["function"]=>
          string(7) "get_col"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1251)
          ["function"]=>
          string(26) "ppwp_get_all_protected_ids"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(37) "ppwp_exclude_protected_items_from_qry"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            bool(false)
          }
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(565)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              object(WP_Query)#34208 (52) {
                ["query"]=>
                array(5) {
                  ["post_type"]=>
                  string(11) "wptb-tables"
                  ["post_status"]=>
                  string(5) "draft"
                  ["tax_query"]=>
                  array(1) {
                    [0]=>
                    array(3) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["field"]=>
                      string(4) "slug"
                      ["terms"]=>
                      string(54) "%e4%ba%ba%e5%8a%9b%e8%b3%87%e6%ba%90%e7%ae%a1%e7%90%86"
                    }
                  }
                  ["meta_key"]=>
                  string(14) "_wptb_content_"
                  ["meta_compare"]=>
                  string(6) "EXISTS"
                }
                ["query_vars"]=>
                array(70) {
                  ["post_type"]=>
                  string(11) "wptb-tables"
                  ["post_status"]=>
                  string(5) "draft"
                  ["tax_query"]=>
                  array(1) {
                    [0]=>
                    array(3) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["field"]=>
                      string(4) "slug"
                      ["terms"]=>
                      string(54) "%e4%ba%ba%e5%8a%9b%e8%b3%87%e6%ba%90%e7%ae%a1%e7%90%86"
                    }
                  }
                  ["meta_key"]=>
                  string(14) "_wptb_content_"
                  ["meta_compare"]=>
                  string(6) "EXISTS"
                  ["error"]=>
                  string(0) ""
                  ["m"]=>
                  string(0) ""
                  ["p"]=>
                  int(0)
                  ["post_parent"]=>
                  string(0) ""
                  ["subpost"]=>
                  string(0) ""
                  ["subpost_id"]=>
                  string(0) ""
                  ["attachment"]=>
                  string(0) ""
                  ["attachment_id"]=>
                  int(0)
                  ["name"]=>
                  string(0) ""
                  ["pagename"]=>
                  string(0) ""
                  ["page_id"]=>
                  int(0)
                  ["second"]=>
                  string(0) ""
                  ["minute"]=>
                  string(0) ""
                  ["hour"]=>
                  string(0) ""
                  ["day"]=>
                  int(0)
                  ["monthnum"]=>
                  int(0)
                  ["year"]=>
                  int(0)
                  ["w"]=>
                  int(0)
                  ["category_name"]=>
                  string(0) ""
                  ["tag"]=>
                  string(0) ""
                  ["cat"]=>
                  string(0) ""
                  ["tag_id"]=>
                  string(0) ""
                  ["author"]=>
                  string(0) ""
                  ["author_name"]=>
                  string(0) ""
                  ["feed"]=>
                  string(0) ""
                  ["tb"]=>
                  string(0) ""
                  ["paged"]=>
                  int(0)
                  ["meta_value"]=>
                  string(0) ""
                  ["preview"]=>
                  string(0) ""
                  ["s"]=>
                  string(0) ""
                  ["sentence"]=>
                  string(0) ""
                  ["title"]=>
                  string(0) ""
                  ["fields"]=>
                  string(0) ""
                  ["menu_order"]=>
                  string(0) ""
                  ["embed"]=>
                  string(0) ""
                  ["category__in"]=>
                  array(0) {
                  }
                  ["category__not_in"]=>
                  array(0) {
                  }
                  ["category__and"]=>
                  array(0) {
                  }
                  ["post__in"]=>
                  array(0) {
                  }
                  ["post__not_in"]=>
                  array(0) {
                  }
                  ["post_name__in"]=>
                  array(0) {
                  }
                  ["tag__in"]=>
                  array(0) {
                  }
                  ["tag__not_in"]=>
                  array(0) {
                  }
                  ["tag__and"]=>
                  array(0) {
                  }
                  ["tag_slug__in"]=>
                  array(0) {
                  }
                  ["tag_slug__and"]=>
                  array(0) {
                  }
                  ["post_parent__in"]=>
                  array(0) {
                  }
                  ["post_parent__not_in"]=>
                  array(0) {
                  }
                  ["author__in"]=>
                  array(0) {
                  }
                  ["author__not_in"]=>
                  array(0) {
                  }
                  ["search_columns"]=>
                  array(0) {
                  }
                  ["ignore_sticky_posts"]=>
                  bool(false)
                  ["suppress_filters"]=>
                  bool(false)
                  ["cache_results"]=>
                  bool(true)
                  ["update_post_term_cache"]=>
                  bool(true)
                  ["update_menu_item_cache"]=>
                  bool(false)
                  ["lazy_load_term_meta"]=>
                  bool(true)
                  ["update_post_meta_cache"]=>
                  bool(true)
                  ["posts_per_page"]=>
                  int(12)
                  ["nopaging"]=>
                  bool(false)
                  ["comments_per_page"]=>
                  string(2) "50"
                  ["no_found_rows"]=>
                  bool(false)
                  ["taxonomy"]=>
                  string(10) "table_tags"
                  ["term"]=>
                  string(54) "%e4%ba%ba%e5%8a%9b%e8%b3%87%e6%ba%90%e7%ae%a1%e7%90%86"
                  ["order"]=>
                  string(4) "DESC"
                }
                ["tax_query"]=>
                object(WP_Tax_Query)#34207 (6) {
                  ["queries"]=>
                  array(1) {
                    [0]=>
                    array(5) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["terms"]=>
                      array(1) {
                        [0]=>
                        string(54) "%e4%ba%ba%e5%8a%9b%e8%b3%87%e6%ba%90%e7%ae%a1%e7%90%86"
                      }
                      ["field"]=>
                      string(4) "slug"
                      ["operator"]=>
                      string(2) "IN"
                      ["include_children"]=>
                      bool(true)
                    }
                  }
                  ["relation"]=>
                  string(3) "AND"
                  ["table_aliases":protected]=>
                  array(1) {
                    [0]=>
                    string(24) "tD6qv_term_relationships"
                  }
                  ["queried_terms"]=>
                  array(1) {
                    ["table_tags"]=>
                    array(2) {
                      ["terms"]=>
                      array(1) {
                        [0]=>
                        string(54) "%e4%ba%ba%e5%8a%9b%e8%b3%87%e6%ba%90%e7%ae%a1%e7%90%86"
                      }
                      ["field"]=>
                      string(4) "slug"
                    }
                  }
                  ["primary_table"]=>
                  string(11) "tD6qv_posts"
                  ["primary_id_column"]=>
                  string(2) "ID"
                }
                ["meta_query"]=>
                object(WP_Meta_Query)#34209 (9) {
                  ["queries"]=>
                  array(2) {
                    [0]=>
                    array(2) {
                      ["key"]=>
                      string(14) "_wptb_content_"
                      ["compare"]=>
                      string(6) "EXISTS"
                    }
                    ["relation"]=>
                    string(2) "OR"
                  }
                  ["relation"]=>
                  string(3) "AND"
                  ["meta_table"]=>
                  string(14) "tD6qv_postmeta"
                  ["meta_id_column"]=>
                  string(7) "post_id"
                  ["primary_table"]=>
                  string(11) "tD6qv_posts"
                  ["primary_id_column"]=>
                  string(2) "ID"
                  ["table_aliases":protected]=>
                  array(1) {
                    [0]=>
                    string(14) "tD6qv_postmeta"
                  }
                  ["clauses":protected]=>
                  array(1) {
                    ["tD6qv_postmeta"]=>
                    array(5) {
                      ["key"]=>
                      string(14) "_wptb_content_"
                      ["compare"]=>
                      string(6) "EXISTS"
                      ["compare_key"]=>
                      string(1) "="
                      ["alias"]=>
                      string(14) "tD6qv_postmeta"
                      ["cast"]=>
                      string(4) "CHAR"
                    }
                  }
                  ["has_or_relation":protected]=>
                  bool(false)
                }
                ["date_query"]=>
                bool(false)
                ["request"]=>
                string(2812) "
			SELECT SQL_CALC_FOUND_ROWS  tD6qv_posts.*
			FROM tD6qv_posts  LEFT JOIN tD6qv_term_relationships ON (tD6qv_posts.ID = tD6qv_term_relationships.object_id) INNER JOIN tD6qv_postmeta ON ( tD6qv_posts.ID = tD6qv_postmeta.post_id )
			WHERE 1=1  AND ( 
  tD6qv_term_relationships.term_taxonomy_id IN (596)
) AND ( 
  tD6qv_postmeta.meta_key = '_wptb_content_'
) AND tD6qv_posts.post_type = 'wptb-tables' AND ((tD6qv_posts.post_status = 'draft')) AND tD6qv_posts.ID NOT IN ( 31016, 31017, 31018, 31019, 31020, 31021, 31023, 31047, 31048, 31049, 31050, 31051, 31052, 31053, 31054, 31061, 31062, 31063, 31064, 31065, 31074, 31075, 31076, 31077, 31078, 31079, 31094, 31095, 31096, 31097, 31098, 31103, 31104, 31105, 31110, 31111, 31113, 31115, 31117, 31119, 31121, 31123, 31125, 31127, 31129, 31131, 31133, 31135, 31137, 31140, 31142, 31144, 31150, 31152, 31155, 31157, 31159, 31161, 31163, 31165, 31167, 31169, 31171, 31173, 31176, 31178, 31180, 31189, 31199, 31200, 31201, 31202, 31203, 31210, 31211, 31212, 31213, 31214, 31222, 31223, 31224, 31225, 31226, 31233, 31234, 31235, 31237, 31238, 31239, 31242, 31243, 31245, 31247, 31249, 31257, 31258, 31260, 31261, 31262, 31263, 31264, 31265, 31287, 31288, 31289, 31290, 31339, 31342, 32291, 32570, 32694, 33157, 33302, 33304, 33981, 34831, 34832, 35549, 35551, 35586, 35590, 35591, 35592, 35593, 35594, 35595, 35659, 35660, 35661, 35662, 35663, 35664, 35665, 35666, 35668, 35672, 35676, 35679, 35680, 35681, 35682, 35683, 35684, 35685, 35689, 35694, 35696, 35697, 35698, 35702, 35703, 35704, 35706, 35713, 35720, 35742, 35743, 35744, 35746, 35747, 35748, 35749, 35750, 35751, 35752, 35753, 35754, 35755, 35756, 35757, 48063, 48070, 48071, 48072, 48074, 48075, 48184, 48188, 48189, 49076, 49099, 49104, 49106, 49455, 49457, 49459, 49461, 49463, 49465, 49467, 49469, 49676, 49681, 49682, 49683, 49727, 49729, 49731, 49733, 49735, 49737, 49739, 49854, 49969, 50452, 50455, 50457, 50459, 50461, 50463, 50465, 50709, 50711, 50713, 50715, 50717, 50719, 50721, 50723, 50725, 50727, 50729, 50731, 50733, 50735, 50737, 50739, 50741, 50743, 50745, 50749, 50753, 50755, 50756, 50758, 50760, 50762, 50764, 50766, 51313, 51345, 51347, 51349, 51405, 51511, 51513, 51952, 52094, 54373, 54375, 54377, 54379, 54382, 54384, 54387, 54389, 54391, 54393, 54396, 54400, 55813, 57567, 57569, 57579, 57582, 57586, 57591, 60450, 60718, 60842, 60974, 60977, 89588, 89591, 89593, 89595, 89597, 89601, 91915, 91916, 91918, 93992, 93994, 109831, 109911, 110004, 110006, 110011, 110015, 110018, 110020, 110024, 110028, 110030, 110032, 110034, 110039, 110041, 110043, 110045, 110047, 110051, 110122, 110124, 110126, 110128, 110131, 110134, 110137, 110139, 110142, 110144, 110146, 110148 ) 
			GROUP BY tD6qv_posts.ID
			ORDER BY tD6qv_posts.menu_order, tD6qv_posts.post_date DESC
			LIMIT 0, 12
		"
                ["posts"]=>
                array(0) {
                }
                ["post_count"]=>
                int(0)
                ["current_post"]=>
                int(-1)
                ["before_loop"]=>
                bool(true)
                ["in_the_loop"]=>
                bool(false)
                ["comment_count"]=>
                int(0)
                ["current_comment"]=>
                int(-1)
                ["found_posts"]=>
                int(0)
                ["max_num_pages"]=>
                int(0)
                ["max_num_comment_pages"]=>
                int(0)
                ["is_single"]=>
                bool(false)
                ["is_preview"]=>
                bool(false)
                ["is_page"]=>
                bool(false)
                ["is_archive"]=>
                bool(true)
                ["is_date"]=>
                bool(false)
                ["is_year"]=>
                bool(false)
                ["is_month"]=>
                bool(false)
                ["is_day"]=>
                bool(false)
                ["is_time"]=>
                bool(false)
                ["is_author"]=>
                bool(false)
                ["is_category"]=>
                bool(false)
                ["is_tag"]=>
                bool(false)
                ["is_tax"]=>
                bool(true)
                ["is_search"]=>
                bool(false)
                ["is_feed"]=>
                bool(false)
                ["is_comment_feed"]=>
                bool(false)
                ["is_trackback"]=>
                bool(false)
                ["is_home"]=>
                bool(false)
                ["is_privacy_policy"]=>
                bool(false)
                ["is_404"]=>
                bool(false)
                ["is_embed"]=>
                bool(false)
                ["is_paged"]=>
                bool(false)
                ["is_admin"]=>
                bool(false)
                ["is_attachment"]=>
                bool(false)
                ["is_singular"]=>
                bool(false)
                ["is_robots"]=>
                bool(false)
                ["is_favicon"]=>
                bool(false)
                ["is_posts_page"]=>
                bool(false)
                ["is_post_type_archive"]=>
                bool(false)
                ["query_vars_hash":"WP_Query":private]=>
                string(32) "c2a114e8cb3d4d1c538ee04149adf035"
                ["query_vars_changed":"WP_Query":private]=>
                bool(false)
                ["thumbnails_cached"]=>
                bool(false)
                ["allow_query_attachment_by_filename":protected]=>
                bool(false)
                ["stopwords":"WP_Query":private]=>
                NULL
                ["compat_fields":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(15) "query_vars_hash"
                  [1]=>
                  string(18) "query_vars_changed"
                }
                ["compat_methods":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(16) "init_query_flags"
                  [1]=>
                  string(15) "parse_tax_query"
                }
              }
            }
          }
        }
        [7]=>
        array(4) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(1881)
          ["function"]=>
          string(19) "do_action_ref_array"
          ["args"]=>
          array(1) {
            [0]=>
            string(13) "pre_get_posts"
          }
        }
        [8]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3800)
          ["function"]=>
          string(9) "get_posts"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [9]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3932)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [10]=>
        array(5) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(167)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [11]=>
        array(3) {
          ["function"]=>
          string(45) "WP_Table_Builder\Inc\Admin\Managers\{closure}"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(174)
          ["function"]=>
          string(10) "array_walk"
        }
        [13]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(312)
          ["function"]=>
          string(16) "table_tags_count"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [14]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(205)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(11) {
              [0]=>
              object(WP_Term)#34240 (11) {
                ["term_id"]=>
                int(623)
                ["name"]=>
                string(14) "BU事業單位"
                ["slug"]=>
                string(38) "bu%e4%ba%8b%e6%a5%ad%e5%96%ae%e4%bd%8d"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(623)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [1]=>
              object(WP_Term)#34242 (11) {
                ["term_id"]=>
                int(624)
                ["name"]=>
                string(30) "企管顧問公司收費標準"
                ["slug"]=>
                string(90) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%94%b6%e8%b2%bb%e6%a8%99%e6%ba%96"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(624)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [2]=>
              object(WP_Term)#34244 (11) {
                ["term_id"]=>
                int(625)
                ["name"]=>
                string(24) "企管顧問公司推薦"
                ["slug"]=>
                string(72) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(625)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [3]=>
              object(WP_Term)#34246 (11) {
                ["term_id"]=>
                int(626)
                ["name"]=>
                string(18) "企管顧問推薦"
                ["slug"]=>
                string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(626)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [4]=>
              object(WP_Term)#34248 (11) {
                ["term_id"]=>
                int(596)
                ["name"]=>
                string(18) "人力資源管理"
                ["slug"]=>
                string(54) "%e4%ba%ba%e5%8a%9b%e8%b3%87%e6%ba%90%e7%ae%a1%e7%90%86"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(596)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [5]=>
              object(WP_Term)#34250 (11) {
                ["term_id"]=>
                int(612)
                ["name"]=>
                string(12) "經營顧問"
                ["slug"]=>
                string(36) "%e7%b6%93%e7%87%9f%e9%a1%a7%e5%95%8f"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(612)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [6]=>
              object(WP_Term)#34252 (11) {
                ["term_id"]=>
                int(613)
                ["name"]=>
                string(12) "企管顧問"
                ["slug"]=>
                string(36) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(613)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [7]=>
              object(WP_Term)#34254 (11) {
                ["term_id"]=>
                int(614)
                ["name"]=>
                string(18) "管理顧問推薦"
                ["slug"]=>
                string(54) "%e7%ae%a1%e7%90%86%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(614)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [8]=>
              object(WP_Term)#34256 (11) {
                ["term_id"]=>
                int(615)
                ["name"]=>
                string(12) "市場營銷"
                ["slug"]=>
                string(36) "%e5%b8%82%e5%a0%b4%e7%87%9f%e9%8a%b7"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(615)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [9]=>
              object(WP_Term)#34235 (11) {
                ["term_id"]=>
                int(616)
                ["name"]=>
                string(12) "營銷策略"
                ["slug"]=>
                string(36) "%e7%87%9f%e9%8a%b7%e7%ad%96%e7%95%a5"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(616)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [10]=>
              object(WP_Term)#34234 (11) {
                ["term_id"]=>
                int(622)
                ["name"]=>
                string(18) "企管顧問公司"
                ["slug"]=>
                string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(622)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
            }
          }
        }
        [15]=>
        array(4) {
          ["file"]=>
          string(37) "/var/www/web/wp-includes/taxonomy.php"
          ["line"]=>
          int(1330)
          ["function"]=>
          string(13) "apply_filters"
          ["args"]=>
          array(1) {
            [0]=>
            string(9) "get_terms"
          }
        }
        [16]=>
        array(3) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(227)
          ["function"]=>
          string(9) "get_terms"
        }
        [17]=>
        array(5) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(393)
          ["function"]=>
          string(14) "screen_options"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [18]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(24) "register_custom_taxonomy"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [19]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [20]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [21]=>
        array(4) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(643)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(4) "init"
          }
        }
        [22]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [23]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [24]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [25]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(7)
  }
  [28]=>
  array(7) {
    [0]=>
    string(125) "SELECT DISTINCT post_id 
		         FROM tD6qv_postmeta 
		         WHERE meta_key = 'wp_protect_password_multiple_passwords'"
    [1]=>
    float(0.00031208992004395)
    [2]=>
    string(809) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), do_action('init'), WP_Hook->do_action, WP_Hook->apply_filters, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::register_custom_taxonomy, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::screen_options, get_terms, apply_filters('get_terms'), WP_Hook->apply_filters, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::table_tags_count, array_walk, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::WP_Table_Builder\Inc\Admin\Managers\{closure}, WP_Query->__construct, WP_Query->query, WP_Query->get_posts, do_action_ref_array('pre_get_posts'), WP_Hook->do_action, WP_Hook->apply_filters, PPW_Admin->ppwp_exclude_protected_items_from_qry, PPW_Admin->ppwp_get_all_protected_ids, QM_DB->query"
    [3]=>
    float(1784046907.3163)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#34206 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(26) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3088)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1299)
          ["function"]=>
          string(7) "get_col"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1251)
          ["function"]=>
          string(26) "ppwp_get_all_protected_ids"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(37) "ppwp_exclude_protected_items_from_qry"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            bool(false)
          }
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(565)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              object(WP_Query)#34204 (52) {
                ["query"]=>
                array(5) {
                  ["post_type"]=>
                  string(11) "wptb-tables"
                  ["post_status"]=>
                  string(5) "draft"
                  ["tax_query"]=>
                  array(1) {
                    [0]=>
                    array(3) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["field"]=>
                      string(4) "slug"
                      ["terms"]=>
                      string(36) "%e7%b6%93%e7%87%9f%e9%a1%a7%e5%95%8f"
                    }
                  }
                  ["meta_key"]=>
                  string(14) "_wptb_content_"
                  ["meta_compare"]=>
                  string(6) "EXISTS"
                }
                ["query_vars"]=>
                array(70) {
                  ["post_type"]=>
                  string(11) "wptb-tables"
                  ["post_status"]=>
                  string(5) "draft"
                  ["tax_query"]=>
                  array(1) {
                    [0]=>
                    array(3) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["field"]=>
                      string(4) "slug"
                      ["terms"]=>
                      string(36) "%e7%b6%93%e7%87%9f%e9%a1%a7%e5%95%8f"
                    }
                  }
                  ["meta_key"]=>
                  string(14) "_wptb_content_"
                  ["meta_compare"]=>
                  string(6) "EXISTS"
                  ["error"]=>
                  string(0) ""
                  ["m"]=>
                  string(0) ""
                  ["p"]=>
                  int(0)
                  ["post_parent"]=>
                  string(0) ""
                  ["subpost"]=>
                  string(0) ""
                  ["subpost_id"]=>
                  string(0) ""
                  ["attachment"]=>
                  string(0) ""
                  ["attachment_id"]=>
                  int(0)
                  ["name"]=>
                  string(0) ""
                  ["pagename"]=>
                  string(0) ""
                  ["page_id"]=>
                  int(0)
                  ["second"]=>
                  string(0) ""
                  ["minute"]=>
                  string(0) ""
                  ["hour"]=>
                  string(0) ""
                  ["day"]=>
                  int(0)
                  ["monthnum"]=>
                  int(0)
                  ["year"]=>
                  int(0)
                  ["w"]=>
                  int(0)
                  ["category_name"]=>
                  string(0) ""
                  ["tag"]=>
                  string(0) ""
                  ["cat"]=>
                  string(0) ""
                  ["tag_id"]=>
                  string(0) ""
                  ["author"]=>
                  string(0) ""
                  ["author_name"]=>
                  string(0) ""
                  ["feed"]=>
                  string(0) ""
                  ["tb"]=>
                  string(0) ""
                  ["paged"]=>
                  int(0)
                  ["meta_value"]=>
                  string(0) ""
                  ["preview"]=>
                  string(0) ""
                  ["s"]=>
                  string(0) ""
                  ["sentence"]=>
                  string(0) ""
                  ["title"]=>
                  string(0) ""
                  ["fields"]=>
                  string(0) ""
                  ["menu_order"]=>
                  string(0) ""
                  ["embed"]=>
                  string(0) ""
                  ["category__in"]=>
                  array(0) {
                  }
                  ["category__not_in"]=>
                  array(0) {
                  }
                  ["category__and"]=>
                  array(0) {
                  }
                  ["post__in"]=>
                  array(0) {
                  }
                  ["post__not_in"]=>
                  array(0) {
                  }
                  ["post_name__in"]=>
                  array(0) {
                  }
                  ["tag__in"]=>
                  array(0) {
                  }
                  ["tag__not_in"]=>
                  array(0) {
                  }
                  ["tag__and"]=>
                  array(0) {
                  }
                  ["tag_slug__in"]=>
                  array(0) {
                  }
                  ["tag_slug__and"]=>
                  array(0) {
                  }
                  ["post_parent__in"]=>
                  array(0) {
                  }
                  ["post_parent__not_in"]=>
                  array(0) {
                  }
                  ["author__in"]=>
                  array(0) {
                  }
                  ["author__not_in"]=>
                  array(0) {
                  }
                  ["search_columns"]=>
                  array(0) {
                  }
                  ["ignore_sticky_posts"]=>
                  bool(false)
                  ["suppress_filters"]=>
                  bool(false)
                  ["cache_results"]=>
                  bool(true)
                  ["update_post_term_cache"]=>
                  bool(true)
                  ["update_menu_item_cache"]=>
                  bool(false)
                  ["lazy_load_term_meta"]=>
                  bool(true)
                  ["update_post_meta_cache"]=>
                  bool(true)
                  ["posts_per_page"]=>
                  int(12)
                  ["nopaging"]=>
                  bool(false)
                  ["comments_per_page"]=>
                  string(2) "50"
                  ["no_found_rows"]=>
                  bool(false)
                  ["taxonomy"]=>
                  string(10) "table_tags"
                  ["term"]=>
                  string(36) "%e7%b6%93%e7%87%9f%e9%a1%a7%e5%95%8f"
                  ["order"]=>
                  string(4) "DESC"
                }
                ["tax_query"]=>
                object(WP_Tax_Query)#34203 (6) {
                  ["queries"]=>
                  array(1) {
                    [0]=>
                    array(5) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["terms"]=>
                      array(1) {
                        [0]=>
                        string(36) "%e7%b6%93%e7%87%9f%e9%a1%a7%e5%95%8f"
                      }
                      ["field"]=>
                      string(4) "slug"
                      ["operator"]=>
                      string(2) "IN"
                      ["include_children"]=>
                      bool(true)
                    }
                  }
                  ["relation"]=>
                  string(3) "AND"
                  ["table_aliases":protected]=>
                  array(1) {
                    [0]=>
                    string(24) "tD6qv_term_relationships"
                  }
                  ["queried_terms"]=>
                  array(1) {
                    ["table_tags"]=>
                    array(2) {
                      ["terms"]=>
                      array(1) {
                        [0]=>
                        string(36) "%e7%b6%93%e7%87%9f%e9%a1%a7%e5%95%8f"
                      }
                      ["field"]=>
                      string(4) "slug"
                    }
                  }
                  ["primary_table"]=>
                  string(11) "tD6qv_posts"
                  ["primary_id_column"]=>
                  string(2) "ID"
                }
                ["meta_query"]=>
                object(WP_Meta_Query)#34205 (9) {
                  ["queries"]=>
                  array(2) {
                    [0]=>
                    array(2) {
                      ["key"]=>
                      string(14) "_wptb_content_"
                      ["compare"]=>
                      string(6) "EXISTS"
                    }
                    ["relation"]=>
                    string(2) "OR"
                  }
                  ["relation"]=>
                  string(3) "AND"
                  ["meta_table"]=>
                  string(14) "tD6qv_postmeta"
                  ["meta_id_column"]=>
                  string(7) "post_id"
                  ["primary_table"]=>
                  string(11) "tD6qv_posts"
                  ["primary_id_column"]=>
                  string(2) "ID"
                  ["table_aliases":protected]=>
                  array(1) {
                    [0]=>
                    string(14) "tD6qv_postmeta"
                  }
                  ["clauses":protected]=>
                  array(1) {
                    ["tD6qv_postmeta"]=>
                    array(5) {
                      ["key"]=>
                      string(14) "_wptb_content_"
                      ["compare"]=>
                      string(6) "EXISTS"
                      ["compare_key"]=>
                      string(1) "="
                      ["alias"]=>
                      string(14) "tD6qv_postmeta"
                      ["cast"]=>
                      string(4) "CHAR"
                    }
                  }
                  ["has_or_relation":protected]=>
                  bool(false)
                }
                ["date_query"]=>
                bool(false)
                ["request"]=>
                string(2812) "
			SELECT SQL_CALC_FOUND_ROWS  tD6qv_posts.*
			FROM tD6qv_posts  LEFT JOIN tD6qv_term_relationships ON (tD6qv_posts.ID = tD6qv_term_relationships.object_id) INNER JOIN tD6qv_postmeta ON ( tD6qv_posts.ID = tD6qv_postmeta.post_id )
			WHERE 1=1  AND ( 
  tD6qv_term_relationships.term_taxonomy_id IN (612)
) AND ( 
  tD6qv_postmeta.meta_key = '_wptb_content_'
) AND tD6qv_posts.post_type = 'wptb-tables' AND ((tD6qv_posts.post_status = 'draft')) AND tD6qv_posts.ID NOT IN ( 31016, 31017, 31018, 31019, 31020, 31021, 31023, 31047, 31048, 31049, 31050, 31051, 31052, 31053, 31054, 31061, 31062, 31063, 31064, 31065, 31074, 31075, 31076, 31077, 31078, 31079, 31094, 31095, 31096, 31097, 31098, 31103, 31104, 31105, 31110, 31111, 31113, 31115, 31117, 31119, 31121, 31123, 31125, 31127, 31129, 31131, 31133, 31135, 31137, 31140, 31142, 31144, 31150, 31152, 31155, 31157, 31159, 31161, 31163, 31165, 31167, 31169, 31171, 31173, 31176, 31178, 31180, 31189, 31199, 31200, 31201, 31202, 31203, 31210, 31211, 31212, 31213, 31214, 31222, 31223, 31224, 31225, 31226, 31233, 31234, 31235, 31237, 31238, 31239, 31242, 31243, 31245, 31247, 31249, 31257, 31258, 31260, 31261, 31262, 31263, 31264, 31265, 31287, 31288, 31289, 31290, 31339, 31342, 32291, 32570, 32694, 33157, 33302, 33304, 33981, 34831, 34832, 35549, 35551, 35586, 35590, 35591, 35592, 35593, 35594, 35595, 35659, 35660, 35661, 35662, 35663, 35664, 35665, 35666, 35668, 35672, 35676, 35679, 35680, 35681, 35682, 35683, 35684, 35685, 35689, 35694, 35696, 35697, 35698, 35702, 35703, 35704, 35706, 35713, 35720, 35742, 35743, 35744, 35746, 35747, 35748, 35749, 35750, 35751, 35752, 35753, 35754, 35755, 35756, 35757, 48063, 48070, 48071, 48072, 48074, 48075, 48184, 48188, 48189, 49076, 49099, 49104, 49106, 49455, 49457, 49459, 49461, 49463, 49465, 49467, 49469, 49676, 49681, 49682, 49683, 49727, 49729, 49731, 49733, 49735, 49737, 49739, 49854, 49969, 50452, 50455, 50457, 50459, 50461, 50463, 50465, 50709, 50711, 50713, 50715, 50717, 50719, 50721, 50723, 50725, 50727, 50729, 50731, 50733, 50735, 50737, 50739, 50741, 50743, 50745, 50749, 50753, 50755, 50756, 50758, 50760, 50762, 50764, 50766, 51313, 51345, 51347, 51349, 51405, 51511, 51513, 51952, 52094, 54373, 54375, 54377, 54379, 54382, 54384, 54387, 54389, 54391, 54393, 54396, 54400, 55813, 57567, 57569, 57579, 57582, 57586, 57591, 60450, 60718, 60842, 60974, 60977, 89588, 89591, 89593, 89595, 89597, 89601, 91915, 91916, 91918, 93992, 93994, 109831, 109911, 110004, 110006, 110011, 110015, 110018, 110020, 110024, 110028, 110030, 110032, 110034, 110039, 110041, 110043, 110045, 110047, 110051, 110122, 110124, 110126, 110128, 110131, 110134, 110137, 110139, 110142, 110144, 110146, 110148 ) 
			GROUP BY tD6qv_posts.ID
			ORDER BY tD6qv_posts.menu_order, tD6qv_posts.post_date DESC
			LIMIT 0, 12
		"
                ["posts"]=>
                array(0) {
                }
                ["post_count"]=>
                int(0)
                ["current_post"]=>
                int(-1)
                ["before_loop"]=>
                bool(true)
                ["in_the_loop"]=>
                bool(false)
                ["comment_count"]=>
                int(0)
                ["current_comment"]=>
                int(-1)
                ["found_posts"]=>
                int(0)
                ["max_num_pages"]=>
                int(0)
                ["max_num_comment_pages"]=>
                int(0)
                ["is_single"]=>
                bool(false)
                ["is_preview"]=>
                bool(false)
                ["is_page"]=>
                bool(false)
                ["is_archive"]=>
                bool(true)
                ["is_date"]=>
                bool(false)
                ["is_year"]=>
                bool(false)
                ["is_month"]=>
                bool(false)
                ["is_day"]=>
                bool(false)
                ["is_time"]=>
                bool(false)
                ["is_author"]=>
                bool(false)
                ["is_category"]=>
                bool(false)
                ["is_tag"]=>
                bool(false)
                ["is_tax"]=>
                bool(true)
                ["is_search"]=>
                bool(false)
                ["is_feed"]=>
                bool(false)
                ["is_comment_feed"]=>
                bool(false)
                ["is_trackback"]=>
                bool(false)
                ["is_home"]=>
                bool(false)
                ["is_privacy_policy"]=>
                bool(false)
                ["is_404"]=>
                bool(false)
                ["is_embed"]=>
                bool(false)
                ["is_paged"]=>
                bool(false)
                ["is_admin"]=>
                bool(false)
                ["is_attachment"]=>
                bool(false)
                ["is_singular"]=>
                bool(false)
                ["is_robots"]=>
                bool(false)
                ["is_favicon"]=>
                bool(false)
                ["is_posts_page"]=>
                bool(false)
                ["is_post_type_archive"]=>
                bool(false)
                ["query_vars_hash":"WP_Query":private]=>
                string(32) "dfd424611ab508ce673b80a5e964d601"
                ["query_vars_changed":"WP_Query":private]=>
                bool(false)
                ["thumbnails_cached"]=>
                bool(false)
                ["allow_query_attachment_by_filename":protected]=>
                bool(false)
                ["stopwords":"WP_Query":private]=>
                NULL
                ["compat_fields":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(15) "query_vars_hash"
                  [1]=>
                  string(18) "query_vars_changed"
                }
                ["compat_methods":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(16) "init_query_flags"
                  [1]=>
                  string(15) "parse_tax_query"
                }
              }
            }
          }
        }
        [7]=>
        array(4) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(1881)
          ["function"]=>
          string(19) "do_action_ref_array"
          ["args"]=>
          array(1) {
            [0]=>
            string(13) "pre_get_posts"
          }
        }
        [8]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3800)
          ["function"]=>
          string(9) "get_posts"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [9]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3932)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [10]=>
        array(5) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(167)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [11]=>
        array(3) {
          ["function"]=>
          string(45) "WP_Table_Builder\Inc\Admin\Managers\{closure}"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(174)
          ["function"]=>
          string(10) "array_walk"
        }
        [13]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(312)
          ["function"]=>
          string(16) "table_tags_count"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [14]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(205)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(11) {
              [0]=>
              object(WP_Term)#34240 (11) {
                ["term_id"]=>
                int(623)
                ["name"]=>
                string(14) "BU事業單位"
                ["slug"]=>
                string(38) "bu%e4%ba%8b%e6%a5%ad%e5%96%ae%e4%bd%8d"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(623)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [1]=>
              object(WP_Term)#34242 (11) {
                ["term_id"]=>
                int(624)
                ["name"]=>
                string(30) "企管顧問公司收費標準"
                ["slug"]=>
                string(90) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%94%b6%e8%b2%bb%e6%a8%99%e6%ba%96"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(624)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [2]=>
              object(WP_Term)#34244 (11) {
                ["term_id"]=>
                int(625)
                ["name"]=>
                string(24) "企管顧問公司推薦"
                ["slug"]=>
                string(72) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(625)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [3]=>
              object(WP_Term)#34246 (11) {
                ["term_id"]=>
                int(626)
                ["name"]=>
                string(18) "企管顧問推薦"
                ["slug"]=>
                string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(626)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [4]=>
              object(WP_Term)#34248 (11) {
                ["term_id"]=>
                int(596)
                ["name"]=>
                string(18) "人力資源管理"
                ["slug"]=>
                string(54) "%e4%ba%ba%e5%8a%9b%e8%b3%87%e6%ba%90%e7%ae%a1%e7%90%86"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(596)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [5]=>
              object(WP_Term)#34250 (11) {
                ["term_id"]=>
                int(612)
                ["name"]=>
                string(12) "經營顧問"
                ["slug"]=>
                string(36) "%e7%b6%93%e7%87%9f%e9%a1%a7%e5%95%8f"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(612)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [6]=>
              object(WP_Term)#34252 (11) {
                ["term_id"]=>
                int(613)
                ["name"]=>
                string(12) "企管顧問"
                ["slug"]=>
                string(36) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(613)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [7]=>
              object(WP_Term)#34254 (11) {
                ["term_id"]=>
                int(614)
                ["name"]=>
                string(18) "管理顧問推薦"
                ["slug"]=>
                string(54) "%e7%ae%a1%e7%90%86%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(614)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [8]=>
              object(WP_Term)#34256 (11) {
                ["term_id"]=>
                int(615)
                ["name"]=>
                string(12) "市場營銷"
                ["slug"]=>
                string(36) "%e5%b8%82%e5%a0%b4%e7%87%9f%e9%8a%b7"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(615)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [9]=>
              object(WP_Term)#34235 (11) {
                ["term_id"]=>
                int(616)
                ["name"]=>
                string(12) "營銷策略"
                ["slug"]=>
                string(36) "%e7%87%9f%e9%8a%b7%e7%ad%96%e7%95%a5"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(616)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [10]=>
              object(WP_Term)#34234 (11) {
                ["term_id"]=>
                int(622)
                ["name"]=>
                string(18) "企管顧問公司"
                ["slug"]=>
                string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(622)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
            }
          }
        }
        [15]=>
        array(4) {
          ["file"]=>
          string(37) "/var/www/web/wp-includes/taxonomy.php"
          ["line"]=>
          int(1330)
          ["function"]=>
          string(13) "apply_filters"
          ["args"]=>
          array(1) {
            [0]=>
            string(9) "get_terms"
          }
        }
        [16]=>
        array(3) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(227)
          ["function"]=>
          string(9) "get_terms"
        }
        [17]=>
        array(5) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(393)
          ["function"]=>
          string(14) "screen_options"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [18]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(24) "register_custom_taxonomy"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [19]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [20]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [21]=>
        array(4) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(643)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(4) "init"
          }
        }
        [22]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [23]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [24]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [25]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(7)
  }
  [29]=>
  array(7) {
    [0]=>
    string(125) "SELECT DISTINCT post_id 
		         FROM tD6qv_postmeta 
		         WHERE meta_key = 'wp_protect_password_multiple_passwords'"
    [1]=>
    float(0.00038409233093262)
    [2]=>
    string(809) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), do_action('init'), WP_Hook->do_action, WP_Hook->apply_filters, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::register_custom_taxonomy, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::screen_options, get_terms, apply_filters('get_terms'), WP_Hook->apply_filters, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::table_tags_count, array_walk, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::WP_Table_Builder\Inc\Admin\Managers\{closure}, WP_Query->__construct, WP_Query->query, WP_Query->get_posts, do_action_ref_array('pre_get_posts'), WP_Hook->do_action, WP_Hook->apply_filters, PPW_Admin->ppwp_exclude_protected_items_from_qry, PPW_Admin->ppwp_get_all_protected_ids, QM_DB->query"
    [3]=>
    float(1784046907.3176)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#34202 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(26) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3088)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1299)
          ["function"]=>
          string(7) "get_col"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1251)
          ["function"]=>
          string(26) "ppwp_get_all_protected_ids"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(37) "ppwp_exclude_protected_items_from_qry"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            bool(false)
          }
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(565)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              object(WP_Query)#34200 (52) {
                ["query"]=>
                array(5) {
                  ["post_type"]=>
                  string(11) "wptb-tables"
                  ["post_status"]=>
                  string(5) "draft"
                  ["tax_query"]=>
                  array(1) {
                    [0]=>
                    array(3) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["field"]=>
                      string(4) "slug"
                      ["terms"]=>
                      string(36) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f"
                    }
                  }
                  ["meta_key"]=>
                  string(14) "_wptb_content_"
                  ["meta_compare"]=>
                  string(6) "EXISTS"
                }
                ["query_vars"]=>
                array(70) {
                  ["post_type"]=>
                  string(11) "wptb-tables"
                  ["post_status"]=>
                  string(5) "draft"
                  ["tax_query"]=>
                  array(1) {
                    [0]=>
                    array(3) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["field"]=>
                      string(4) "slug"
                      ["terms"]=>
                      string(36) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f"
                    }
                  }
                  ["meta_key"]=>
                  string(14) "_wptb_content_"
                  ["meta_compare"]=>
                  string(6) "EXISTS"
                  ["error"]=>
                  string(0) ""
                  ["m"]=>
                  string(0) ""
                  ["p"]=>
                  int(0)
                  ["post_parent"]=>
                  string(0) ""
                  ["subpost"]=>
                  string(0) ""
                  ["subpost_id"]=>
                  string(0) ""
                  ["attachment"]=>
                  string(0) ""
                  ["attachment_id"]=>
                  int(0)
                  ["name"]=>
                  string(0) ""
                  ["pagename"]=>
                  string(0) ""
                  ["page_id"]=>
                  int(0)
                  ["second"]=>
                  string(0) ""
                  ["minute"]=>
                  string(0) ""
                  ["hour"]=>
                  string(0) ""
                  ["day"]=>
                  int(0)
                  ["monthnum"]=>
                  int(0)
                  ["year"]=>
                  int(0)
                  ["w"]=>
                  int(0)
                  ["category_name"]=>
                  string(0) ""
                  ["tag"]=>
                  string(0) ""
                  ["cat"]=>
                  string(0) ""
                  ["tag_id"]=>
                  string(0) ""
                  ["author"]=>
                  string(0) ""
                  ["author_name"]=>
                  string(0) ""
                  ["feed"]=>
                  string(0) ""
                  ["tb"]=>
                  string(0) ""
                  ["paged"]=>
                  int(0)
                  ["meta_value"]=>
                  string(0) ""
                  ["preview"]=>
                  string(0) ""
                  ["s"]=>
                  string(0) ""
                  ["sentence"]=>
                  string(0) ""
                  ["title"]=>
                  string(0) ""
                  ["fields"]=>
                  string(0) ""
                  ["menu_order"]=>
                  string(0) ""
                  ["embed"]=>
                  string(0) ""
                  ["category__in"]=>
                  array(0) {
                  }
                  ["category__not_in"]=>
                  array(0) {
                  }
                  ["category__and"]=>
                  array(0) {
                  }
                  ["post__in"]=>
                  array(0) {
                  }
                  ["post__not_in"]=>
                  array(0) {
                  }
                  ["post_name__in"]=>
                  array(0) {
                  }
                  ["tag__in"]=>
                  array(0) {
                  }
                  ["tag__not_in"]=>
                  array(0) {
                  }
                  ["tag__and"]=>
                  array(0) {
                  }
                  ["tag_slug__in"]=>
                  array(0) {
                  }
                  ["tag_slug__and"]=>
                  array(0) {
                  }
                  ["post_parent__in"]=>
                  array(0) {
                  }
                  ["post_parent__not_in"]=>
                  array(0) {
                  }
                  ["author__in"]=>
                  array(0) {
                  }
                  ["author__not_in"]=>
                  array(0) {
                  }
                  ["search_columns"]=>
                  array(0) {
                  }
                  ["ignore_sticky_posts"]=>
                  bool(false)
                  ["suppress_filters"]=>
                  bool(false)
                  ["cache_results"]=>
                  bool(true)
                  ["update_post_term_cache"]=>
                  bool(true)
                  ["update_menu_item_cache"]=>
                  bool(false)
                  ["lazy_load_term_meta"]=>
                  bool(true)
                  ["update_post_meta_cache"]=>
                  bool(true)
                  ["posts_per_page"]=>
                  int(12)
                  ["nopaging"]=>
                  bool(false)
                  ["comments_per_page"]=>
                  string(2) "50"
                  ["no_found_rows"]=>
                  bool(false)
                  ["taxonomy"]=>
                  string(10) "table_tags"
                  ["term"]=>
                  string(36) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f"
                  ["order"]=>
                  string(4) "DESC"
                }
                ["tax_query"]=>
                object(WP_Tax_Query)#34199 (6) {
                  ["queries"]=>
                  array(1) {
                    [0]=>
                    array(5) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["terms"]=>
                      array(1) {
                        [0]=>
                        string(36) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f"
                      }
                      ["field"]=>
                      string(4) "slug"
                      ["operator"]=>
                      string(2) "IN"
                      ["include_children"]=>
                      bool(true)
                    }
                  }
                  ["relation"]=>
                  string(3) "AND"
                  ["table_aliases":protected]=>
                  array(1) {
                    [0]=>
                    string(24) "tD6qv_term_relationships"
                  }
                  ["queried_terms"]=>
                  array(1) {
                    ["table_tags"]=>
                    array(2) {
                      ["terms"]=>
                      array(1) {
                        [0]=>
                        string(36) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f"
                      }
                      ["field"]=>
                      string(4) "slug"
                    }
                  }
                  ["primary_table"]=>
                  string(11) "tD6qv_posts"
                  ["primary_id_column"]=>
                  string(2) "ID"
                }
                ["meta_query"]=>
                object(WP_Meta_Query)#34201 (9) {
                  ["queries"]=>
                  array(2) {
                    [0]=>
                    array(2) {
                      ["key"]=>
                      string(14) "_wptb_content_"
                      ["compare"]=>
                      string(6) "EXISTS"
                    }
                    ["relation"]=>
                    string(2) "OR"
                  }
                  ["relation"]=>
                  string(3) "AND"
                  ["meta_table"]=>
                  string(14) "tD6qv_postmeta"
                  ["meta_id_column"]=>
                  string(7) "post_id"
                  ["primary_table"]=>
                  string(11) "tD6qv_posts"
                  ["primary_id_column"]=>
                  string(2) "ID"
                  ["table_aliases":protected]=>
                  array(1) {
                    [0]=>
                    string(14) "tD6qv_postmeta"
                  }
                  ["clauses":protected]=>
                  array(1) {
                    ["tD6qv_postmeta"]=>
                    array(5) {
                      ["key"]=>
                      string(14) "_wptb_content_"
                      ["compare"]=>
                      string(6) "EXISTS"
                      ["compare_key"]=>
                      string(1) "="
                      ["alias"]=>
                      string(14) "tD6qv_postmeta"
                      ["cast"]=>
                      string(4) "CHAR"
                    }
                  }
                  ["has_or_relation":protected]=>
                  bool(false)
                }
                ["date_query"]=>
                bool(false)
                ["request"]=>
                string(2812) "
			SELECT SQL_CALC_FOUND_ROWS  tD6qv_posts.*
			FROM tD6qv_posts  LEFT JOIN tD6qv_term_relationships ON (tD6qv_posts.ID = tD6qv_term_relationships.object_id) INNER JOIN tD6qv_postmeta ON ( tD6qv_posts.ID = tD6qv_postmeta.post_id )
			WHERE 1=1  AND ( 
  tD6qv_term_relationships.term_taxonomy_id IN (613)
) AND ( 
  tD6qv_postmeta.meta_key = '_wptb_content_'
) AND tD6qv_posts.post_type = 'wptb-tables' AND ((tD6qv_posts.post_status = 'draft')) AND tD6qv_posts.ID NOT IN ( 31016, 31017, 31018, 31019, 31020, 31021, 31023, 31047, 31048, 31049, 31050, 31051, 31052, 31053, 31054, 31061, 31062, 31063, 31064, 31065, 31074, 31075, 31076, 31077, 31078, 31079, 31094, 31095, 31096, 31097, 31098, 31103, 31104, 31105, 31110, 31111, 31113, 31115, 31117, 31119, 31121, 31123, 31125, 31127, 31129, 31131, 31133, 31135, 31137, 31140, 31142, 31144, 31150, 31152, 31155, 31157, 31159, 31161, 31163, 31165, 31167, 31169, 31171, 31173, 31176, 31178, 31180, 31189, 31199, 31200, 31201, 31202, 31203, 31210, 31211, 31212, 31213, 31214, 31222, 31223, 31224, 31225, 31226, 31233, 31234, 31235, 31237, 31238, 31239, 31242, 31243, 31245, 31247, 31249, 31257, 31258, 31260, 31261, 31262, 31263, 31264, 31265, 31287, 31288, 31289, 31290, 31339, 31342, 32291, 32570, 32694, 33157, 33302, 33304, 33981, 34831, 34832, 35549, 35551, 35586, 35590, 35591, 35592, 35593, 35594, 35595, 35659, 35660, 35661, 35662, 35663, 35664, 35665, 35666, 35668, 35672, 35676, 35679, 35680, 35681, 35682, 35683, 35684, 35685, 35689, 35694, 35696, 35697, 35698, 35702, 35703, 35704, 35706, 35713, 35720, 35742, 35743, 35744, 35746, 35747, 35748, 35749, 35750, 35751, 35752, 35753, 35754, 35755, 35756, 35757, 48063, 48070, 48071, 48072, 48074, 48075, 48184, 48188, 48189, 49076, 49099, 49104, 49106, 49455, 49457, 49459, 49461, 49463, 49465, 49467, 49469, 49676, 49681, 49682, 49683, 49727, 49729, 49731, 49733, 49735, 49737, 49739, 49854, 49969, 50452, 50455, 50457, 50459, 50461, 50463, 50465, 50709, 50711, 50713, 50715, 50717, 50719, 50721, 50723, 50725, 50727, 50729, 50731, 50733, 50735, 50737, 50739, 50741, 50743, 50745, 50749, 50753, 50755, 50756, 50758, 50760, 50762, 50764, 50766, 51313, 51345, 51347, 51349, 51405, 51511, 51513, 51952, 52094, 54373, 54375, 54377, 54379, 54382, 54384, 54387, 54389, 54391, 54393, 54396, 54400, 55813, 57567, 57569, 57579, 57582, 57586, 57591, 60450, 60718, 60842, 60974, 60977, 89588, 89591, 89593, 89595, 89597, 89601, 91915, 91916, 91918, 93992, 93994, 109831, 109911, 110004, 110006, 110011, 110015, 110018, 110020, 110024, 110028, 110030, 110032, 110034, 110039, 110041, 110043, 110045, 110047, 110051, 110122, 110124, 110126, 110128, 110131, 110134, 110137, 110139, 110142, 110144, 110146, 110148 ) 
			GROUP BY tD6qv_posts.ID
			ORDER BY tD6qv_posts.menu_order, tD6qv_posts.post_date DESC
			LIMIT 0, 12
		"
                ["posts"]=>
                array(0) {
                }
                ["post_count"]=>
                int(0)
                ["current_post"]=>
                int(-1)
                ["before_loop"]=>
                bool(true)
                ["in_the_loop"]=>
                bool(false)
                ["comment_count"]=>
                int(0)
                ["current_comment"]=>
                int(-1)
                ["found_posts"]=>
                int(0)
                ["max_num_pages"]=>
                int(0)
                ["max_num_comment_pages"]=>
                int(0)
                ["is_single"]=>
                bool(false)
                ["is_preview"]=>
                bool(false)
                ["is_page"]=>
                bool(false)
                ["is_archive"]=>
                bool(true)
                ["is_date"]=>
                bool(false)
                ["is_year"]=>
                bool(false)
                ["is_month"]=>
                bool(false)
                ["is_day"]=>
                bool(false)
                ["is_time"]=>
                bool(false)
                ["is_author"]=>
                bool(false)
                ["is_category"]=>
                bool(false)
                ["is_tag"]=>
                bool(false)
                ["is_tax"]=>
                bool(true)
                ["is_search"]=>
                bool(false)
                ["is_feed"]=>
                bool(false)
                ["is_comment_feed"]=>
                bool(false)
                ["is_trackback"]=>
                bool(false)
                ["is_home"]=>
                bool(false)
                ["is_privacy_policy"]=>
                bool(false)
                ["is_404"]=>
                bool(false)
                ["is_embed"]=>
                bool(false)
                ["is_paged"]=>
                bool(false)
                ["is_admin"]=>
                bool(false)
                ["is_attachment"]=>
                bool(false)
                ["is_singular"]=>
                bool(false)
                ["is_robots"]=>
                bool(false)
                ["is_favicon"]=>
                bool(false)
                ["is_posts_page"]=>
                bool(false)
                ["is_post_type_archive"]=>
                bool(false)
                ["query_vars_hash":"WP_Query":private]=>
                string(32) "a8ea027ecdf10daa8c57d57c30cdb4c8"
                ["query_vars_changed":"WP_Query":private]=>
                bool(false)
                ["thumbnails_cached"]=>
                bool(false)
                ["allow_query_attachment_by_filename":protected]=>
                bool(false)
                ["stopwords":"WP_Query":private]=>
                NULL
                ["compat_fields":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(15) "query_vars_hash"
                  [1]=>
                  string(18) "query_vars_changed"
                }
                ["compat_methods":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(16) "init_query_flags"
                  [1]=>
                  string(15) "parse_tax_query"
                }
              }
            }
          }
        }
        [7]=>
        array(4) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(1881)
          ["function"]=>
          string(19) "do_action_ref_array"
          ["args"]=>
          array(1) {
            [0]=>
            string(13) "pre_get_posts"
          }
        }
        [8]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3800)
          ["function"]=>
          string(9) "get_posts"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [9]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3932)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [10]=>
        array(5) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(167)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [11]=>
        array(3) {
          ["function"]=>
          string(45) "WP_Table_Builder\Inc\Admin\Managers\{closure}"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(174)
          ["function"]=>
          string(10) "array_walk"
        }
        [13]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(312)
          ["function"]=>
          string(16) "table_tags_count"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [14]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(205)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(11) {
              [0]=>
              object(WP_Term)#34240 (11) {
                ["term_id"]=>
                int(623)
                ["name"]=>
                string(14) "BU事業單位"
                ["slug"]=>
                string(38) "bu%e4%ba%8b%e6%a5%ad%e5%96%ae%e4%bd%8d"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(623)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [1]=>
              object(WP_Term)#34242 (11) {
                ["term_id"]=>
                int(624)
                ["name"]=>
                string(30) "企管顧問公司收費標準"
                ["slug"]=>
                string(90) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%94%b6%e8%b2%bb%e6%a8%99%e6%ba%96"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(624)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [2]=>
              object(WP_Term)#34244 (11) {
                ["term_id"]=>
                int(625)
                ["name"]=>
                string(24) "企管顧問公司推薦"
                ["slug"]=>
                string(72) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(625)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [3]=>
              object(WP_Term)#34246 (11) {
                ["term_id"]=>
                int(626)
                ["name"]=>
                string(18) "企管顧問推薦"
                ["slug"]=>
                string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(626)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [4]=>
              object(WP_Term)#34248 (11) {
                ["term_id"]=>
                int(596)
                ["name"]=>
                string(18) "人力資源管理"
                ["slug"]=>
                string(54) "%e4%ba%ba%e5%8a%9b%e8%b3%87%e6%ba%90%e7%ae%a1%e7%90%86"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(596)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [5]=>
              object(WP_Term)#34250 (11) {
                ["term_id"]=>
                int(612)
                ["name"]=>
                string(12) "經營顧問"
                ["slug"]=>
                string(36) "%e7%b6%93%e7%87%9f%e9%a1%a7%e5%95%8f"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(612)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [6]=>
              object(WP_Term)#34252 (11) {
                ["term_id"]=>
                int(613)
                ["name"]=>
                string(12) "企管顧問"
                ["slug"]=>
                string(36) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(613)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [7]=>
              object(WP_Term)#34254 (11) {
                ["term_id"]=>
                int(614)
                ["name"]=>
                string(18) "管理顧問推薦"
                ["slug"]=>
                string(54) "%e7%ae%a1%e7%90%86%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(614)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [8]=>
              object(WP_Term)#34256 (11) {
                ["term_id"]=>
                int(615)
                ["name"]=>
                string(12) "市場營銷"
                ["slug"]=>
                string(36) "%e5%b8%82%e5%a0%b4%e7%87%9f%e9%8a%b7"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(615)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [9]=>
              object(WP_Term)#34235 (11) {
                ["term_id"]=>
                int(616)
                ["name"]=>
                string(12) "營銷策略"
                ["slug"]=>
                string(36) "%e7%87%9f%e9%8a%b7%e7%ad%96%e7%95%a5"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(616)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [10]=>
              object(WP_Term)#34234 (11) {
                ["term_id"]=>
                int(622)
                ["name"]=>
                string(18) "企管顧問公司"
                ["slug"]=>
                string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(622)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
            }
          }
        }
        [15]=>
        array(4) {
          ["file"]=>
          string(37) "/var/www/web/wp-includes/taxonomy.php"
          ["line"]=>
          int(1330)
          ["function"]=>
          string(13) "apply_filters"
          ["args"]=>
          array(1) {
            [0]=>
            string(9) "get_terms"
          }
        }
        [16]=>
        array(3) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(227)
          ["function"]=>
          string(9) "get_terms"
        }
        [17]=>
        array(5) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(393)
          ["function"]=>
          string(14) "screen_options"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [18]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(24) "register_custom_taxonomy"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [19]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [20]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [21]=>
        array(4) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(643)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(4) "init"
          }
        }
        [22]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [23]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [24]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [25]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(7)
  }
  [30]=>
  array(7) {
    [0]=>
    string(125) "SELECT DISTINCT post_id 
		         FROM tD6qv_postmeta 
		         WHERE meta_key = 'wp_protect_password_multiple_passwords'"
    [1]=>
    float(0.00034904479980469)
    [2]=>
    string(809) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), do_action('init'), WP_Hook->do_action, WP_Hook->apply_filters, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::register_custom_taxonomy, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::screen_options, get_terms, apply_filters('get_terms'), WP_Hook->apply_filters, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::table_tags_count, array_walk, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::WP_Table_Builder\Inc\Admin\Managers\{closure}, WP_Query->__construct, WP_Query->query, WP_Query->get_posts, do_action_ref_array('pre_get_posts'), WP_Hook->do_action, WP_Hook->apply_filters, PPW_Admin->ppwp_exclude_protected_items_from_qry, PPW_Admin->ppwp_get_all_protected_ids, QM_DB->query"
    [3]=>
    float(1784046907.3192)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#34198 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(26) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3088)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1299)
          ["function"]=>
          string(7) "get_col"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1251)
          ["function"]=>
          string(26) "ppwp_get_all_protected_ids"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(37) "ppwp_exclude_protected_items_from_qry"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            bool(false)
          }
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(565)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              object(WP_Query)#34196 (52) {
                ["query"]=>
                array(5) {
                  ["post_type"]=>
                  string(11) "wptb-tables"
                  ["post_status"]=>
                  string(5) "draft"
                  ["tax_query"]=>
                  array(1) {
                    [0]=>
                    array(3) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["field"]=>
                      string(4) "slug"
                      ["terms"]=>
                      string(54) "%e7%ae%a1%e7%90%86%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                    }
                  }
                  ["meta_key"]=>
                  string(14) "_wptb_content_"
                  ["meta_compare"]=>
                  string(6) "EXISTS"
                }
                ["query_vars"]=>
                array(70) {
                  ["post_type"]=>
                  string(11) "wptb-tables"
                  ["post_status"]=>
                  string(5) "draft"
                  ["tax_query"]=>
                  array(1) {
                    [0]=>
                    array(3) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["field"]=>
                      string(4) "slug"
                      ["terms"]=>
                      string(54) "%e7%ae%a1%e7%90%86%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                    }
                  }
                  ["meta_key"]=>
                  string(14) "_wptb_content_"
                  ["meta_compare"]=>
                  string(6) "EXISTS"
                  ["error"]=>
                  string(0) ""
                  ["m"]=>
                  string(0) ""
                  ["p"]=>
                  int(0)
                  ["post_parent"]=>
                  string(0) ""
                  ["subpost"]=>
                  string(0) ""
                  ["subpost_id"]=>
                  string(0) ""
                  ["attachment"]=>
                  string(0) ""
                  ["attachment_id"]=>
                  int(0)
                  ["name"]=>
                  string(0) ""
                  ["pagename"]=>
                  string(0) ""
                  ["page_id"]=>
                  int(0)
                  ["second"]=>
                  string(0) ""
                  ["minute"]=>
                  string(0) ""
                  ["hour"]=>
                  string(0) ""
                  ["day"]=>
                  int(0)
                  ["monthnum"]=>
                  int(0)
                  ["year"]=>
                  int(0)
                  ["w"]=>
                  int(0)
                  ["category_name"]=>
                  string(0) ""
                  ["tag"]=>
                  string(0) ""
                  ["cat"]=>
                  string(0) ""
                  ["tag_id"]=>
                  string(0) ""
                  ["author"]=>
                  string(0) ""
                  ["author_name"]=>
                  string(0) ""
                  ["feed"]=>
                  string(0) ""
                  ["tb"]=>
                  string(0) ""
                  ["paged"]=>
                  int(0)
                  ["meta_value"]=>
                  string(0) ""
                  ["preview"]=>
                  string(0) ""
                  ["s"]=>
                  string(0) ""
                  ["sentence"]=>
                  string(0) ""
                  ["title"]=>
                  string(0) ""
                  ["fields"]=>
                  string(0) ""
                  ["menu_order"]=>
                  string(0) ""
                  ["embed"]=>
                  string(0) ""
                  ["category__in"]=>
                  array(0) {
                  }
                  ["category__not_in"]=>
                  array(0) {
                  }
                  ["category__and"]=>
                  array(0) {
                  }
                  ["post__in"]=>
                  array(0) {
                  }
                  ["post__not_in"]=>
                  array(0) {
                  }
                  ["post_name__in"]=>
                  array(0) {
                  }
                  ["tag__in"]=>
                  array(0) {
                  }
                  ["tag__not_in"]=>
                  array(0) {
                  }
                  ["tag__and"]=>
                  array(0) {
                  }
                  ["tag_slug__in"]=>
                  array(0) {
                  }
                  ["tag_slug__and"]=>
                  array(0) {
                  }
                  ["post_parent__in"]=>
                  array(0) {
                  }
                  ["post_parent__not_in"]=>
                  array(0) {
                  }
                  ["author__in"]=>
                  array(0) {
                  }
                  ["author__not_in"]=>
                  array(0) {
                  }
                  ["search_columns"]=>
                  array(0) {
                  }
                  ["ignore_sticky_posts"]=>
                  bool(false)
                  ["suppress_filters"]=>
                  bool(false)
                  ["cache_results"]=>
                  bool(true)
                  ["update_post_term_cache"]=>
                  bool(true)
                  ["update_menu_item_cache"]=>
                  bool(false)
                  ["lazy_load_term_meta"]=>
                  bool(true)
                  ["update_post_meta_cache"]=>
                  bool(true)
                  ["posts_per_page"]=>
                  int(12)
                  ["nopaging"]=>
                  bool(false)
                  ["comments_per_page"]=>
                  string(2) "50"
                  ["no_found_rows"]=>
                  bool(false)
                  ["taxonomy"]=>
                  string(10) "table_tags"
                  ["term"]=>
                  string(54) "%e7%ae%a1%e7%90%86%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                  ["order"]=>
                  string(4) "DESC"
                }
                ["tax_query"]=>
                object(WP_Tax_Query)#34195 (6) {
                  ["queries"]=>
                  array(1) {
                    [0]=>
                    array(5) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["terms"]=>
                      array(1) {
                        [0]=>
                        string(54) "%e7%ae%a1%e7%90%86%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                      }
                      ["field"]=>
                      string(4) "slug"
                      ["operator"]=>
                      string(2) "IN"
                      ["include_children"]=>
                      bool(true)
                    }
                  }
                  ["relation"]=>
                  string(3) "AND"
                  ["table_aliases":protected]=>
                  array(1) {
                    [0]=>
                    string(24) "tD6qv_term_relationships"
                  }
                  ["queried_terms"]=>
                  array(1) {
                    ["table_tags"]=>
                    array(2) {
                      ["terms"]=>
                      array(1) {
                        [0]=>
                        string(54) "%e7%ae%a1%e7%90%86%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                      }
                      ["field"]=>
                      string(4) "slug"
                    }
                  }
                  ["primary_table"]=>
                  string(11) "tD6qv_posts"
                  ["primary_id_column"]=>
                  string(2) "ID"
                }
                ["meta_query"]=>
                object(WP_Meta_Query)#34197 (9) {
                  ["queries"]=>
                  array(2) {
                    [0]=>
                    array(2) {
                      ["key"]=>
                      string(14) "_wptb_content_"
                      ["compare"]=>
                      string(6) "EXISTS"
                    }
                    ["relation"]=>
                    string(2) "OR"
                  }
                  ["relation"]=>
                  string(3) "AND"
                  ["meta_table"]=>
                  string(14) "tD6qv_postmeta"
                  ["meta_id_column"]=>
                  string(7) "post_id"
                  ["primary_table"]=>
                  string(11) "tD6qv_posts"
                  ["primary_id_column"]=>
                  string(2) "ID"
                  ["table_aliases":protected]=>
                  array(1) {
                    [0]=>
                    string(14) "tD6qv_postmeta"
                  }
                  ["clauses":protected]=>
                  array(1) {
                    ["tD6qv_postmeta"]=>
                    array(5) {
                      ["key"]=>
                      string(14) "_wptb_content_"
                      ["compare"]=>
                      string(6) "EXISTS"
                      ["compare_key"]=>
                      string(1) "="
                      ["alias"]=>
                      string(14) "tD6qv_postmeta"
                      ["cast"]=>
                      string(4) "CHAR"
                    }
                  }
                  ["has_or_relation":protected]=>
                  bool(false)
                }
                ["date_query"]=>
                bool(false)
                ["request"]=>
                string(2812) "
			SELECT SQL_CALC_FOUND_ROWS  tD6qv_posts.*
			FROM tD6qv_posts  LEFT JOIN tD6qv_term_relationships ON (tD6qv_posts.ID = tD6qv_term_relationships.object_id) INNER JOIN tD6qv_postmeta ON ( tD6qv_posts.ID = tD6qv_postmeta.post_id )
			WHERE 1=1  AND ( 
  tD6qv_term_relationships.term_taxonomy_id IN (614)
) AND ( 
  tD6qv_postmeta.meta_key = '_wptb_content_'
) AND tD6qv_posts.post_type = 'wptb-tables' AND ((tD6qv_posts.post_status = 'draft')) AND tD6qv_posts.ID NOT IN ( 31016, 31017, 31018, 31019, 31020, 31021, 31023, 31047, 31048, 31049, 31050, 31051, 31052, 31053, 31054, 31061, 31062, 31063, 31064, 31065, 31074, 31075, 31076, 31077, 31078, 31079, 31094, 31095, 31096, 31097, 31098, 31103, 31104, 31105, 31110, 31111, 31113, 31115, 31117, 31119, 31121, 31123, 31125, 31127, 31129, 31131, 31133, 31135, 31137, 31140, 31142, 31144, 31150, 31152, 31155, 31157, 31159, 31161, 31163, 31165, 31167, 31169, 31171, 31173, 31176, 31178, 31180, 31189, 31199, 31200, 31201, 31202, 31203, 31210, 31211, 31212, 31213, 31214, 31222, 31223, 31224, 31225, 31226, 31233, 31234, 31235, 31237, 31238, 31239, 31242, 31243, 31245, 31247, 31249, 31257, 31258, 31260, 31261, 31262, 31263, 31264, 31265, 31287, 31288, 31289, 31290, 31339, 31342, 32291, 32570, 32694, 33157, 33302, 33304, 33981, 34831, 34832, 35549, 35551, 35586, 35590, 35591, 35592, 35593, 35594, 35595, 35659, 35660, 35661, 35662, 35663, 35664, 35665, 35666, 35668, 35672, 35676, 35679, 35680, 35681, 35682, 35683, 35684, 35685, 35689, 35694, 35696, 35697, 35698, 35702, 35703, 35704, 35706, 35713, 35720, 35742, 35743, 35744, 35746, 35747, 35748, 35749, 35750, 35751, 35752, 35753, 35754, 35755, 35756, 35757, 48063, 48070, 48071, 48072, 48074, 48075, 48184, 48188, 48189, 49076, 49099, 49104, 49106, 49455, 49457, 49459, 49461, 49463, 49465, 49467, 49469, 49676, 49681, 49682, 49683, 49727, 49729, 49731, 49733, 49735, 49737, 49739, 49854, 49969, 50452, 50455, 50457, 50459, 50461, 50463, 50465, 50709, 50711, 50713, 50715, 50717, 50719, 50721, 50723, 50725, 50727, 50729, 50731, 50733, 50735, 50737, 50739, 50741, 50743, 50745, 50749, 50753, 50755, 50756, 50758, 50760, 50762, 50764, 50766, 51313, 51345, 51347, 51349, 51405, 51511, 51513, 51952, 52094, 54373, 54375, 54377, 54379, 54382, 54384, 54387, 54389, 54391, 54393, 54396, 54400, 55813, 57567, 57569, 57579, 57582, 57586, 57591, 60450, 60718, 60842, 60974, 60977, 89588, 89591, 89593, 89595, 89597, 89601, 91915, 91916, 91918, 93992, 93994, 109831, 109911, 110004, 110006, 110011, 110015, 110018, 110020, 110024, 110028, 110030, 110032, 110034, 110039, 110041, 110043, 110045, 110047, 110051, 110122, 110124, 110126, 110128, 110131, 110134, 110137, 110139, 110142, 110144, 110146, 110148 ) 
			GROUP BY tD6qv_posts.ID
			ORDER BY tD6qv_posts.menu_order, tD6qv_posts.post_date DESC
			LIMIT 0, 12
		"
                ["posts"]=>
                array(0) {
                }
                ["post_count"]=>
                int(0)
                ["current_post"]=>
                int(-1)
                ["before_loop"]=>
                bool(true)
                ["in_the_loop"]=>
                bool(false)
                ["comment_count"]=>
                int(0)
                ["current_comment"]=>
                int(-1)
                ["found_posts"]=>
                int(0)
                ["max_num_pages"]=>
                int(0)
                ["max_num_comment_pages"]=>
                int(0)
                ["is_single"]=>
                bool(false)
                ["is_preview"]=>
                bool(false)
                ["is_page"]=>
                bool(false)
                ["is_archive"]=>
                bool(true)
                ["is_date"]=>
                bool(false)
                ["is_year"]=>
                bool(false)
                ["is_month"]=>
                bool(false)
                ["is_day"]=>
                bool(false)
                ["is_time"]=>
                bool(false)
                ["is_author"]=>
                bool(false)
                ["is_category"]=>
                bool(false)
                ["is_tag"]=>
                bool(false)
                ["is_tax"]=>
                bool(true)
                ["is_search"]=>
                bool(false)
                ["is_feed"]=>
                bool(false)
                ["is_comment_feed"]=>
                bool(false)
                ["is_trackback"]=>
                bool(false)
                ["is_home"]=>
                bool(false)
                ["is_privacy_policy"]=>
                bool(false)
                ["is_404"]=>
                bool(false)
                ["is_embed"]=>
                bool(false)
                ["is_paged"]=>
                bool(false)
                ["is_admin"]=>
                bool(false)
                ["is_attachment"]=>
                bool(false)
                ["is_singular"]=>
                bool(false)
                ["is_robots"]=>
                bool(false)
                ["is_favicon"]=>
                bool(false)
                ["is_posts_page"]=>
                bool(false)
                ["is_post_type_archive"]=>
                bool(false)
                ["query_vars_hash":"WP_Query":private]=>
                string(32) "9bdb81c363ad6d51da2a826bad158ceb"
                ["query_vars_changed":"WP_Query":private]=>
                bool(false)
                ["thumbnails_cached"]=>
                bool(false)
                ["allow_query_attachment_by_filename":protected]=>
                bool(false)
                ["stopwords":"WP_Query":private]=>
                NULL
                ["compat_fields":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(15) "query_vars_hash"
                  [1]=>
                  string(18) "query_vars_changed"
                }
                ["compat_methods":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(16) "init_query_flags"
                  [1]=>
                  string(15) "parse_tax_query"
                }
              }
            }
          }
        }
        [7]=>
        array(4) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(1881)
          ["function"]=>
          string(19) "do_action_ref_array"
          ["args"]=>
          array(1) {
            [0]=>
            string(13) "pre_get_posts"
          }
        }
        [8]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3800)
          ["function"]=>
          string(9) "get_posts"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [9]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3932)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [10]=>
        array(5) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(167)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [11]=>
        array(3) {
          ["function"]=>
          string(45) "WP_Table_Builder\Inc\Admin\Managers\{closure}"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(174)
          ["function"]=>
          string(10) "array_walk"
        }
        [13]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(312)
          ["function"]=>
          string(16) "table_tags_count"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [14]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(205)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(11) {
              [0]=>
              object(WP_Term)#34240 (11) {
                ["term_id"]=>
                int(623)
                ["name"]=>
                string(14) "BU事業單位"
                ["slug"]=>
                string(38) "bu%e4%ba%8b%e6%a5%ad%e5%96%ae%e4%bd%8d"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(623)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [1]=>
              object(WP_Term)#34242 (11) {
                ["term_id"]=>
                int(624)
                ["name"]=>
                string(30) "企管顧問公司收費標準"
                ["slug"]=>
                string(90) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%94%b6%e8%b2%bb%e6%a8%99%e6%ba%96"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(624)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [2]=>
              object(WP_Term)#34244 (11) {
                ["term_id"]=>
                int(625)
                ["name"]=>
                string(24) "企管顧問公司推薦"
                ["slug"]=>
                string(72) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(625)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [3]=>
              object(WP_Term)#34246 (11) {
                ["term_id"]=>
                int(626)
                ["name"]=>
                string(18) "企管顧問推薦"
                ["slug"]=>
                string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(626)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [4]=>
              object(WP_Term)#34248 (11) {
                ["term_id"]=>
                int(596)
                ["name"]=>
                string(18) "人力資源管理"
                ["slug"]=>
                string(54) "%e4%ba%ba%e5%8a%9b%e8%b3%87%e6%ba%90%e7%ae%a1%e7%90%86"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(596)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [5]=>
              object(WP_Term)#34250 (11) {
                ["term_id"]=>
                int(612)
                ["name"]=>
                string(12) "經營顧問"
                ["slug"]=>
                string(36) "%e7%b6%93%e7%87%9f%e9%a1%a7%e5%95%8f"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(612)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [6]=>
              object(WP_Term)#34252 (11) {
                ["term_id"]=>
                int(613)
                ["name"]=>
                string(12) "企管顧問"
                ["slug"]=>
                string(36) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(613)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [7]=>
              object(WP_Term)#34254 (11) {
                ["term_id"]=>
                int(614)
                ["name"]=>
                string(18) "管理顧問推薦"
                ["slug"]=>
                string(54) "%e7%ae%a1%e7%90%86%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(614)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [8]=>
              object(WP_Term)#34256 (11) {
                ["term_id"]=>
                int(615)
                ["name"]=>
                string(12) "市場營銷"
                ["slug"]=>
                string(36) "%e5%b8%82%e5%a0%b4%e7%87%9f%e9%8a%b7"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(615)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [9]=>
              object(WP_Term)#34235 (11) {
                ["term_id"]=>
                int(616)
                ["name"]=>
                string(12) "營銷策略"
                ["slug"]=>
                string(36) "%e7%87%9f%e9%8a%b7%e7%ad%96%e7%95%a5"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(616)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [10]=>
              object(WP_Term)#34234 (11) {
                ["term_id"]=>
                int(622)
                ["name"]=>
                string(18) "企管顧問公司"
                ["slug"]=>
                string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(622)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
            }
          }
        }
        [15]=>
        array(4) {
          ["file"]=>
          string(37) "/var/www/web/wp-includes/taxonomy.php"
          ["line"]=>
          int(1330)
          ["function"]=>
          string(13) "apply_filters"
          ["args"]=>
          array(1) {
            [0]=>
            string(9) "get_terms"
          }
        }
        [16]=>
        array(3) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(227)
          ["function"]=>
          string(9) "get_terms"
        }
        [17]=>
        array(5) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(393)
          ["function"]=>
          string(14) "screen_options"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [18]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(24) "register_custom_taxonomy"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [19]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [20]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [21]=>
        array(4) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(643)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(4) "init"
          }
        }
        [22]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [23]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [24]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [25]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(7)
  }
  [31]=>
  array(7) {
    [0]=>
    string(125) "SELECT DISTINCT post_id 
		         FROM tD6qv_postmeta 
		         WHERE meta_key = 'wp_protect_password_multiple_passwords'"
    [1]=>
    float(0.00030994415283203)
    [2]=>
    string(809) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), do_action('init'), WP_Hook->do_action, WP_Hook->apply_filters, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::register_custom_taxonomy, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::screen_options, get_terms, apply_filters('get_terms'), WP_Hook->apply_filters, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::table_tags_count, array_walk, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::WP_Table_Builder\Inc\Admin\Managers\{closure}, WP_Query->__construct, WP_Query->query, WP_Query->get_posts, do_action_ref_array('pre_get_posts'), WP_Hook->do_action, WP_Hook->apply_filters, PPW_Admin->ppwp_exclude_protected_items_from_qry, PPW_Admin->ppwp_get_all_protected_ids, QM_DB->query"
    [3]=>
    float(1784046907.3206)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#34194 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(26) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3088)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1299)
          ["function"]=>
          string(7) "get_col"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1251)
          ["function"]=>
          string(26) "ppwp_get_all_protected_ids"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(37) "ppwp_exclude_protected_items_from_qry"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            bool(false)
          }
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(565)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              object(WP_Query)#34192 (52) {
                ["query"]=>
                array(5) {
                  ["post_type"]=>
                  string(11) "wptb-tables"
                  ["post_status"]=>
                  string(5) "draft"
                  ["tax_query"]=>
                  array(1) {
                    [0]=>
                    array(3) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["field"]=>
                      string(4) "slug"
                      ["terms"]=>
                      string(36) "%e5%b8%82%e5%a0%b4%e7%87%9f%e9%8a%b7"
                    }
                  }
                  ["meta_key"]=>
                  string(14) "_wptb_content_"
                  ["meta_compare"]=>
                  string(6) "EXISTS"
                }
                ["query_vars"]=>
                array(70) {
                  ["post_type"]=>
                  string(11) "wptb-tables"
                  ["post_status"]=>
                  string(5) "draft"
                  ["tax_query"]=>
                  array(1) {
                    [0]=>
                    array(3) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["field"]=>
                      string(4) "slug"
                      ["terms"]=>
                      string(36) "%e5%b8%82%e5%a0%b4%e7%87%9f%e9%8a%b7"
                    }
                  }
                  ["meta_key"]=>
                  string(14) "_wptb_content_"
                  ["meta_compare"]=>
                  string(6) "EXISTS"
                  ["error"]=>
                  string(0) ""
                  ["m"]=>
                  string(0) ""
                  ["p"]=>
                  int(0)
                  ["post_parent"]=>
                  string(0) ""
                  ["subpost"]=>
                  string(0) ""
                  ["subpost_id"]=>
                  string(0) ""
                  ["attachment"]=>
                  string(0) ""
                  ["attachment_id"]=>
                  int(0)
                  ["name"]=>
                  string(0) ""
                  ["pagename"]=>
                  string(0) ""
                  ["page_id"]=>
                  int(0)
                  ["second"]=>
                  string(0) ""
                  ["minute"]=>
                  string(0) ""
                  ["hour"]=>
                  string(0) ""
                  ["day"]=>
                  int(0)
                  ["monthnum"]=>
                  int(0)
                  ["year"]=>
                  int(0)
                  ["w"]=>
                  int(0)
                  ["category_name"]=>
                  string(0) ""
                  ["tag"]=>
                  string(0) ""
                  ["cat"]=>
                  string(0) ""
                  ["tag_id"]=>
                  string(0) ""
                  ["author"]=>
                  string(0) ""
                  ["author_name"]=>
                  string(0) ""
                  ["feed"]=>
                  string(0) ""
                  ["tb"]=>
                  string(0) ""
                  ["paged"]=>
                  int(0)
                  ["meta_value"]=>
                  string(0) ""
                  ["preview"]=>
                  string(0) ""
                  ["s"]=>
                  string(0) ""
                  ["sentence"]=>
                  string(0) ""
                  ["title"]=>
                  string(0) ""
                  ["fields"]=>
                  string(0) ""
                  ["menu_order"]=>
                  string(0) ""
                  ["embed"]=>
                  string(0) ""
                  ["category__in"]=>
                  array(0) {
                  }
                  ["category__not_in"]=>
                  array(0) {
                  }
                  ["category__and"]=>
                  array(0) {
                  }
                  ["post__in"]=>
                  array(0) {
                  }
                  ["post__not_in"]=>
                  array(0) {
                  }
                  ["post_name__in"]=>
                  array(0) {
                  }
                  ["tag__in"]=>
                  array(0) {
                  }
                  ["tag__not_in"]=>
                  array(0) {
                  }
                  ["tag__and"]=>
                  array(0) {
                  }
                  ["tag_slug__in"]=>
                  array(0) {
                  }
                  ["tag_slug__and"]=>
                  array(0) {
                  }
                  ["post_parent__in"]=>
                  array(0) {
                  }
                  ["post_parent__not_in"]=>
                  array(0) {
                  }
                  ["author__in"]=>
                  array(0) {
                  }
                  ["author__not_in"]=>
                  array(0) {
                  }
                  ["search_columns"]=>
                  array(0) {
                  }
                  ["ignore_sticky_posts"]=>
                  bool(false)
                  ["suppress_filters"]=>
                  bool(false)
                  ["cache_results"]=>
                  bool(true)
                  ["update_post_term_cache"]=>
                  bool(true)
                  ["update_menu_item_cache"]=>
                  bool(false)
                  ["lazy_load_term_meta"]=>
                  bool(true)
                  ["update_post_meta_cache"]=>
                  bool(true)
                  ["posts_per_page"]=>
                  int(12)
                  ["nopaging"]=>
                  bool(false)
                  ["comments_per_page"]=>
                  string(2) "50"
                  ["no_found_rows"]=>
                  bool(false)
                  ["taxonomy"]=>
                  string(10) "table_tags"
                  ["term"]=>
                  string(36) "%e5%b8%82%e5%a0%b4%e7%87%9f%e9%8a%b7"
                  ["order"]=>
                  string(4) "DESC"
                }
                ["tax_query"]=>
                object(WP_Tax_Query)#34191 (6) {
                  ["queries"]=>
                  array(1) {
                    [0]=>
                    array(5) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["terms"]=>
                      array(1) {
                        [0]=>
                        string(36) "%e5%b8%82%e5%a0%b4%e7%87%9f%e9%8a%b7"
                      }
                      ["field"]=>
                      string(4) "slug"
                      ["operator"]=>
                      string(2) "IN"
                      ["include_children"]=>
                      bool(true)
                    }
                  }
                  ["relation"]=>
                  string(3) "AND"
                  ["table_aliases":protected]=>
                  array(1) {
                    [0]=>
                    string(24) "tD6qv_term_relationships"
                  }
                  ["queried_terms"]=>
                  array(1) {
                    ["table_tags"]=>
                    array(2) {
                      ["terms"]=>
                      array(1) {
                        [0]=>
                        string(36) "%e5%b8%82%e5%a0%b4%e7%87%9f%e9%8a%b7"
                      }
                      ["field"]=>
                      string(4) "slug"
                    }
                  }
                  ["primary_table"]=>
                  string(11) "tD6qv_posts"
                  ["primary_id_column"]=>
                  string(2) "ID"
                }
                ["meta_query"]=>
                object(WP_Meta_Query)#34193 (9) {
                  ["queries"]=>
                  array(2) {
                    [0]=>
                    array(2) {
                      ["key"]=>
                      string(14) "_wptb_content_"
                      ["compare"]=>
                      string(6) "EXISTS"
                    }
                    ["relation"]=>
                    string(2) "OR"
                  }
                  ["relation"]=>
                  string(3) "AND"
                  ["meta_table"]=>
                  string(14) "tD6qv_postmeta"
                  ["meta_id_column"]=>
                  string(7) "post_id"
                  ["primary_table"]=>
                  string(11) "tD6qv_posts"
                  ["primary_id_column"]=>
                  string(2) "ID"
                  ["table_aliases":protected]=>
                  array(1) {
                    [0]=>
                    string(14) "tD6qv_postmeta"
                  }
                  ["clauses":protected]=>
                  array(1) {
                    ["tD6qv_postmeta"]=>
                    array(5) {
                      ["key"]=>
                      string(14) "_wptb_content_"
                      ["compare"]=>
                      string(6) "EXISTS"
                      ["compare_key"]=>
                      string(1) "="
                      ["alias"]=>
                      string(14) "tD6qv_postmeta"
                      ["cast"]=>
                      string(4) "CHAR"
                    }
                  }
                  ["has_or_relation":protected]=>
                  bool(false)
                }
                ["date_query"]=>
                bool(false)
                ["request"]=>
                string(2812) "
			SELECT SQL_CALC_FOUND_ROWS  tD6qv_posts.*
			FROM tD6qv_posts  LEFT JOIN tD6qv_term_relationships ON (tD6qv_posts.ID = tD6qv_term_relationships.object_id) INNER JOIN tD6qv_postmeta ON ( tD6qv_posts.ID = tD6qv_postmeta.post_id )
			WHERE 1=1  AND ( 
  tD6qv_term_relationships.term_taxonomy_id IN (615)
) AND ( 
  tD6qv_postmeta.meta_key = '_wptb_content_'
) AND tD6qv_posts.post_type = 'wptb-tables' AND ((tD6qv_posts.post_status = 'draft')) AND tD6qv_posts.ID NOT IN ( 31016, 31017, 31018, 31019, 31020, 31021, 31023, 31047, 31048, 31049, 31050, 31051, 31052, 31053, 31054, 31061, 31062, 31063, 31064, 31065, 31074, 31075, 31076, 31077, 31078, 31079, 31094, 31095, 31096, 31097, 31098, 31103, 31104, 31105, 31110, 31111, 31113, 31115, 31117, 31119, 31121, 31123, 31125, 31127, 31129, 31131, 31133, 31135, 31137, 31140, 31142, 31144, 31150, 31152, 31155, 31157, 31159, 31161, 31163, 31165, 31167, 31169, 31171, 31173, 31176, 31178, 31180, 31189, 31199, 31200, 31201, 31202, 31203, 31210, 31211, 31212, 31213, 31214, 31222, 31223, 31224, 31225, 31226, 31233, 31234, 31235, 31237, 31238, 31239, 31242, 31243, 31245, 31247, 31249, 31257, 31258, 31260, 31261, 31262, 31263, 31264, 31265, 31287, 31288, 31289, 31290, 31339, 31342, 32291, 32570, 32694, 33157, 33302, 33304, 33981, 34831, 34832, 35549, 35551, 35586, 35590, 35591, 35592, 35593, 35594, 35595, 35659, 35660, 35661, 35662, 35663, 35664, 35665, 35666, 35668, 35672, 35676, 35679, 35680, 35681, 35682, 35683, 35684, 35685, 35689, 35694, 35696, 35697, 35698, 35702, 35703, 35704, 35706, 35713, 35720, 35742, 35743, 35744, 35746, 35747, 35748, 35749, 35750, 35751, 35752, 35753, 35754, 35755, 35756, 35757, 48063, 48070, 48071, 48072, 48074, 48075, 48184, 48188, 48189, 49076, 49099, 49104, 49106, 49455, 49457, 49459, 49461, 49463, 49465, 49467, 49469, 49676, 49681, 49682, 49683, 49727, 49729, 49731, 49733, 49735, 49737, 49739, 49854, 49969, 50452, 50455, 50457, 50459, 50461, 50463, 50465, 50709, 50711, 50713, 50715, 50717, 50719, 50721, 50723, 50725, 50727, 50729, 50731, 50733, 50735, 50737, 50739, 50741, 50743, 50745, 50749, 50753, 50755, 50756, 50758, 50760, 50762, 50764, 50766, 51313, 51345, 51347, 51349, 51405, 51511, 51513, 51952, 52094, 54373, 54375, 54377, 54379, 54382, 54384, 54387, 54389, 54391, 54393, 54396, 54400, 55813, 57567, 57569, 57579, 57582, 57586, 57591, 60450, 60718, 60842, 60974, 60977, 89588, 89591, 89593, 89595, 89597, 89601, 91915, 91916, 91918, 93992, 93994, 109831, 109911, 110004, 110006, 110011, 110015, 110018, 110020, 110024, 110028, 110030, 110032, 110034, 110039, 110041, 110043, 110045, 110047, 110051, 110122, 110124, 110126, 110128, 110131, 110134, 110137, 110139, 110142, 110144, 110146, 110148 ) 
			GROUP BY tD6qv_posts.ID
			ORDER BY tD6qv_posts.menu_order, tD6qv_posts.post_date DESC
			LIMIT 0, 12
		"
                ["posts"]=>
                array(0) {
                }
                ["post_count"]=>
                int(0)
                ["current_post"]=>
                int(-1)
                ["before_loop"]=>
                bool(true)
                ["in_the_loop"]=>
                bool(false)
                ["comment_count"]=>
                int(0)
                ["current_comment"]=>
                int(-1)
                ["found_posts"]=>
                int(0)
                ["max_num_pages"]=>
                int(0)
                ["max_num_comment_pages"]=>
                int(0)
                ["is_single"]=>
                bool(false)
                ["is_preview"]=>
                bool(false)
                ["is_page"]=>
                bool(false)
                ["is_archive"]=>
                bool(true)
                ["is_date"]=>
                bool(false)
                ["is_year"]=>
                bool(false)
                ["is_month"]=>
                bool(false)
                ["is_day"]=>
                bool(false)
                ["is_time"]=>
                bool(false)
                ["is_author"]=>
                bool(false)
                ["is_category"]=>
                bool(false)
                ["is_tag"]=>
                bool(false)
                ["is_tax"]=>
                bool(true)
                ["is_search"]=>
                bool(false)
                ["is_feed"]=>
                bool(false)
                ["is_comment_feed"]=>
                bool(false)
                ["is_trackback"]=>
                bool(false)
                ["is_home"]=>
                bool(false)
                ["is_privacy_policy"]=>
                bool(false)
                ["is_404"]=>
                bool(false)
                ["is_embed"]=>
                bool(false)
                ["is_paged"]=>
                bool(false)
                ["is_admin"]=>
                bool(false)
                ["is_attachment"]=>
                bool(false)
                ["is_singular"]=>
                bool(false)
                ["is_robots"]=>
                bool(false)
                ["is_favicon"]=>
                bool(false)
                ["is_posts_page"]=>
                bool(false)
                ["is_post_type_archive"]=>
                bool(false)
                ["query_vars_hash":"WP_Query":private]=>
                string(32) "68d4ec023003a35d4a5dc30a7b431009"
                ["query_vars_changed":"WP_Query":private]=>
                bool(false)
                ["thumbnails_cached"]=>
                bool(false)
                ["allow_query_attachment_by_filename":protected]=>
                bool(false)
                ["stopwords":"WP_Query":private]=>
                NULL
                ["compat_fields":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(15) "query_vars_hash"
                  [1]=>
                  string(18) "query_vars_changed"
                }
                ["compat_methods":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(16) "init_query_flags"
                  [1]=>
                  string(15) "parse_tax_query"
                }
              }
            }
          }
        }
        [7]=>
        array(4) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(1881)
          ["function"]=>
          string(19) "do_action_ref_array"
          ["args"]=>
          array(1) {
            [0]=>
            string(13) "pre_get_posts"
          }
        }
        [8]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3800)
          ["function"]=>
          string(9) "get_posts"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [9]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3932)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [10]=>
        array(5) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(167)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [11]=>
        array(3) {
          ["function"]=>
          string(45) "WP_Table_Builder\Inc\Admin\Managers\{closure}"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(174)
          ["function"]=>
          string(10) "array_walk"
        }
        [13]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(312)
          ["function"]=>
          string(16) "table_tags_count"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [14]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(205)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(11) {
              [0]=>
              object(WP_Term)#34240 (11) {
                ["term_id"]=>
                int(623)
                ["name"]=>
                string(14) "BU事業單位"
                ["slug"]=>
                string(38) "bu%e4%ba%8b%e6%a5%ad%e5%96%ae%e4%bd%8d"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(623)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [1]=>
              object(WP_Term)#34242 (11) {
                ["term_id"]=>
                int(624)
                ["name"]=>
                string(30) "企管顧問公司收費標準"
                ["slug"]=>
                string(90) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%94%b6%e8%b2%bb%e6%a8%99%e6%ba%96"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(624)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [2]=>
              object(WP_Term)#34244 (11) {
                ["term_id"]=>
                int(625)
                ["name"]=>
                string(24) "企管顧問公司推薦"
                ["slug"]=>
                string(72) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(625)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [3]=>
              object(WP_Term)#34246 (11) {
                ["term_id"]=>
                int(626)
                ["name"]=>
                string(18) "企管顧問推薦"
                ["slug"]=>
                string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(626)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [4]=>
              object(WP_Term)#34248 (11) {
                ["term_id"]=>
                int(596)
                ["name"]=>
                string(18) "人力資源管理"
                ["slug"]=>
                string(54) "%e4%ba%ba%e5%8a%9b%e8%b3%87%e6%ba%90%e7%ae%a1%e7%90%86"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(596)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [5]=>
              object(WP_Term)#34250 (11) {
                ["term_id"]=>
                int(612)
                ["name"]=>
                string(12) "經營顧問"
                ["slug"]=>
                string(36) "%e7%b6%93%e7%87%9f%e9%a1%a7%e5%95%8f"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(612)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [6]=>
              object(WP_Term)#34252 (11) {
                ["term_id"]=>
                int(613)
                ["name"]=>
                string(12) "企管顧問"
                ["slug"]=>
                string(36) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(613)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [7]=>
              object(WP_Term)#34254 (11) {
                ["term_id"]=>
                int(614)
                ["name"]=>
                string(18) "管理顧問推薦"
                ["slug"]=>
                string(54) "%e7%ae%a1%e7%90%86%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(614)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [8]=>
              object(WP_Term)#34256 (11) {
                ["term_id"]=>
                int(615)
                ["name"]=>
                string(12) "市場營銷"
                ["slug"]=>
                string(36) "%e5%b8%82%e5%a0%b4%e7%87%9f%e9%8a%b7"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(615)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [9]=>
              object(WP_Term)#34235 (11) {
                ["term_id"]=>
                int(616)
                ["name"]=>
                string(12) "營銷策略"
                ["slug"]=>
                string(36) "%e7%87%9f%e9%8a%b7%e7%ad%96%e7%95%a5"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(616)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [10]=>
              object(WP_Term)#34234 (11) {
                ["term_id"]=>
                int(622)
                ["name"]=>
                string(18) "企管顧問公司"
                ["slug"]=>
                string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(622)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
            }
          }
        }
        [15]=>
        array(4) {
          ["file"]=>
          string(37) "/var/www/web/wp-includes/taxonomy.php"
          ["line"]=>
          int(1330)
          ["function"]=>
          string(13) "apply_filters"
          ["args"]=>
          array(1) {
            [0]=>
            string(9) "get_terms"
          }
        }
        [16]=>
        array(3) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(227)
          ["function"]=>
          string(9) "get_terms"
        }
        [17]=>
        array(5) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(393)
          ["function"]=>
          string(14) "screen_options"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [18]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(24) "register_custom_taxonomy"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [19]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [20]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [21]=>
        array(4) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(643)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(4) "init"
          }
        }
        [22]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [23]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [24]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [25]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(7)
  }
  [32]=>
  array(7) {
    [0]=>
    string(125) "SELECT DISTINCT post_id 
		         FROM tD6qv_postmeta 
		         WHERE meta_key = 'wp_protect_password_multiple_passwords'"
    [1]=>
    float(0.00024700164794922)
    [2]=>
    string(809) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), do_action('init'), WP_Hook->do_action, WP_Hook->apply_filters, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::register_custom_taxonomy, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::screen_options, get_terms, apply_filters('get_terms'), WP_Hook->apply_filters, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::table_tags_count, array_walk, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::WP_Table_Builder\Inc\Admin\Managers\{closure}, WP_Query->__construct, WP_Query->query, WP_Query->get_posts, do_action_ref_array('pre_get_posts'), WP_Hook->do_action, WP_Hook->apply_filters, PPW_Admin->ppwp_exclude_protected_items_from_qry, PPW_Admin->ppwp_get_all_protected_ids, QM_DB->query"
    [3]=>
    float(1784046907.3224)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#34190 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(26) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3088)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1299)
          ["function"]=>
          string(7) "get_col"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1251)
          ["function"]=>
          string(26) "ppwp_get_all_protected_ids"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(37) "ppwp_exclude_protected_items_from_qry"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            bool(false)
          }
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(565)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              object(WP_Query)#34188 (52) {
                ["query"]=>
                array(5) {
                  ["post_type"]=>
                  string(11) "wptb-tables"
                  ["post_status"]=>
                  string(5) "draft"
                  ["tax_query"]=>
                  array(1) {
                    [0]=>
                    array(3) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["field"]=>
                      string(4) "slug"
                      ["terms"]=>
                      string(36) "%e7%87%9f%e9%8a%b7%e7%ad%96%e7%95%a5"
                    }
                  }
                  ["meta_key"]=>
                  string(14) "_wptb_content_"
                  ["meta_compare"]=>
                  string(6) "EXISTS"
                }
                ["query_vars"]=>
                array(70) {
                  ["post_type"]=>
                  string(11) "wptb-tables"
                  ["post_status"]=>
                  string(5) "draft"
                  ["tax_query"]=>
                  array(1) {
                    [0]=>
                    array(3) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["field"]=>
                      string(4) "slug"
                      ["terms"]=>
                      string(36) "%e7%87%9f%e9%8a%b7%e7%ad%96%e7%95%a5"
                    }
                  }
                  ["meta_key"]=>
                  string(14) "_wptb_content_"
                  ["meta_compare"]=>
                  string(6) "EXISTS"
                  ["error"]=>
                  string(0) ""
                  ["m"]=>
                  string(0) ""
                  ["p"]=>
                  int(0)
                  ["post_parent"]=>
                  string(0) ""
                  ["subpost"]=>
                  string(0) ""
                  ["subpost_id"]=>
                  string(0) ""
                  ["attachment"]=>
                  string(0) ""
                  ["attachment_id"]=>
                  int(0)
                  ["name"]=>
                  string(0) ""
                  ["pagename"]=>
                  string(0) ""
                  ["page_id"]=>
                  int(0)
                  ["second"]=>
                  string(0) ""
                  ["minute"]=>
                  string(0) ""
                  ["hour"]=>
                  string(0) ""
                  ["day"]=>
                  int(0)
                  ["monthnum"]=>
                  int(0)
                  ["year"]=>
                  int(0)
                  ["w"]=>
                  int(0)
                  ["category_name"]=>
                  string(0) ""
                  ["tag"]=>
                  string(0) ""
                  ["cat"]=>
                  string(0) ""
                  ["tag_id"]=>
                  string(0) ""
                  ["author"]=>
                  string(0) ""
                  ["author_name"]=>
                  string(0) ""
                  ["feed"]=>
                  string(0) ""
                  ["tb"]=>
                  string(0) ""
                  ["paged"]=>
                  int(0)
                  ["meta_value"]=>
                  string(0) ""
                  ["preview"]=>
                  string(0) ""
                  ["s"]=>
                  string(0) ""
                  ["sentence"]=>
                  string(0) ""
                  ["title"]=>
                  string(0) ""
                  ["fields"]=>
                  string(0) ""
                  ["menu_order"]=>
                  string(0) ""
                  ["embed"]=>
                  string(0) ""
                  ["category__in"]=>
                  array(0) {
                  }
                  ["category__not_in"]=>
                  array(0) {
                  }
                  ["category__and"]=>
                  array(0) {
                  }
                  ["post__in"]=>
                  array(0) {
                  }
                  ["post__not_in"]=>
                  array(0) {
                  }
                  ["post_name__in"]=>
                  array(0) {
                  }
                  ["tag__in"]=>
                  array(0) {
                  }
                  ["tag__not_in"]=>
                  array(0) {
                  }
                  ["tag__and"]=>
                  array(0) {
                  }
                  ["tag_slug__in"]=>
                  array(0) {
                  }
                  ["tag_slug__and"]=>
                  array(0) {
                  }
                  ["post_parent__in"]=>
                  array(0) {
                  }
                  ["post_parent__not_in"]=>
                  array(0) {
                  }
                  ["author__in"]=>
                  array(0) {
                  }
                  ["author__not_in"]=>
                  array(0) {
                  }
                  ["search_columns"]=>
                  array(0) {
                  }
                  ["ignore_sticky_posts"]=>
                  bool(false)
                  ["suppress_filters"]=>
                  bool(false)
                  ["cache_results"]=>
                  bool(true)
                  ["update_post_term_cache"]=>
                  bool(true)
                  ["update_menu_item_cache"]=>
                  bool(false)
                  ["lazy_load_term_meta"]=>
                  bool(true)
                  ["update_post_meta_cache"]=>
                  bool(true)
                  ["posts_per_page"]=>
                  int(12)
                  ["nopaging"]=>
                  bool(false)
                  ["comments_per_page"]=>
                  string(2) "50"
                  ["no_found_rows"]=>
                  bool(false)
                  ["taxonomy"]=>
                  string(10) "table_tags"
                  ["term"]=>
                  string(36) "%e7%87%9f%e9%8a%b7%e7%ad%96%e7%95%a5"
                  ["order"]=>
                  string(4) "DESC"
                }
                ["tax_query"]=>
                object(WP_Tax_Query)#34187 (6) {
                  ["queries"]=>
                  array(1) {
                    [0]=>
                    array(5) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["terms"]=>
                      array(1) {
                        [0]=>
                        string(36) "%e7%87%9f%e9%8a%b7%e7%ad%96%e7%95%a5"
                      }
                      ["field"]=>
                      string(4) "slug"
                      ["operator"]=>
                      string(2) "IN"
                      ["include_children"]=>
                      bool(true)
                    }
                  }
                  ["relation"]=>
                  string(3) "AND"
                  ["table_aliases":protected]=>
                  array(1) {
                    [0]=>
                    string(24) "tD6qv_term_relationships"
                  }
                  ["queried_terms"]=>
                  array(1) {
                    ["table_tags"]=>
                    array(2) {
                      ["terms"]=>
                      array(1) {
                        [0]=>
                        string(36) "%e7%87%9f%e9%8a%b7%e7%ad%96%e7%95%a5"
                      }
                      ["field"]=>
                      string(4) "slug"
                    }
                  }
                  ["primary_table"]=>
                  string(11) "tD6qv_posts"
                  ["primary_id_column"]=>
                  string(2) "ID"
                }
                ["meta_query"]=>
                object(WP_Meta_Query)#34189 (9) {
                  ["queries"]=>
                  array(2) {
                    [0]=>
                    array(2) {
                      ["key"]=>
                      string(14) "_wptb_content_"
                      ["compare"]=>
                      string(6) "EXISTS"
                    }
                    ["relation"]=>
                    string(2) "OR"
                  }
                  ["relation"]=>
                  string(3) "AND"
                  ["meta_table"]=>
                  string(14) "tD6qv_postmeta"
                  ["meta_id_column"]=>
                  string(7) "post_id"
                  ["primary_table"]=>
                  string(11) "tD6qv_posts"
                  ["primary_id_column"]=>
                  string(2) "ID"
                  ["table_aliases":protected]=>
                  array(1) {
                    [0]=>
                    string(14) "tD6qv_postmeta"
                  }
                  ["clauses":protected]=>
                  array(1) {
                    ["tD6qv_postmeta"]=>
                    array(5) {
                      ["key"]=>
                      string(14) "_wptb_content_"
                      ["compare"]=>
                      string(6) "EXISTS"
                      ["compare_key"]=>
                      string(1) "="
                      ["alias"]=>
                      string(14) "tD6qv_postmeta"
                      ["cast"]=>
                      string(4) "CHAR"
                    }
                  }
                  ["has_or_relation":protected]=>
                  bool(false)
                }
                ["date_query"]=>
                bool(false)
                ["request"]=>
                string(2812) "
			SELECT SQL_CALC_FOUND_ROWS  tD6qv_posts.*
			FROM tD6qv_posts  LEFT JOIN tD6qv_term_relationships ON (tD6qv_posts.ID = tD6qv_term_relationships.object_id) INNER JOIN tD6qv_postmeta ON ( tD6qv_posts.ID = tD6qv_postmeta.post_id )
			WHERE 1=1  AND ( 
  tD6qv_term_relationships.term_taxonomy_id IN (616)
) AND ( 
  tD6qv_postmeta.meta_key = '_wptb_content_'
) AND tD6qv_posts.post_type = 'wptb-tables' AND ((tD6qv_posts.post_status = 'draft')) AND tD6qv_posts.ID NOT IN ( 31016, 31017, 31018, 31019, 31020, 31021, 31023, 31047, 31048, 31049, 31050, 31051, 31052, 31053, 31054, 31061, 31062, 31063, 31064, 31065, 31074, 31075, 31076, 31077, 31078, 31079, 31094, 31095, 31096, 31097, 31098, 31103, 31104, 31105, 31110, 31111, 31113, 31115, 31117, 31119, 31121, 31123, 31125, 31127, 31129, 31131, 31133, 31135, 31137, 31140, 31142, 31144, 31150, 31152, 31155, 31157, 31159, 31161, 31163, 31165, 31167, 31169, 31171, 31173, 31176, 31178, 31180, 31189, 31199, 31200, 31201, 31202, 31203, 31210, 31211, 31212, 31213, 31214, 31222, 31223, 31224, 31225, 31226, 31233, 31234, 31235, 31237, 31238, 31239, 31242, 31243, 31245, 31247, 31249, 31257, 31258, 31260, 31261, 31262, 31263, 31264, 31265, 31287, 31288, 31289, 31290, 31339, 31342, 32291, 32570, 32694, 33157, 33302, 33304, 33981, 34831, 34832, 35549, 35551, 35586, 35590, 35591, 35592, 35593, 35594, 35595, 35659, 35660, 35661, 35662, 35663, 35664, 35665, 35666, 35668, 35672, 35676, 35679, 35680, 35681, 35682, 35683, 35684, 35685, 35689, 35694, 35696, 35697, 35698, 35702, 35703, 35704, 35706, 35713, 35720, 35742, 35743, 35744, 35746, 35747, 35748, 35749, 35750, 35751, 35752, 35753, 35754, 35755, 35756, 35757, 48063, 48070, 48071, 48072, 48074, 48075, 48184, 48188, 48189, 49076, 49099, 49104, 49106, 49455, 49457, 49459, 49461, 49463, 49465, 49467, 49469, 49676, 49681, 49682, 49683, 49727, 49729, 49731, 49733, 49735, 49737, 49739, 49854, 49969, 50452, 50455, 50457, 50459, 50461, 50463, 50465, 50709, 50711, 50713, 50715, 50717, 50719, 50721, 50723, 50725, 50727, 50729, 50731, 50733, 50735, 50737, 50739, 50741, 50743, 50745, 50749, 50753, 50755, 50756, 50758, 50760, 50762, 50764, 50766, 51313, 51345, 51347, 51349, 51405, 51511, 51513, 51952, 52094, 54373, 54375, 54377, 54379, 54382, 54384, 54387, 54389, 54391, 54393, 54396, 54400, 55813, 57567, 57569, 57579, 57582, 57586, 57591, 60450, 60718, 60842, 60974, 60977, 89588, 89591, 89593, 89595, 89597, 89601, 91915, 91916, 91918, 93992, 93994, 109831, 109911, 110004, 110006, 110011, 110015, 110018, 110020, 110024, 110028, 110030, 110032, 110034, 110039, 110041, 110043, 110045, 110047, 110051, 110122, 110124, 110126, 110128, 110131, 110134, 110137, 110139, 110142, 110144, 110146, 110148 ) 
			GROUP BY tD6qv_posts.ID
			ORDER BY tD6qv_posts.menu_order, tD6qv_posts.post_date DESC
			LIMIT 0, 12
		"
                ["posts"]=>
                array(0) {
                }
                ["post_count"]=>
                int(0)
                ["current_post"]=>
                int(-1)
                ["before_loop"]=>
                bool(true)
                ["in_the_loop"]=>
                bool(false)
                ["comment_count"]=>
                int(0)
                ["current_comment"]=>
                int(-1)
                ["found_posts"]=>
                int(0)
                ["max_num_pages"]=>
                int(0)
                ["max_num_comment_pages"]=>
                int(0)
                ["is_single"]=>
                bool(false)
                ["is_preview"]=>
                bool(false)
                ["is_page"]=>
                bool(false)
                ["is_archive"]=>
                bool(true)
                ["is_date"]=>
                bool(false)
                ["is_year"]=>
                bool(false)
                ["is_month"]=>
                bool(false)
                ["is_day"]=>
                bool(false)
                ["is_time"]=>
                bool(false)
                ["is_author"]=>
                bool(false)
                ["is_category"]=>
                bool(false)
                ["is_tag"]=>
                bool(false)
                ["is_tax"]=>
                bool(true)
                ["is_search"]=>
                bool(false)
                ["is_feed"]=>
                bool(false)
                ["is_comment_feed"]=>
                bool(false)
                ["is_trackback"]=>
                bool(false)
                ["is_home"]=>
                bool(false)
                ["is_privacy_policy"]=>
                bool(false)
                ["is_404"]=>
                bool(false)
                ["is_embed"]=>
                bool(false)
                ["is_paged"]=>
                bool(false)
                ["is_admin"]=>
                bool(false)
                ["is_attachment"]=>
                bool(false)
                ["is_singular"]=>
                bool(false)
                ["is_robots"]=>
                bool(false)
                ["is_favicon"]=>
                bool(false)
                ["is_posts_page"]=>
                bool(false)
                ["is_post_type_archive"]=>
                bool(false)
                ["query_vars_hash":"WP_Query":private]=>
                string(32) "43a5bfe240c612ca52597d2cbc89d6ce"
                ["query_vars_changed":"WP_Query":private]=>
                bool(false)
                ["thumbnails_cached"]=>
                bool(false)
                ["allow_query_attachment_by_filename":protected]=>
                bool(false)
                ["stopwords":"WP_Query":private]=>
                NULL
                ["compat_fields":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(15) "query_vars_hash"
                  [1]=>
                  string(18) "query_vars_changed"
                }
                ["compat_methods":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(16) "init_query_flags"
                  [1]=>
                  string(15) "parse_tax_query"
                }
              }
            }
          }
        }
        [7]=>
        array(4) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(1881)
          ["function"]=>
          string(19) "do_action_ref_array"
          ["args"]=>
          array(1) {
            [0]=>
            string(13) "pre_get_posts"
          }
        }
        [8]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3800)
          ["function"]=>
          string(9) "get_posts"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [9]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3932)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [10]=>
        array(5) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(167)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [11]=>
        array(3) {
          ["function"]=>
          string(45) "WP_Table_Builder\Inc\Admin\Managers\{closure}"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(174)
          ["function"]=>
          string(10) "array_walk"
        }
        [13]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(312)
          ["function"]=>
          string(16) "table_tags_count"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [14]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(205)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(11) {
              [0]=>
              object(WP_Term)#34240 (11) {
                ["term_id"]=>
                int(623)
                ["name"]=>
                string(14) "BU事業單位"
                ["slug"]=>
                string(38) "bu%e4%ba%8b%e6%a5%ad%e5%96%ae%e4%bd%8d"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(623)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [1]=>
              object(WP_Term)#34242 (11) {
                ["term_id"]=>
                int(624)
                ["name"]=>
                string(30) "企管顧問公司收費標準"
                ["slug"]=>
                string(90) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%94%b6%e8%b2%bb%e6%a8%99%e6%ba%96"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(624)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [2]=>
              object(WP_Term)#34244 (11) {
                ["term_id"]=>
                int(625)
                ["name"]=>
                string(24) "企管顧問公司推薦"
                ["slug"]=>
                string(72) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(625)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [3]=>
              object(WP_Term)#34246 (11) {
                ["term_id"]=>
                int(626)
                ["name"]=>
                string(18) "企管顧問推薦"
                ["slug"]=>
                string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(626)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [4]=>
              object(WP_Term)#34248 (11) {
                ["term_id"]=>
                int(596)
                ["name"]=>
                string(18) "人力資源管理"
                ["slug"]=>
                string(54) "%e4%ba%ba%e5%8a%9b%e8%b3%87%e6%ba%90%e7%ae%a1%e7%90%86"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(596)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [5]=>
              object(WP_Term)#34250 (11) {
                ["term_id"]=>
                int(612)
                ["name"]=>
                string(12) "經營顧問"
                ["slug"]=>
                string(36) "%e7%b6%93%e7%87%9f%e9%a1%a7%e5%95%8f"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(612)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [6]=>
              object(WP_Term)#34252 (11) {
                ["term_id"]=>
                int(613)
                ["name"]=>
                string(12) "企管顧問"
                ["slug"]=>
                string(36) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(613)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [7]=>
              object(WP_Term)#34254 (11) {
                ["term_id"]=>
                int(614)
                ["name"]=>
                string(18) "管理顧問推薦"
                ["slug"]=>
                string(54) "%e7%ae%a1%e7%90%86%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(614)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [8]=>
              object(WP_Term)#34256 (11) {
                ["term_id"]=>
                int(615)
                ["name"]=>
                string(12) "市場營銷"
                ["slug"]=>
                string(36) "%e5%b8%82%e5%a0%b4%e7%87%9f%e9%8a%b7"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(615)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [9]=>
              object(WP_Term)#34235 (11) {
                ["term_id"]=>
                int(616)
                ["name"]=>
                string(12) "營銷策略"
                ["slug"]=>
                string(36) "%e7%87%9f%e9%8a%b7%e7%ad%96%e7%95%a5"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(616)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [10]=>
              object(WP_Term)#34234 (11) {
                ["term_id"]=>
                int(622)
                ["name"]=>
                string(18) "企管顧問公司"
                ["slug"]=>
                string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(622)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
            }
          }
        }
        [15]=>
        array(4) {
          ["file"]=>
          string(37) "/var/www/web/wp-includes/taxonomy.php"
          ["line"]=>
          int(1330)
          ["function"]=>
          string(13) "apply_filters"
          ["args"]=>
          array(1) {
            [0]=>
            string(9) "get_terms"
          }
        }
        [16]=>
        array(3) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(227)
          ["function"]=>
          string(9) "get_terms"
        }
        [17]=>
        array(5) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(393)
          ["function"]=>
          string(14) "screen_options"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [18]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(24) "register_custom_taxonomy"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [19]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [20]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [21]=>
        array(4) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(643)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(4) "init"
          }
        }
        [22]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [23]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [24]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [25]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(7)
  }
  [33]=>
  array(7) {
    [0]=>
    string(125) "SELECT DISTINCT post_id 
		         FROM tD6qv_postmeta 
		         WHERE meta_key = 'wp_protect_password_multiple_passwords'"
    [1]=>
    float(0.00022697448730469)
    [2]=>
    string(809) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), do_action('init'), WP_Hook->do_action, WP_Hook->apply_filters, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::register_custom_taxonomy, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::screen_options, get_terms, apply_filters('get_terms'), WP_Hook->apply_filters, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::table_tags_count, array_walk, WP_Table_Builder\Inc\Admin\Managers\Tag_Manager::WP_Table_Builder\Inc\Admin\Managers\{closure}, WP_Query->__construct, WP_Query->query, WP_Query->get_posts, do_action_ref_array('pre_get_posts'), WP_Hook->do_action, WP_Hook->apply_filters, PPW_Admin->ppwp_exclude_protected_items_from_qry, PPW_Admin->ppwp_get_all_protected_ids, QM_DB->query"
    [3]=>
    float(1784046907.3235)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#34186 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(26) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3088)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1299)
          ["function"]=>
          string(7) "get_col"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1251)
          ["function"]=>
          string(26) "ppwp_get_all_protected_ids"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(37) "ppwp_exclude_protected_items_from_qry"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            bool(false)
          }
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(565)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              object(WP_Query)#34184 (52) {
                ["query"]=>
                array(5) {
                  ["post_type"]=>
                  string(11) "wptb-tables"
                  ["post_status"]=>
                  string(5) "draft"
                  ["tax_query"]=>
                  array(1) {
                    [0]=>
                    array(3) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["field"]=>
                      string(4) "slug"
                      ["terms"]=>
                      string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8"
                    }
                  }
                  ["meta_key"]=>
                  string(14) "_wptb_content_"
                  ["meta_compare"]=>
                  string(6) "EXISTS"
                }
                ["query_vars"]=>
                array(70) {
                  ["post_type"]=>
                  string(11) "wptb-tables"
                  ["post_status"]=>
                  string(5) "draft"
                  ["tax_query"]=>
                  array(1) {
                    [0]=>
                    array(3) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["field"]=>
                      string(4) "slug"
                      ["terms"]=>
                      string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8"
                    }
                  }
                  ["meta_key"]=>
                  string(14) "_wptb_content_"
                  ["meta_compare"]=>
                  string(6) "EXISTS"
                  ["error"]=>
                  string(0) ""
                  ["m"]=>
                  string(0) ""
                  ["p"]=>
                  int(0)
                  ["post_parent"]=>
                  string(0) ""
                  ["subpost"]=>
                  string(0) ""
                  ["subpost_id"]=>
                  string(0) ""
                  ["attachment"]=>
                  string(0) ""
                  ["attachment_id"]=>
                  int(0)
                  ["name"]=>
                  string(0) ""
                  ["pagename"]=>
                  string(0) ""
                  ["page_id"]=>
                  int(0)
                  ["second"]=>
                  string(0) ""
                  ["minute"]=>
                  string(0) ""
                  ["hour"]=>
                  string(0) ""
                  ["day"]=>
                  int(0)
                  ["monthnum"]=>
                  int(0)
                  ["year"]=>
                  int(0)
                  ["w"]=>
                  int(0)
                  ["category_name"]=>
                  string(0) ""
                  ["tag"]=>
                  string(0) ""
                  ["cat"]=>
                  string(0) ""
                  ["tag_id"]=>
                  string(0) ""
                  ["author"]=>
                  string(0) ""
                  ["author_name"]=>
                  string(0) ""
                  ["feed"]=>
                  string(0) ""
                  ["tb"]=>
                  string(0) ""
                  ["paged"]=>
                  int(0)
                  ["meta_value"]=>
                  string(0) ""
                  ["preview"]=>
                  string(0) ""
                  ["s"]=>
                  string(0) ""
                  ["sentence"]=>
                  string(0) ""
                  ["title"]=>
                  string(0) ""
                  ["fields"]=>
                  string(0) ""
                  ["menu_order"]=>
                  string(0) ""
                  ["embed"]=>
                  string(0) ""
                  ["category__in"]=>
                  array(0) {
                  }
                  ["category__not_in"]=>
                  array(0) {
                  }
                  ["category__and"]=>
                  array(0) {
                  }
                  ["post__in"]=>
                  array(0) {
                  }
                  ["post__not_in"]=>
                  array(0) {
                  }
                  ["post_name__in"]=>
                  array(0) {
                  }
                  ["tag__in"]=>
                  array(0) {
                  }
                  ["tag__not_in"]=>
                  array(0) {
                  }
                  ["tag__and"]=>
                  array(0) {
                  }
                  ["tag_slug__in"]=>
                  array(0) {
                  }
                  ["tag_slug__and"]=>
                  array(0) {
                  }
                  ["post_parent__in"]=>
                  array(0) {
                  }
                  ["post_parent__not_in"]=>
                  array(0) {
                  }
                  ["author__in"]=>
                  array(0) {
                  }
                  ["author__not_in"]=>
                  array(0) {
                  }
                  ["search_columns"]=>
                  array(0) {
                  }
                  ["ignore_sticky_posts"]=>
                  bool(false)
                  ["suppress_filters"]=>
                  bool(false)
                  ["cache_results"]=>
                  bool(true)
                  ["update_post_term_cache"]=>
                  bool(true)
                  ["update_menu_item_cache"]=>
                  bool(false)
                  ["lazy_load_term_meta"]=>
                  bool(true)
                  ["update_post_meta_cache"]=>
                  bool(true)
                  ["posts_per_page"]=>
                  int(12)
                  ["nopaging"]=>
                  bool(false)
                  ["comments_per_page"]=>
                  string(2) "50"
                  ["no_found_rows"]=>
                  bool(false)
                  ["taxonomy"]=>
                  string(10) "table_tags"
                  ["term"]=>
                  string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8"
                  ["order"]=>
                  string(4) "DESC"
                }
                ["tax_query"]=>
                object(WP_Tax_Query)#34183 (6) {
                  ["queries"]=>
                  array(1) {
                    [0]=>
                    array(5) {
                      ["taxonomy"]=>
                      string(10) "table_tags"
                      ["terms"]=>
                      array(1) {
                        [0]=>
                        string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8"
                      }
                      ["field"]=>
                      string(4) "slug"
                      ["operator"]=>
                      string(2) "IN"
                      ["include_children"]=>
                      bool(true)
                    }
                  }
                  ["relation"]=>
                  string(3) "AND"
                  ["table_aliases":protected]=>
                  array(1) {
                    [0]=>
                    string(24) "tD6qv_term_relationships"
                  }
                  ["queried_terms"]=>
                  array(1) {
                    ["table_tags"]=>
                    array(2) {
                      ["terms"]=>
                      array(1) {
                        [0]=>
                        string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8"
                      }
                      ["field"]=>
                      string(4) "slug"
                    }
                  }
                  ["primary_table"]=>
                  string(11) "tD6qv_posts"
                  ["primary_id_column"]=>
                  string(2) "ID"
                }
                ["meta_query"]=>
                object(WP_Meta_Query)#34185 (9) {
                  ["queries"]=>
                  array(2) {
                    [0]=>
                    array(2) {
                      ["key"]=>
                      string(14) "_wptb_content_"
                      ["compare"]=>
                      string(6) "EXISTS"
                    }
                    ["relation"]=>
                    string(2) "OR"
                  }
                  ["relation"]=>
                  string(3) "AND"
                  ["meta_table"]=>
                  string(14) "tD6qv_postmeta"
                  ["meta_id_column"]=>
                  string(7) "post_id"
                  ["primary_table"]=>
                  string(11) "tD6qv_posts"
                  ["primary_id_column"]=>
                  string(2) "ID"
                  ["table_aliases":protected]=>
                  array(1) {
                    [0]=>
                    string(14) "tD6qv_postmeta"
                  }
                  ["clauses":protected]=>
                  array(1) {
                    ["tD6qv_postmeta"]=>
                    array(5) {
                      ["key"]=>
                      string(14) "_wptb_content_"
                      ["compare"]=>
                      string(6) "EXISTS"
                      ["compare_key"]=>
                      string(1) "="
                      ["alias"]=>
                      string(14) "tD6qv_postmeta"
                      ["cast"]=>
                      string(4) "CHAR"
                    }
                  }
                  ["has_or_relation":protected]=>
                  bool(false)
                }
                ["date_query"]=>
                bool(false)
                ["request"]=>
                string(2812) "
			SELECT SQL_CALC_FOUND_ROWS  tD6qv_posts.*
			FROM tD6qv_posts  LEFT JOIN tD6qv_term_relationships ON (tD6qv_posts.ID = tD6qv_term_relationships.object_id) INNER JOIN tD6qv_postmeta ON ( tD6qv_posts.ID = tD6qv_postmeta.post_id )
			WHERE 1=1  AND ( 
  tD6qv_term_relationships.term_taxonomy_id IN (622)
) AND ( 
  tD6qv_postmeta.meta_key = '_wptb_content_'
) AND tD6qv_posts.post_type = 'wptb-tables' AND ((tD6qv_posts.post_status = 'draft')) AND tD6qv_posts.ID NOT IN ( 31016, 31017, 31018, 31019, 31020, 31021, 31023, 31047, 31048, 31049, 31050, 31051, 31052, 31053, 31054, 31061, 31062, 31063, 31064, 31065, 31074, 31075, 31076, 31077, 31078, 31079, 31094, 31095, 31096, 31097, 31098, 31103, 31104, 31105, 31110, 31111, 31113, 31115, 31117, 31119, 31121, 31123, 31125, 31127, 31129, 31131, 31133, 31135, 31137, 31140, 31142, 31144, 31150, 31152, 31155, 31157, 31159, 31161, 31163, 31165, 31167, 31169, 31171, 31173, 31176, 31178, 31180, 31189, 31199, 31200, 31201, 31202, 31203, 31210, 31211, 31212, 31213, 31214, 31222, 31223, 31224, 31225, 31226, 31233, 31234, 31235, 31237, 31238, 31239, 31242, 31243, 31245, 31247, 31249, 31257, 31258, 31260, 31261, 31262, 31263, 31264, 31265, 31287, 31288, 31289, 31290, 31339, 31342, 32291, 32570, 32694, 33157, 33302, 33304, 33981, 34831, 34832, 35549, 35551, 35586, 35590, 35591, 35592, 35593, 35594, 35595, 35659, 35660, 35661, 35662, 35663, 35664, 35665, 35666, 35668, 35672, 35676, 35679, 35680, 35681, 35682, 35683, 35684, 35685, 35689, 35694, 35696, 35697, 35698, 35702, 35703, 35704, 35706, 35713, 35720, 35742, 35743, 35744, 35746, 35747, 35748, 35749, 35750, 35751, 35752, 35753, 35754, 35755, 35756, 35757, 48063, 48070, 48071, 48072, 48074, 48075, 48184, 48188, 48189, 49076, 49099, 49104, 49106, 49455, 49457, 49459, 49461, 49463, 49465, 49467, 49469, 49676, 49681, 49682, 49683, 49727, 49729, 49731, 49733, 49735, 49737, 49739, 49854, 49969, 50452, 50455, 50457, 50459, 50461, 50463, 50465, 50709, 50711, 50713, 50715, 50717, 50719, 50721, 50723, 50725, 50727, 50729, 50731, 50733, 50735, 50737, 50739, 50741, 50743, 50745, 50749, 50753, 50755, 50756, 50758, 50760, 50762, 50764, 50766, 51313, 51345, 51347, 51349, 51405, 51511, 51513, 51952, 52094, 54373, 54375, 54377, 54379, 54382, 54384, 54387, 54389, 54391, 54393, 54396, 54400, 55813, 57567, 57569, 57579, 57582, 57586, 57591, 60450, 60718, 60842, 60974, 60977, 89588, 89591, 89593, 89595, 89597, 89601, 91915, 91916, 91918, 93992, 93994, 109831, 109911, 110004, 110006, 110011, 110015, 110018, 110020, 110024, 110028, 110030, 110032, 110034, 110039, 110041, 110043, 110045, 110047, 110051, 110122, 110124, 110126, 110128, 110131, 110134, 110137, 110139, 110142, 110144, 110146, 110148 ) 
			GROUP BY tD6qv_posts.ID
			ORDER BY tD6qv_posts.menu_order, tD6qv_posts.post_date DESC
			LIMIT 0, 12
		"
                ["posts"]=>
                array(0) {
                }
                ["post_count"]=>
                int(0)
                ["current_post"]=>
                int(-1)
                ["before_loop"]=>
                bool(true)
                ["in_the_loop"]=>
                bool(false)
                ["comment_count"]=>
                int(0)
                ["current_comment"]=>
                int(-1)
                ["found_posts"]=>
                int(0)
                ["max_num_pages"]=>
                int(0)
                ["max_num_comment_pages"]=>
                int(0)
                ["is_single"]=>
                bool(false)
                ["is_preview"]=>
                bool(false)
                ["is_page"]=>
                bool(false)
                ["is_archive"]=>
                bool(true)
                ["is_date"]=>
                bool(false)
                ["is_year"]=>
                bool(false)
                ["is_month"]=>
                bool(false)
                ["is_day"]=>
                bool(false)
                ["is_time"]=>
                bool(false)
                ["is_author"]=>
                bool(false)
                ["is_category"]=>
                bool(false)
                ["is_tag"]=>
                bool(false)
                ["is_tax"]=>
                bool(true)
                ["is_search"]=>
                bool(false)
                ["is_feed"]=>
                bool(false)
                ["is_comment_feed"]=>
                bool(false)
                ["is_trackback"]=>
                bool(false)
                ["is_home"]=>
                bool(false)
                ["is_privacy_policy"]=>
                bool(false)
                ["is_404"]=>
                bool(false)
                ["is_embed"]=>
                bool(false)
                ["is_paged"]=>
                bool(false)
                ["is_admin"]=>
                bool(false)
                ["is_attachment"]=>
                bool(false)
                ["is_singular"]=>
                bool(false)
                ["is_robots"]=>
                bool(false)
                ["is_favicon"]=>
                bool(false)
                ["is_posts_page"]=>
                bool(false)
                ["is_post_type_archive"]=>
                bool(false)
                ["query_vars_hash":"WP_Query":private]=>
                string(32) "af4e80917dfadda23190dd3b896d143d"
                ["query_vars_changed":"WP_Query":private]=>
                bool(false)
                ["thumbnails_cached"]=>
                bool(false)
                ["allow_query_attachment_by_filename":protected]=>
                bool(false)
                ["stopwords":"WP_Query":private]=>
                NULL
                ["compat_fields":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(15) "query_vars_hash"
                  [1]=>
                  string(18) "query_vars_changed"
                }
                ["compat_methods":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(16) "init_query_flags"
                  [1]=>
                  string(15) "parse_tax_query"
                }
              }
            }
          }
        }
        [7]=>
        array(4) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(1881)
          ["function"]=>
          string(19) "do_action_ref_array"
          ["args"]=>
          array(1) {
            [0]=>
            string(13) "pre_get_posts"
          }
        }
        [8]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3800)
          ["function"]=>
          string(9) "get_posts"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [9]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3932)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [10]=>
        array(5) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(167)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [11]=>
        array(3) {
          ["function"]=>
          string(45) "WP_Table_Builder\Inc\Admin\Managers\{closure}"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(174)
          ["function"]=>
          string(10) "array_walk"
        }
        [13]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(312)
          ["function"]=>
          string(16) "table_tags_count"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [14]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(205)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(11) {
              [0]=>
              object(WP_Term)#34240 (11) {
                ["term_id"]=>
                int(623)
                ["name"]=>
                string(14) "BU事業單位"
                ["slug"]=>
                string(38) "bu%e4%ba%8b%e6%a5%ad%e5%96%ae%e4%bd%8d"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(623)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [1]=>
              object(WP_Term)#34242 (11) {
                ["term_id"]=>
                int(624)
                ["name"]=>
                string(30) "企管顧問公司收費標準"
                ["slug"]=>
                string(90) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%94%b6%e8%b2%bb%e6%a8%99%e6%ba%96"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(624)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [2]=>
              object(WP_Term)#34244 (11) {
                ["term_id"]=>
                int(625)
                ["name"]=>
                string(24) "企管顧問公司推薦"
                ["slug"]=>
                string(72) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(625)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [3]=>
              object(WP_Term)#34246 (11) {
                ["term_id"]=>
                int(626)
                ["name"]=>
                string(18) "企管顧問推薦"
                ["slug"]=>
                string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(626)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [4]=>
              object(WP_Term)#34248 (11) {
                ["term_id"]=>
                int(596)
                ["name"]=>
                string(18) "人力資源管理"
                ["slug"]=>
                string(54) "%e4%ba%ba%e5%8a%9b%e8%b3%87%e6%ba%90%e7%ae%a1%e7%90%86"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(596)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [5]=>
              object(WP_Term)#34250 (11) {
                ["term_id"]=>
                int(612)
                ["name"]=>
                string(12) "經營顧問"
                ["slug"]=>
                string(36) "%e7%b6%93%e7%87%9f%e9%a1%a7%e5%95%8f"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(612)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [6]=>
              object(WP_Term)#34252 (11) {
                ["term_id"]=>
                int(613)
                ["name"]=>
                string(12) "企管顧問"
                ["slug"]=>
                string(36) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(613)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [7]=>
              object(WP_Term)#34254 (11) {
                ["term_id"]=>
                int(614)
                ["name"]=>
                string(18) "管理顧問推薦"
                ["slug"]=>
                string(54) "%e7%ae%a1%e7%90%86%e9%a1%a7%e5%95%8f%e6%8e%a8%e8%96%a6"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(614)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [8]=>
              object(WP_Term)#34256 (11) {
                ["term_id"]=>
                int(615)
                ["name"]=>
                string(12) "市場營銷"
                ["slug"]=>
                string(36) "%e5%b8%82%e5%a0%b4%e7%87%9f%e9%8a%b7"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(615)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [9]=>
              object(WP_Term)#34235 (11) {
                ["term_id"]=>
                int(616)
                ["name"]=>
                string(12) "營銷策略"
                ["slug"]=>
                string(36) "%e7%87%9f%e9%8a%b7%e7%ad%96%e7%95%a5"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(616)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
              [10]=>
              object(WP_Term)#34234 (11) {
                ["term_id"]=>
                int(622)
                ["name"]=>
                string(18) "企管顧問公司"
                ["slug"]=>
                string(54) "%e4%bc%81%e7%ae%a1%e9%a1%a7%e5%95%8f%e5%85%ac%e5%8f%b8"
                ["term_group"]=>
                int(0)
                ["term_taxonomy_id"]=>
                int(622)
                ["taxonomy"]=>
                string(10) "table_tags"
                ["description"]=>
                string(0) ""
                ["parent"]=>
                int(0)
                ["count"]=>
                int(0)
                ["filter"]=>
                string(3) "raw"
                ["term_order"]=>
                string(1) "0"
              }
            }
          }
        }
        [15]=>
        array(4) {
          ["file"]=>
          string(37) "/var/www/web/wp-includes/taxonomy.php"
          ["line"]=>
          int(1330)
          ["function"]=>
          string(13) "apply_filters"
          ["args"]=>
          array(1) {
            [0]=>
            string(9) "get_terms"
          }
        }
        [16]=>
        array(3) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(227)
          ["function"]=>
          string(9) "get_terms"
        }
        [17]=>
        array(5) {
          ["file"]=>
          string(83) "/var/www/web/wp-content/plugins/wp-table-builder/inc/admin/managers/tag-manager.php"
          ["line"]=>
          int(393)
          ["function"]=>
          string(14) "screen_options"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [18]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(24) "register_custom_taxonomy"
          ["class"]=>
          string(47) "WP_Table_Builder\Inc\Admin\Managers\Tag_Manager"
          ["type"]=>
          string(2) "::"
        }
        [19]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [20]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [21]=>
        array(4) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(643)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(4) "init"
          }
        }
        [22]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [23]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [24]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [25]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(7)
  }
  [34]=>
  array(7) {
    [0]=>
    string(193) "SELECT a.hook FROM tD6qv_actionscheduler_actions a
					JOIN tD6qv_actionscheduler_groups g ON g.group_id = a.group_id
					WHERE g.slug = 'wpforms' AND a.status IN ( 'in-progress', 'pending' )"
    [1]=>
    float(0.00074195861816406)
    [2]=>
    string(303) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), do_action('init'), WP_Hook->do_action, WP_Hook->apply_filters, WPForms\WPForms->WPForms\{closure}, WPForms\Tasks\Tasks->init, WPForms\Tasks\Tasks->get_active_actions, QM_DB->query"
    [3]=>
    float(1784046907.3305)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#34230 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(13) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3127)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(64) "/var/www/web/wp-content/plugins/wpforms-lite/src/Tasks/Tasks.php"
          ["line"]=>
          int(372)
          ["function"]=>
          string(11) "get_results"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(64) "/var/www/web/wp-content/plugins/wpforms-lite/src/Tasks/Tasks.php"
          ["line"]=>
          int(66)
          ["function"]=>
          string(18) "get_active_actions"
          ["class"]=>
          string(19) "WPForms\Tasks\Tasks"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/wpforms-lite/src/WPForms.php"
          ["line"]=>
          int(415)
          ["function"]=>
          string(4) "init"
          ["class"]=>
          string(19) "WPForms\Tasks\Tasks"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(17) "WPForms\{closure}"
          ["class"]=>
          string(15) "WPForms\WPForms"
          ["type"]=>
          string(2) "->"
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [7]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [8]=>
        array(4) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(643)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(4) "init"
          }
        }
        [9]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [10]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [11]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(4)
  }
  [35]=>
  array(7) {
    [0]=>
    string(174) "SELECT a.action_id FROM tD6qv_actionscheduler_actions a WHERE 1=1 AND a.hook='wpforms_process_entry_emails_meta_cleanup' AND a.status IN ('in-progress', 'pending') LIMIT 0, 1"
    [1]=>
    float(0.00040102005004883)
    [2]=>
    string(518) "require('wp-blog-header.php'), require_once('wp-load.php'), require_once('wp-config.php'), require_once('wp-settings.php'), do_action('init'), WP_Hook->do_action, WP_Hook->apply_filters, WPForms\WPForms->WPForms\{closure}, WPForms\Tasks\Tasks->init, WPForms\Tasks\Actions\EntryEmailsMetaCleanupTask->__construct, WPForms\Tasks\Actions\EntryEmailsMetaCleanupTask->init, WPForms\Tasks\Tasks->is_scheduled, as_has_scheduled_action, ActionScheduler_Store->query_action, ActionScheduler_DBStore->query_actions, QM_DB->query"
    [3]=>
    float(1784046907.3316)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#34229 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(18) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3088)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(128) "/var/www/web/wp-content/plugins/wpforms-lite/vendor/woocommerce/action-scheduler/classes/data-stores/ActionScheduler_DBStore.php"
          ["line"]=>
          int(646)
          ["function"]=>
          string(7) "get_col"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(124) "/var/www/web/wp-content/plugins/wpforms-lite/vendor/woocommerce/action-scheduler/classes/abstracts/ActionScheduler_Store.php"
          ["line"]=>
          int(131)
          ["function"]=>
          string(13) "query_actions"
          ["class"]=>
          string(23) "ActionScheduler_DBStore"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(94) "/var/www/web/wp-content/plugins/wpforms-lite/vendor/woocommerce/action-scheduler/functions.php"
          ["line"]=>
          int(412)
          ["function"]=>
          string(12) "query_action"
          ["class"]=>
          string(21) "ActionScheduler_Store"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(3) {
          ["file"]=>
          string(64) "/var/www/web/wp-content/plugins/wpforms-lite/src/Tasks/Tasks.php"
          ["line"]=>
          int(354)
          ["function"]=>
          string(23) "as_has_scheduled_action"
        }
        [6]=>
        array(5) {
          ["file"]=>
          string(93) "/var/www/web/wp-content/plugins/wpforms-lite/src/Tasks/Actions/EntryEmailsMetaCleanupTask.php"
          ["line"]=>
          int(49)
          ["function"]=>
          string(12) "is_scheduled"
          ["class"]=>
          string(19) "WPForms\Tasks\Tasks"
          ["type"]=>
          string(2) "->"
        }
        [7]=>
        array(5) {
          ["file"]=>
          string(93) "/var/www/web/wp-content/plugins/wpforms-lite/src/Tasks/Actions/EntryEmailsMetaCleanupTask.php"
          ["line"]=>
          int(31)
          ["function"]=>
          string(4) "init"
          ["class"]=>
          string(48) "WPForms\Tasks\Actions\EntryEmailsMetaCleanupTask"
          ["type"]=>
          string(2) "->"
        }
        [8]=>
        array(5) {
          ["file"]=>
          string(64) "/var/www/web/wp-content/plugins/wpforms-lite/src/Tasks/Tasks.php"
          ["line"]=>
          int(75)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(48) "WPForms\Tasks\Actions\EntryEmailsMetaCleanupTask"
          ["type"]=>
          string(2) "->"
        }
        [9]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/wpforms-lite/src/WPForms.php"
          ["line"]=>
          int(415)
          ["function"]=>
          string(4) "init"
          ["class"]=>
          string(19) "WPForms\Tasks\Tasks"
          ["type"]=>
          string(2) "->"
        }
        [10]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(17) "WPForms\{closure}"
          ["class"]=>
          string(15) "WPForms\WPForms"
          ["type"]=>
          string(2) "->"
        }
        [11]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [12]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [13]=>
        array(4) {
          ["file"]=>
          string(28) "/var/www/web/wp-settings.php"
          ["line"]=>
          int(643)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(4) "init"
          }
        }
        [14]=>
        array(3) {
          ["file"]=>
          string(26) "/var/www/web/wp-config.php"
          ["line"]=>
          int(93)
          ["function"]=>
          string(12) "require_once"
        }
        [15]=>
        array(3) {
          ["file"]=>
          string(24) "/var/www/web/wp-load.php"
          ["line"]=>
          int(50)
          ["function"]=>
          string(12) "require_once"
        }
        [16]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(12) "require_once"
        }
        [17]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(0)
  }
  [36]=>
  array(7) {
    [0]=>
    string(125) "SELECT DISTINCT post_id 
		         FROM tD6qv_postmeta 
		         WHERE meta_key = 'wp_protect_password_multiple_passwords'"
    [1]=>
    float(0.00072407722473145)
    [2]=>
    string(283) "require('wp-blog-header.php'), wp, WP->main, WP->query_posts, WP_Query->query, WP_Query->get_posts, do_action_ref_array('pre_get_posts'), WP_Hook->do_action, WP_Hook->apply_filters, PPW_Admin->ppwp_exclude_protected_items_from_qry, PPW_Admin->ppwp_get_all_protected_ids, QM_DB->query"
    [3]=>
    float(1784046907.416)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#35966 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(14) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3088)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1299)
          ["function"]=>
          string(7) "get_col"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1251)
          ["function"]=>
          string(26) "ppwp_get_all_protected_ids"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(37) "ppwp_exclude_protected_items_from_qry"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            bool(false)
          }
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(565)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              object(WP_Query)#26160 (55) {
                ["query"]=>
                array(1) {
                  ["xml_sitemap"]=>
                  string(7) "params="
                }
                ["query_vars"]=>
                array(66) {
                  ["xml_sitemap"]=>
                  string(7) "params="
                  ["error"]=>
                  string(0) ""
                  ["m"]=>
                  string(0) ""
                  ["p"]=>
                  int(0)
                  ["post_parent"]=>
                  string(0) ""
                  ["subpost"]=>
                  string(0) ""
                  ["subpost_id"]=>
                  string(0) ""
                  ["attachment"]=>
                  string(0) ""
                  ["attachment_id"]=>
                  int(0)
                  ["name"]=>
                  string(0) ""
                  ["pagename"]=>
                  string(0) ""
                  ["page_id"]=>
                  int(0)
                  ["second"]=>
                  string(0) ""
                  ["minute"]=>
                  string(0) ""
                  ["hour"]=>
                  string(0) ""
                  ["day"]=>
                  int(0)
                  ["monthnum"]=>
                  int(0)
                  ["year"]=>
                  int(0)
                  ["w"]=>
                  int(0)
                  ["category_name"]=>
                  string(0) ""
                  ["tag"]=>
                  string(0) ""
                  ["cat"]=>
                  string(0) ""
                  ["tag_id"]=>
                  string(0) ""
                  ["author"]=>
                  string(0) ""
                  ["author_name"]=>
                  string(0) ""
                  ["feed"]=>
                  string(0) ""
                  ["tb"]=>
                  string(0) ""
                  ["paged"]=>
                  int(0)
                  ["meta_key"]=>
                  string(0) ""
                  ["meta_value"]=>
                  string(0) ""
                  ["preview"]=>
                  string(0) ""
                  ["s"]=>
                  string(0) ""
                  ["sentence"]=>
                  string(0) ""
                  ["title"]=>
                  string(0) ""
                  ["fields"]=>
                  string(0) ""
                  ["menu_order"]=>
                  string(0) ""
                  ["embed"]=>
                  string(0) ""
                  ["category__in"]=>
                  array(0) {
                  }
                  ["category__not_in"]=>
                  array(0) {
                  }
                  ["category__and"]=>
                  array(0) {
                  }
                  ["post__in"]=>
                  array(0) {
                  }
                  ["post__not_in"]=>
                  array(0) {
                  }
                  ["post_name__in"]=>
                  array(0) {
                  }
                  ["tag__in"]=>
                  array(0) {
                  }
                  ["tag__not_in"]=>
                  array(0) {
                  }
                  ["tag__and"]=>
                  array(0) {
                  }
                  ["tag_slug__in"]=>
                  array(0) {
                  }
                  ["tag_slug__and"]=>
                  array(0) {
                  }
                  ["post_parent__in"]=>
                  array(0) {
                  }
                  ["post_parent__not_in"]=>
                  array(0) {
                  }
                  ["author__in"]=>
                  array(0) {
                  }
                  ["author__not_in"]=>
                  array(0) {
                  }
                  ["search_columns"]=>
                  array(0) {
                  }
                  ["ignore_sticky_posts"]=>
                  bool(false)
                  ["suppress_filters"]=>
                  bool(false)
                  ["cache_results"]=>
                  bool(true)
                  ["update_post_term_cache"]=>
                  bool(true)
                  ["update_menu_item_cache"]=>
                  bool(false)
                  ["lazy_load_term_meta"]=>
                  bool(true)
                  ["update_post_meta_cache"]=>
                  bool(true)
                  ["post_type"]=>
                  string(0) ""
                  ["posts_per_page"]=>
                  int(12)
                  ["nopaging"]=>
                  bool(false)
                  ["comments_per_page"]=>
                  string(2) "50"
                  ["no_found_rows"]=>
                  bool(false)
                  ["order"]=>
                  string(4) "DESC"
                }
                ["tax_query"]=>
                object(WP_Tax_Query)#37285 (6) {
                  ["queries"]=>
                  array(0) {
                  }
                  ["relation"]=>
                  string(3) "AND"
                  ["table_aliases":protected]=>
                  array(0) {
                  }
                  ["queried_terms"]=>
                  array(0) {
                  }
                  ["primary_table"]=>
                  string(11) "tD6qv_posts"
                  ["primary_id_column"]=>
                  string(2) "ID"
                }
                ["meta_query"]=>
                object(WP_Meta_Query)#37283 (9) {
                  ["queries"]=>
                  array(0) {
                  }
                  ["relation"]=>
                  NULL
                  ["meta_table"]=>
                  NULL
                  ["meta_id_column"]=>
                  NULL
                  ["primary_table"]=>
                  NULL
                  ["primary_id_column"]=>
                  NULL
                  ["table_aliases":protected]=>
                  array(0) {
                  }
                  ["clauses":protected]=>
                  array(0) {
                  }
                  ["has_or_relation":protected]=>
                  bool(false)
                }
                ["date_query"]=>
                bool(false)
                ["queried_object"]=>
                NULL
                ["queried_object_id"]=>
                NULL
                ["request"]=>
                string(2564) "
					SELECT SQL_CALC_FOUND_ROWS  tD6qv_posts.ID
					FROM tD6qv_posts 
					WHERE 1=1  AND ((tD6qv_posts.post_type = 'post' AND (tD6qv_posts.post_status = 'publish' OR tD6qv_posts.post_status = 'acf-disabled'))) AND tD6qv_posts.ID NOT IN ( 31016, 31017, 31018, 31019, 31020, 31021, 31023, 31047, 31048, 31049, 31050, 31051, 31052, 31053, 31054, 31061, 31062, 31063, 31064, 31065, 31074, 31075, 31076, 31077, 31078, 31079, 31094, 31095, 31096, 31097, 31098, 31103, 31104, 31105, 31110, 31111, 31113, 31115, 31117, 31119, 31121, 31123, 31125, 31127, 31129, 31131, 31133, 31135, 31137, 31140, 31142, 31144, 31150, 31152, 31155, 31157, 31159, 31161, 31163, 31165, 31167, 31169, 31171, 31173, 31176, 31178, 31180, 31189, 31199, 31200, 31201, 31202, 31203, 31210, 31211, 31212, 31213, 31214, 31222, 31223, 31224, 31225, 31226, 31233, 31234, 31235, 31237, 31238, 31239, 31242, 31243, 31245, 31247, 31249, 31257, 31258, 31260, 31261, 31262, 31263, 31264, 31265, 31287, 31288, 31289, 31290, 31339, 31342, 32291, 32570, 32694, 33157, 33302, 33304, 33981, 34831, 34832, 35549, 35551, 35586, 35590, 35591, 35592, 35593, 35594, 35595, 35659, 35660, 35661, 35662, 35663, 35664, 35665, 35666, 35668, 35672, 35676, 35679, 35680, 35681, 35682, 35683, 35684, 35685, 35689, 35694, 35696, 35697, 35698, 35702, 35703, 35704, 35706, 35713, 35720, 35742, 35743, 35744, 35746, 35747, 35748, 35749, 35750, 35751, 35752, 35753, 35754, 35755, 35756, 35757, 48063, 48070, 48071, 48072, 48074, 48075, 48184, 48188, 48189, 49076, 49099, 49104, 49106, 49455, 49457, 49459, 49461, 49463, 49465, 49467, 49469, 49676, 49681, 49682, 49683, 49727, 49729, 49731, 49733, 49735, 49737, 49739, 49854, 49969, 50452, 50455, 50457, 50459, 50461, 50463, 50465, 50709, 50711, 50713, 50715, 50717, 50719, 50721, 50723, 50725, 50727, 50729, 50731, 50733, 50735, 50737, 50739, 50741, 50743, 50745, 50749, 50753, 50755, 50756, 50758, 50760, 50762, 50764, 50766, 51313, 51345, 51347, 51349, 51405, 51511, 51513, 51952, 52094, 54373, 54375, 54377, 54379, 54382, 54384, 54387, 54389, 54391, 54393, 54396, 54400, 55813, 57567, 57569, 57579, 57582, 57586, 57591, 60450, 60718, 60842, 60974, 60977, 89588, 89591, 89593, 89595, 89597, 89601, 91915, 91916, 91918, 93992, 93994, 109831, 109911, 110004, 110006, 110011, 110015, 110018, 110020, 110024, 110028, 110030, 110032, 110034, 110039, 110041, 110043, 110045, 110047, 110051, 110122, 110124, 110126, 110128, 110131, 110134, 110137, 110139, 110142, 110144, 110146, 110148 ) 
					
					ORDER BY tD6qv_posts.menu_order, tD6qv_posts.post_date DESC
					LIMIT 0, 12
				"
                ["posts"]=>
                &array(12) {
                  [0]=>
                  object(WP_Post)#36597 (24) {
                    ["ID"]=>
                    int(125232)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:21:11"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:21:11"
                    ["post_content"]=>
                    string(16299) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:AI 模型訓練和推理的 GPU 需求差在哪裡?</p><p style="margin:0">訓練要同時保存權重、梯度、優化器狀態與激活值,顯存約權重的 8-10 倍:7B 全參數訓練要 110-140GB,還吃多卡互連,是 H100 的主場。推理只需權重加 KV cache:同個 7B 模型 FP16 只要 14-16GB,一張 RTX 4090 可服務,INT4 量化再省一半。搞混兩者最浪費預算。</p></div>
<p>「我們要導入 AI,該租什麼 GPU?」這個問題沒辦法直接回答,因為它少了一個關鍵前提:你要跑的是訓練,還是推理?這兩種工作負載對硬體的要求差異之大,大到同一筆預算可能差出十倍的效果。把推理的需求拿去租訓練級的 8 卡 H100,是把錢丟進水裡;拿一張消費卡硬跑全參數訓練,是把時間丟進水裡。這篇文章把兩種負載的本質差異、顯存計算方式、硬體選型邏輯一次講清楚,最後給出讓同一批 GPU 發揮兩倍價值的混合策略。不需要 ML 背景,看得懂乘法就能跟著算完每一筆帳。</p>

<h2>本質差異:一個在學習,一個在服務</h2>
<p>訓練是讓模型「學會」:資料前向傳播算出預測,跟標準答案比對出誤差,再反向傳播計算每個參數的梯度,由優化器更新權重——這個迴圈重複數萬到數百萬步。推理是讓模型「工作」:只有前向傳播,權重完全不動,吃進 prompt、吐出 token,一次一步。</p>
<p>這個差異決定了一切。訓練是吞吐導向的批次作業:在乎「多久跑完一輪」,可以中斷續跑,對延遲無感,但要為梯度與優化器狀態付出巨額顯存,多卡之間還要頻繁同步。推理是延遲導向的線上服務:在乎「使用者等多久」,全年無休不能斷,顯存需求小得多,但要面對併發起伏與尖峰。用一句話記:訓練買的是算力與互連,推理買的是顯存容量與穩定服務。</p>
<p>營運節奏的差異同樣關鍵:訓練是「專案」,有開始有結束,排程可以彈性挪動,失敗的代價是重跑;推理是「營運」,有 SLA、有使用者體驗、半夜掛掉要有人爬起來處理,失敗的代價是商譽。這決定了兩者連租賃形態都不同——訓練適合短租衝刺,用完即退;推理適合長租加備援設計。把這兩種節奏塞進同一台機器、同一張預算表,就是多數 GPU 規劃失敗的起點。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-24-data-20260714.jpg" alt="AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯" loading="lazy"/><figcaption>▲ 7B 全參數訓練 110-140GB;推理 FP16 只要 14-16GB</figcaption></figure>
<h2>顯存帳怎麼算:8-10 倍的差距從哪來</h2>
<p>同一個 7B 模型,為什麼訓練要 110-140GB、推理只要 14-16GB?把顯存內容攤開就懂。訓練時,卡上要同時放四樣:FP16 權重(每參數 2 bytes,7B 約 14GB)、梯度(再 2 bytes)、AdamW 優化器狀態(FP32 動量與變異數,8 bytes,約 56GB)、外加隨 batch 與序列長度成長的激活值。合計每參數約 16-20 bytes,是純權重的 8-10 倍。</p>
<p>推理時,卡上只有 FP16 權重(14GB)加 KV cache(隨併發與 context 成長,單人使用約 1-2GB)。而且推理還有訓練沒有的省錢大招:INT4 量化把權重壓到四分之一,7B 從 14GB 縮到 5-6GB,品質損失多在 1-3% 內。這就是為什麼 LoRA 這類參數高效微調這麼受歡迎——它凍結原模型、只訓練低秩適配層,把「訓練帳」的梯度與優化器項目縮到趨近推理等級,7B 的 LoRA 訓練只要 18-24GB,詳細做法見 <a href="https://www.nss.com.tw/llm-finetuning-lora-gpu">LLM 微調實戰</a>。</p>
<p>推理端還有一個跟訓練相反的槓桿:批次。訓練的 batch 是為了學習效率,推理的 batching 則是把多個使用者的請求交錯塞進同一次運算,GPU 使用率從 20-30% 拉到 80% 以上,單卡吞吐翻好幾倍——代價是個別請求的延遲略升。這也是為什麼生產環境一定要用支援 continuous batching 的推論引擎:同樣的硬體、同樣的模型,服務容量差 5-10 倍,等於直接把月租除以五。</p>
<p>拿 7B 走一遍完整算式,你就再也不會忘記這個差距:權重 7B 參數乘 2 bytes 等於 14GB;訓練再加梯度 14GB、優化器狀態 56GB、激活值 10-50GB(隨 batch 與序列長度),合計 94-134GB。推理則是 14GB 權重加 KV cache——單人對話 1-2GB、20 路併發 10-20GB,合計 15-35GB。同一個模型,兩張預算表差出一個數量級;而且推理還能用 INT4 把權重壓到 5-6GB,訓練卻必須維持高精度,差距進一步拉大。</p>

<h2>硬體選型:兩種負載看的規格完全不同</h2>
<p>訓練機的三個關鍵規格:HBM 顯存頻寬(反向傳播是頻寬飢渴型運算)、卡間互連(NVLink 900GB/s 對上 PCIe 的 64GB/s,多卡訓練差距立現)、以及 ECC 記憶體與散熱穩定性(一輪訓練跑七天,第六天當機等於重來)。這些正是 H100 這類資料中心卡貴的理由,錢花在你看不到但訓練跑不掉的地方。</p>
<p>推理機的邏輯不同:單卡顯存容量決定放得下多大的模型,每 token 成本決定毛利,而消費級的 RTX 4090 在這兩項的性價比極高——這也是它成為推理神卡的原因。多卡互連對推理重要性低(除非模型大到必須跨卡切分),反而是多開副本做負載均衡更實際。一個常見的錯誤採購:為了「以後可能要訓練」而全上 H100,結果 90% 的時間在跑 7B 推理,單位成本是 4090 方案的三四倍。</p>
<p>那推理什麼時候輪到 H100?三種情況:模型大到單卡裝不下且要 FP16 品質(70B 以上)、長 context 場景讓 KV cache 動輒數十 GB、或高併發對外服務需要單點高吞吐。多卡策略也跟訓練相反:訓練的多卡是「合力算一件事」,要 NVLink 緊耦合;推理的多卡多數時候是「各自服務、負載均衡」,兩台單卡主機常常比一台雙卡主機更好用——還順便有了備援。</p>
<p>穩定性的要求也值得一提:訓練跑七天,中途壞卡靠檢查點續命;推理是全年無休,看的是故障率與換修速度。租用方案在這裡有隱形價值——硬體故障是主機商的問題,備品與換機時間寫在合約裡,比自購機器壞了現找料件安心得多。</p>
<p>功耗與散熱同樣是選型的一部分:一張 4090 滿載約 450W,8 卡 H100 主機整機動輒上萬瓦,電力與空調是機房等級的需求,這也是「把訓練機放辦公室角落」幾乎都以跳電或過熱降頻收場的原因。租用台灣機房的主機,電費、散熱、UPS、消防都包在月租裡;把這些隱形成本攤回自建方案上比較,帳面月租其實比看起來便宜。</p>

<h2>對照表:同一個模型,兩種負載的配置</h2>
<table>
<thead><tr><th>模型規模</th><th>全參數訓練</th><th>LoRA 微調</th><th>FP16 推理</th><th>INT4 推理</th></tr></thead>
<tbody>
<tr><td>7B</td><td>110-140GB,2×H100</td><td>18-24GB,1×4090</td><td>14-16GB,1×4090</td><td>5-6GB,入門卡可跑</td></tr>
<tr><td>32B</td><td>500GB 上下,8×H100</td><td>75-95GB,2×H100</td><td>64-70GB,1×H100</td><td>18-20GB,1×4090</td></tr>
<tr><td>70B</td><td>700GB 以上,多節點</td><td>150-190GB,3×H100</td><td>140-150GB,2×H100</td><td>40-45GB,2×4090</td></tr>
</tbody>
</table>
<p>讀表的方式:橫著看是同一個模型從開發到上線的資源演變,直著看是你的預算能支撐的規模上限。多數企業的實際旅程是「租 H100 做一段時間的微調,上線後換成 4090 級推理機長期服務」——兩個階段、兩種規格、兩張報價單,合在一起才是專案的真實成本。</p>
<p>對照表也順便解釋了市場上一個常見的價格困惑:為什麼 H100 主機月租是 4090 的好幾倍,大家還是搶著租?因為它們根本不在同一個市場——H100 賣的是訓練與大模型推理的「能力」,4090 賣的是中小模型推理的「性價比」。拿 4090 的價格去砍 H100 的規格,或拿 H100 的規格去要求 4090 的價格,都是在浪費彼此的時間;先分清楚負載,報價單自然就看得懂了。</p>

<h2>台灣案例:電子廠把同一筆預算用出兩倍效果</h2>
<p>桃園一家電子組裝廠導入 AOI 瑕疵檢測的視覺模型加上產線知識問答的 LLM,最初的規劃是租一台 4×H100 主機包辦所有工作,月租七位數邊緣,財務直接退件。顧問重排後的架構:訓練需求(每月一次的瑕疵模型重訓、每季一次的 LLM 微調)改成短租 H100 主機,每次 3-5 天、月均成本約 NT$40,000-60,000;推理需求(產線 24 小時的即時檢測加辦公室的知識問答)交給兩台雙 4090 主機,月租合計約 NT$70,000。</p>
<p>結果是總月成本從原規劃砍掉超過一半,推理服務的 p95 延遲反而更好,因為推理機可以按產線位置就近部署、多副本分流。訓練短租的另一個好處是規格自由:下一季想試 32B 模型的微調,直接改租更大的配置,不用被自有硬體綁死。資料面也乾淨——檢測影像涉及客戶產品外觀,全程留在台灣機房,滿足客戶稽核的資料在地要求。</p>
<p>數字攤開更有說服力:原方案 4×H100 全年月租估 NT$180 萬年支出;新架構是訓練短租年約 NT$55-70 萬,加推理雙機年約 NT$84 萬,合計省下約四成,而且推理機的 p95 延遲從共用時代的不穩定,變成穩定壓在 0.8 秒內。財務長最買單的一句話是:「訓練的錢花在有訓練的月份,推理的錢才是固定成本。」預算結構跟著負載走,審預算的人也看得懂。</p>

<h2>混合策略:讓 GPU 不再有下班時間</h2>
<p>訓練與推理分開配置之後,還有一層進階玩法:時間分割。推理有明顯的日夜週期,辦公型應用晚上十點後使用率常掉到 10% 以下,這段時間正好拿來跑訓練:夜間排程啟動 LoRA 微調或資料處理,清晨完成後釋放顯存回到推理服務。一張 24GB 的卡,白天服務 10-20 路併發的問答,晚上跑 7B 的 QLoRA 迭代,等於一份月租買兩份產能。</p>
<p>落地這套策略的前提是服務層要俐落:推論引擎能快速卸載與重載模型、任務排程有優先權設計、監控能確認「早上八點推理服務一定回來」。這些工程細節在 <a href="https://www.nss.com.tw/ai-inference-api-hosting">AI 推論 API 自建教學</a> 有完整展開。原則只有一條:先分清楚你的每一個工作負載是訓練還是推理,再決定它該住在哪種 GPU 上、住多久。想清楚這題,GPU 預算的效率至少差一倍。</p>
<p>風險控管兩條底線要守住:混用的那張卡,推理服務的恢復要有自動檢核——訓練任務結束後服務沒起來就告警加自動重啟;訓練任務要設資源上限與最晚結束時間,寧可訓練慢一天,不要早上八點推理服務起不來。時間分割是省錢技巧,不是走鋼索,把保險機制寫好才有資格用。</p>
<p>把整篇的判斷濃縮成四個問題:這個負載是一次性專案還是長期服務?顯存需求是權重的十倍(訓練)還是一點多倍(推理)?它需要多卡緊耦合還是多副本分流?尖峰在白天還是可以排進夜間?四題答完,該租 H100 還是 4090、該短租還是長租、該一台還是兩台,答案基本上自動浮現。之後每次規劃卡關,回來把這四題重答一次,比翻任何規格表都快。</p>
<p>「先租後買」的節奏也順帶講清楚:前六個月用租的,把負載形狀量出來——尖峰、離峰、訓練頻率、顯存水位;若使用率長期在七成以上且規格已經穩定,再評估買斷或簽長約換折扣。反過來,負載還在變的階段就買硬體,等於把不確定性直接鎖進資產負債表,那是財務最不想看到的一種浪漫。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-24-points-20260714.jpg" alt="AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯" loading="lazy"/><figcaption>▲ 兩種工作負載的配置邏輯</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>訓練短租 H100、推理長租 RTX 系列,這種分離式配置需要主機商同時具備兩種產品線與彈性租期。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,訓練與推理可以分開租、隨階段調整。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問會依你的工作負載組合試算最省的架構。</p>

<h2>常見問題 FAQ</h2><h3>為什麼訓練需要的顯存是推理的近十倍?</h3><p>訓練時卡上同時放權重(FP16 每參數 2 bytes)、梯度(2 bytes)、AdamW 優化器狀態(8 bytes)與激活值,合計每參數 16-20 bytes;推理只要權重加 KV cache。7B 的對比就是 110-140GB 對 14-16GB,差距近十倍。</p><h3>RTX 4090 適合訓練還是推理?</h3><p>推理是它的主場:24GB 顯存能跑 7B FP16 或 32B INT4,每 token 成本遠低於資料中心卡。訓練方面,單卡跑 7B-14B 的 LoRA/QLoRA 沒問題,但缺 NVLink 與 ECC,多卡全參數訓練效率差、穩定性風險高,大型訓練還是交給 H100。</p><h3>H100 比 4090 貴好幾倍,貴在哪裡?</h3><p>貴在訓練需要的三樣東西:80GB HBM 高頻寬顯存(頻寬約 3.35TB/s,是 4090 GDDR6X 的 3 倍以上)、NVLink 900GB/s 卡間互連、以及 ECC 與資料中心級穩定性。若你的負載是中小模型推理,這些溢價用不到,選 RTX 系列性價比更高。</p><h3>推理的 KV cache 是什麼?會吃多少顯存?</h3><p>KV cache 是推理時暫存注意力鍵值的快取,讓模型不用重算前文,代價是顯存:依架構每路 4K token 約 0.5-2GB,與併發數、context 長度成正比。20 路併發、8K context 的服務,KV cache 可達 20-40GB,規劃時要在權重外預留 20-40% 空間。</p><h3>先租訓練機還是先租推理機?</h3><p>看專案階段。要微調自有模型:先短租訓練規格(如 H100,一次 3-7 天),模型定版後換長租推理規格(如 4090 主機月租 NT$15,000-25,000)服務使用者。直接用現成開源模型的話,跳過訓練段,從推理機開始,POC 兩週內就能上線。</p><h3>同一台主機可以白天推理、晚上訓練嗎?</h3><p>可以,而且是中小團隊最省錢的玩法。推理服務入夜後使用率常掉到 10% 以下,排程在深夜卸載推理、跑 LoRA 微調,清晨恢復服務,一張 24GB 卡等於當兩台用。前提是任務排程、模型快速重載與開機自檢都要自動化,避免早上服務沒回來。</p><h3>訓練和推理可以用同一種量化嗎?</h3><p>不行,方向相反。推理常態使用 INT8/INT4 量化,省一半以上顯存、品質損失多在 1-3%;訓練必須維持較高精度(FP16/BF16 混合精度)以保梯度品質,QLoRA 雖然把凍結底模壓到 4-bit,可訓練的適配層仍是高精度。拿 INT4 權重直接全參數訓練會學壞。</p><h3>推理服務要怎麼估需要幾張卡?</h3><p>公式:先定尖峰併發數與延遲目標,單卡容量 = 權重 + 併發×每路 KV cache + 20% 餘裕。例如 32B INT4(20GB)配 15 路併發(約 15-20GB),需 40GB 以上,即一張 48GB 卡或兩張 4090。上線後看佇列深度與 p95 延遲決定加卡時機。</p><h3>訓練短租真的比長租划算嗎?</h3><p>多數情況是。企業微調的節奏常是每月或每季一輪,每輪 3-7 天,短租 H100 的月均支出約 NT$40,000-80,000;同規格長租且大半時間閒置,月租是它的好幾倍。只有訓練排程滿到每月超過 20 天時,長租或買斷才開始划算。</p><h3>邊緣推理和機房推理怎麼選?</h3><p>延遲極敏感或斷網不可接受的場景(產線即時檢測、門店互動)放邊緣小型 GPU;需要大模型、集中管理與彈性擴充的(知識問答、文件處理)放台灣機房主機,網路往返 5ms 上下對多數應用無感。常見架構是邊緣跑小模型、機房跑大模型,各司其職。</p>"
                    ["post_title"]=>
                    string(85) "AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(28) "ai-training-vs-inference-gpu"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 11:06:01"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 03:06:01"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(51) "https://www.nss.com.tw/ai-training-vs-inference-gpu"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [1]=>
                  object(WP_Post)#36599 (24) {
                    ["ID"]=>
                    int(125231)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:21:10"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:21:10"
                    ["post_content"]=>
                    string(16477) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:怎麼把自己的 AI 模型架成推論 API 服務?</p><p style="margin:0">POC 用 Ollama,生產用 vLLM 或 SGLang,提供 OpenAI 相容 API,前端改 base_url 就能接。7B 權重約 14-16GB 顯存,每路 4K 對話的 KV cache 抓 0.5-2GB,10-20 路併發用一張 24GB 卡起步,台灣機房月租 NT$15,000-25,000。</p></div>
<p>模型選好了、也驗證過效果,接下來的問題才是工程的開始:怎麼讓全公司、甚至你的客戶,穩定地用到這個模型?答案就是把它包成推論 API。這一步的難度常被低估——單人測試跑得飛快的模型,一上線就延遲爆炸;或者為了扛併發把規格拉滿,月底看帳單才發現 GPU 大半時間在發呆。自建推論 API 本質上是在延遲、併發、成本三個角之間找平衡,這篇教學把三角關係拆開講,給你可以直接套用的估算方法與架構建議。</p>

<h2>為什麼要自建:三個過不去的檻</h2>
<p>用現成的雲端模型 API 沒什麼不對,直到你撞上三件事之一。資料敏感:客戶對話、病歷、財務數據不能送出境,個資法與行業主管機關的要求擺在那裡;成本失控:按 token 計費的帳單跟著用量線性長,月百萬次呼叫的產品,API 費用常常超過自建月租的兩三倍;客製需求:你微調過的模型、特殊的取樣參數、需要保證的回應時間,公有 API 都給不了。成本這條再講個常見劇本:產品加了「AI 摘要」按鈕,上線時每天 2,000 次呼叫,三個月後功能被預設開啟、變成每天 5 萬次,API 帳單從五位數跳到六位數,而訂閱定價早就鎖死——毛利被吃掉的速度比任何人的反應都快,自建的固定月租在這種「功能普及化」劇本裡就是定價保險。三者中一項成立,自建就值得認真評估;兩項成立,基本上是遲早的事。</p>
<p>反過來也要誠實:三種情況不建議自建。用量太小——每天幾百次呼叫,API 月費幾百塊,自建怎麼算都不划算;完全沒有維運人力——連 Linux 都沒人碰的團隊,先用 API 把產品驗證起來;以及任務非旗艦閉源模型不可——開源模型盲測過確實不夠力的少數場景。自建是工程決策不是信仰,拿你的用量、資料屬性與人力對照上面六條,答案通常很清楚。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-23-data-20260714.jpg" alt="AI 推論 API 自建教學:把模型變成服務,延遲、併發與 GPU 成本的三角習題" loading="lazy"/><figcaption>▲ 7B 權重 14-16GB,每路 4K 對話 KV cache 抓 0.5-2GB</figcaption></figure>
<h2>三角習題:延遲、併發、成本怎麼互相拉扯</h2>
<p>看懂三角關係,要先認識兩個延遲指標。TTFT(Time to First Token)是使用者按下送出到看到第一個字的時間,決定「有沒有在動」的體感,健康值在 0.5-2 秒;生成速度(token/s)決定字流出來的速度,單人閱讀場景 20 token/s 以上就順。併發是同時處理的請求路數,成本則是你為此付出的 GPU 月租。</p>
<p>三者的拉扯關係很具體:併發拉高,同一張卡上的請求互搶算力,TTFT 與生成速度都會掉;要守住延遲就得加卡,成本上升;要省成本就得接受排隊,延遲變長。工程上沒有三全其美,只有「依產品需求選兩個保、放掉一個」:內部工具保成本與併發、犧牲一點延遲;對客戶的付費服務保延遲、用超額配置換體驗。規格單一直搖擺的團隊,多半不是不會算,是還沒想清楚產品定位,先回去把定位吵完再來選卡。先寫下你的目標值(例如 p95 TTFT 低於 1.5 秒、尖峰 30 併發、月預算 NT$60,000),再開始選規格,順序不要反過來。</p>
<p>給一組實測的感覺:一張 4090 跑 7B FP16 配 vLLM,單人使用 TTFT 約 0.3 秒、生成 70-100 token/s;把併發灌到 10 路,TTFT 升到 0.8-1.2 秒、每路生成掉到 30-50 token/s;灌到 25 路,TTFT 破 2 秒、開始排隊。同一張卡,體驗從「飛快」到「將就」到「不可用」,差的只是併發數——這就是為什麼規格討論一定要從「尖峰有幾路」開始,而不是從「模型幾 B」開始。</p>
<p>TTFT 的組成也值得拆開看:排隊等資源、prefill(把整段輸入一次算完)、然後才開始逐字生成。長輸入的 prefill 很重——丟一份 8K token 的文件進去,光 prefill 就可能占掉一兩秒,這是文件型應用的 TTFT 永遠比聊天型難看的原因。對策有三:前綴快取讓相同的系統提示詞不重算、超長輸入先截斷或摘要、把文件批次任務改走非同步路徑,別讓它跟即時對話搶同一條佇列。</p>

<h2>推論引擎選型:效率差距可以到十倍</h2>
<table>
<thead><tr><th>引擎</th><th>定位</th><th>關鍵能力</th><th>適用階段</th></tr></thead>
<tbody>
<tr><td>Ollama</td><td>極簡部署</td><td>一行指令起服務、自動量化</td><td>POC、個人與小團隊</td></tr>
<tr><td>vLLM</td><td>生產標準</td><td>PagedAttention、continuous batching,吞吐高 5-10 倍</td><td>正式環境首選</td></tr>
<tr><td>SGLang</td><td>高階生產</td><td>RadixAttention 前綴快取,重複前綴場景更快</td><td>Agent、大量共用 prompt</td></tr>
<tr><td>TensorRT-LLM</td><td>極致效能</td><td>NVIDIA 深度優化、需編譯</td><td>極端吞吐需求、固定模型</td></tr>
</tbody>
</table>
<p>選擇邏輯很簡單:POC 用 Ollama 十分鐘上線;要對多人服務,直接上 vLLM——它的 continuous batching 會把不同請求的生成步驟交錯排進 GPU,同一張卡的有效吞吐是逐條處理的 5-10 倍,這一項就決定你要租一張卡還是五張卡。四個引擎都支援 OpenAI 相容 API,應用端程式碼可以完全不動,把 base_url 從商用服務換成自家端點即可,這也讓「先用商用 API 驗證產品、再切自建」的路徑幾乎零改寫成本。</p>
<p>引擎與量化的搭配有慣例可循:vLLM 生產部署搭 AWQ 或 GPTQ 的 4-bit 權重最順,顯存省一半以上、吞吐幾乎不折損;Ollama 用 GGUF 格式,拉檔即用。要留意的是不同引擎的預設參數差很多——最大併發數、KV cache 上限、context 長度都要按你的硬體明確設定,用預設值上線然後 OOM,是新手工程師的固定戲碼。</p>

<h2>顯存預算:權重之外,KV cache 才是變數</h2>
<p>推論顯存等於「模型權重加 KV cache 加少量開銷」。權重好算:7B FP16 約 14-16GB、32B INT4 約 18-20GB;KV cache 是每一路進行中的對話都要占用的快取,依模型架構,每路 4K token 大約 0.5-2GB,而且跟併發數與 context 長度成正比。這就是為什麼「單人測試沒問題,上線就 OOM」的劇本不斷重演:20 路併發、每路 8K context,KV cache 可能吃掉 20-40GB,比模型本體還大。</p>
<p>實用的估算流程:先定尖峰併發與平均 context,算 KV cache 總量,加上權重,再留 15-20% 餘裕。舉例:32B INT4(20GB)服務 15 路併發、平均 4K context(約 15-20GB KV cache),總需求 40-48GB,一張 L40S 48GB 剛好,或雙 4090 用張量平行分攤。若跑的是 DeepSeek R1 這類思考鏈很長的推理模型,context 消耗更兇,預留空間要再放大,各版本的具體數字見 <a href="https://www.nss.com.tw/deepseek-r1-gpu-requirements">DeepSeek R1 GPU 需求對照</a>。</p>
<p>好消息是新一代架構與引擎都在幫你省這筆錢:採用 GQA 的模型(Llama 3、Qwen2.5 世代)KV cache 比舊架構省 4-8 倍;vLLM 的 PagedAttention 把 cache 切成小分頁按需配置,傳統部署裡三到五成的顯存碎片浪費幾乎歸零。同樣一張 24GB 卡,2023 年的部署方式撐 4-5 路併發,2026 年的組合拳可以撐 15-20 路——選對引擎本身就是最大的一次降本。</p>

<h2>台灣案例:SaaS 團隊把月帳單砍掉六成</h2>
<p>一家台中的 HR SaaS 公司,產品內建履歷解析與面談摘要功能,原本走海外商用 API。用戶成長後兩個問題同時爆:月 API 帳單衝到 NT$90,000 出頭並持續上升;金融與醫療類客戶在資安問卷上直接問「求職者個資是否出境」,答不好就丟單。他們花了六週切換到自建:模型選 Qwen2.5-14B 微調版,INT4 量化後 9-11GB,跑在台灣機房一台雙 4090 主機上(月租約 NT$35,000),vLLM 做服務層,尖峰實測 22 路併發。</p>
<p>六週的切換時程值得拆開參考:第 1-2 週租單卡主機做離線評測,拿 500 筆歷史請求對比自建模型與原 API 的輸出品質,確認可接受;第 3 週建雙卡生產環境與監控;第 4 週用 5% 真實流量做灰度,發現兩個格式邊界問題,修 prompt 解決;第 5 週流量放到 50%,壓測驗證尖峰;第 6 週全量切換,原 API 降為備援。全程使用者無感,這是照劇本走的結果,不是運氣。</p>
<p>切換後的數字:月固定成本 NT$35,000,比原帳單省六成,而且不再隨用量成長;p95 TTFT 從 2.8 秒(含跨海往返)降到 1.1 秒,台灣機房到台灣用戶的網路往返只有 5ms 上下;資安問卷的資料出境欄位從此填「否」,當季就簽下兩家原本卡關的金融客戶。他們保留了原本的商用 API 作為 fallback:自建端點健康檢查失敗時自動切換,雙保險的月成本不到 NT$1,000,因為 99% 的流量都走自建。</p>
<p>壓測方法他們也走了標準流程:用開源壓測工具重放歷史流量的放大版(平常尖峰的 1.5 倍),連續打 30 分鐘,盯 p95 延遲與錯誤率;再單獨測「長文件」路徑——履歷有一頁的也有八頁的,長輸入是延遲長尾的主要來源,單獨設超時與截斷規則後,p99 才穩下來。切換這種事,九成的信心來自壓測,一成才來自祈禱。</p>

<h2>上線後才是重點:監控、SLA 與擴容節奏</h2>
<p>推論服務的維運圍繞四個數字:p50/p95 TTFT、生成速度、佇列深度、GPU 使用率。前三個顧體驗,最後一個顧錢包——GPU 使用率長期低於 30%,表示規格買太大或該把批次任務排進離峰;佇列深度常態大於零,表示該擴容了。告警設在使用者抱怨之前:p95 TTFT 超標 20% 就通知,而不是等客服工單進來。儀表板不用花俏,四個數字加一條佇列趨勢線,值班的人一眼能看懂,就是好儀表板。</p>
<p>成本也要有月報:每月統計 token 總量、GPU 平均與尖峰使用率、換算的單位成本(每百萬 token 幾塊錢),跟商用 API 的牌價對照一次。這張報表有兩個用途——向管理層證明自建的價值持續成立,以及在用量成長到需要擴容時,用數據而不是感覺去申請預算。自建服務最怕的不是壞掉,是沒人說得清它到底省了多少錢。</p>
<p>資安層的最低標配:API key 按應用發放、每季輪替;閘道做速率限制擋暴衝與濫用;請求日誌全留但個資欄位遮罩;管理介面只開內網。這四件事一天可以做完,卻是資安問卷與稽核的必考題,別等被問到才補。</p>
<p>擴容的節奏建議「垂直先、水平後」:先把量化等級、批次參數、context 上限調到位,再考慮換大卡,最後才是多卡多副本加負載均衡。另外,推論主機與訓練主機的規格邏輯完全不同,別拿訓練的配置思維來配推論——這個常見誤區在 <a href="https://www.nss.com.tw/ai-training-vs-inference-gpu">訓練與推理的 GPU 配置邏輯</a> 有完整拆解。把這些機制建立起來,自建 API 的穩定度可以做到跟商用服務同級,成本卻是自己可控的。</p>
<p>人力配置的真實答案:一套自建推論 API 的日常維運,由一位後端工程師兼任就夠,前提是監控與告警已經自動化;需要專注投入的是前兩個月的建置與調校期。很多團隊卡在「我們沒有 AI 工程師」的心理門檻,實際上推論服務的維運技能跟一般後端服務八成重疊,缺的那兩成——顯存邏輯與引擎參數——一週可以補起來,或者選一家願意陪你調參數的主機商,把學習曲線再砍一半。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-23-points-20260714.jpg" alt="AI 推論 API 自建教學:把模型變成服務,延遲、併發與 GPU 成本的三角習題" loading="lazy"/><figcaption>▲ 把模型變成服務的三步</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>推論 API 的規格會隨產品成長而演進:從單卡 POC、雙卡生產,到多副本高可用。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、使用者資料不出境,月租 NT$15,000 起,7×24 中文技術支援,擴容時可平滑升級不中斷服務。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問可依你的併發與延遲目標試算最省的配置。</p>

<h2>常見問題 FAQ</h2><h3>自建推論 API 和呼叫商用 API,成本怎麼比?</h3><p>商用 API 按 token 計費,量小便宜;月呼叫量到百萬次後,帳單常達 NT$80,000-200,000。自建是固定月租:雙 4090 主機約 NT$35,000、H100 約 NT$60,000-80,000,用量再大也不變。月 API 費穩定超過自建月租 1.5 倍,就該評估切換。</p><h3>TTFT 和 token/s 是什麼?目標值該設多少?</h3><p>TTFT 是送出請求到第一個字出現的時間,對話產品建議 p95 壓在 1.5-2 秒內;token/s 是後續生成速度,單人閱讀 20 token/s 以上就流暢,程式生成建議 40 以上。兩者都要在「尖峰併發」下量測才有意義,單人測試的數字不能當 SLA。</p><h3>一張 RTX 4090 能撐多少併發?</h3><p>以 7B FP16 加 vLLM 估:權重 14-16GB,剩 8-10GB 給 KV cache,每路 4K context 約 0.5-1GB,尖峰 10-20 路併發可維持每路 20 token/s。32B INT4 權重占 18-20GB,單卡空間有限,併發壓在 5-8 路或改雙卡。</p><h3>vLLM 為什麼比一般部署快這麼多?</h3><p>兩個機制:PagedAttention 把 KV cache 分頁管理,顯存利用率從常見的 20-40% 拉到 90% 以上;continuous batching 讓不同請求的生成步驟交錯執行,GPU 不再等最慢的請求。合計效果是同卡吞吐提升 5-10 倍,等於直接省下 5-10 倍的硬體租金。</p><h3>KV cache 到底要預留多少顯存?</h3><p>粗略公式:每路併發、每 4K token 的 context,依模型抓 0.5-2GB(GQA 架構的新模型較省)。例如 15 路併發、平均 4K context,預留 8-30GB。實務建議:總顯存 = 權重 + KV cache 估算 + 15-20% 餘裕,上線後再用實測數據修正。</p><h3>自建 API 的延遲可以比商用 API 低嗎?</h3><p>可以,而且低很多。台灣用戶呼叫海外 API,光網路往返就 60-150ms,加上排隊常見 p95 兩三秒;自建在台灣機房,網路往返 5ms 上下,搭配合理併發配置,p95 TTFT 壓在 1 秒上下是常態。對即時互動型產品,這是體感等級的差距。</p><h3>怎麼做到服務不中斷的模型更新?</h3><p>標準做法是藍綠部署:新模型先在第二個服務副本載入並通過煙霧測試,負載均衡器再把流量切過去,舊副本觀察 24-48 小時後下線。單卡預算做不了雙副本時,選離峰時段換模型,vLLM 重載一個 14B 模型約 3-8 分鐘,公告維護窗口即可。</p><h3>需要準備 fallback 機制嗎?怎麼設計?</h3><p>建議要。常見設計:自建端點健康檢查連續失敗 3 次,閘道自動把流量切到商用 API 或備用副本,並發告警。fallback 的月成本通常不到 NT$1,000(因為 99% 流量走自建),卻能把服務可用率從單機的 99% 拉到 99.9% 以上,對外服務尤其必要。</p><h3>推論 API 的資安要注意什麼?</h3><p>最少四件:API key 發放與輪替、請求與回應日誌(留存供稽核,注意個資遮罩)、輸入輸出的敏感內容過濾、以及網路層的 IP 白名單或 VPN。自建的意義是資料不出境,但機房內的存取控制與日誌若沒做,稽核一樣過不了,第一天就要納入架構。</p><h3>從零開始自建,合理的時程是多久?</h3><p>有經驗的團隊:第 1 週選型與 POC(Ollama 加內部測試),第 2-3 週建生產環境(vLLM、監控、日誌、fallback),第 4-6 週試營運與壓測,共 4-6 週。沒有 GPU 維運經驗的話,選有 7×24 中文支援的台灣主機商可以把前期環境問題的處理時間砍掉一半以上。</p>"
                    ["post_title"]=>
                    string(93) "AI 推論 API 自建教學:把模型變成服務,延遲、併發與 GPU 成本的三角習題"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(24) "ai-inference-api-hosting"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 11:05:05"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 03:05:05"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(47) "https://www.nss.com.tw/ai-inference-api-hosting"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [2]=>
                  object(WP_Post)#36601 (24) {
                    ["ID"]=>
                    int(125230)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:21:08"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:21:08"
                    ["post_content"]=>
                    string(16169) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:商用部署 Stable Diffusion 需要什麼 GPU、出圖速度多快?</p><p style="margin:0">SD 1.5 只要 4-6GB 顯存,SDXL 建議 10-12GB,SD3.5 與 FLUX.1 要 16-24GB,一張 RTX 4090 通吃。4090 出一張 1024 的 SDXL 圖約 4-6 秒,批次月產能 15 萬張以上。台灣機房單卡月租約 NT$15,000-25,000,商用前務必逐版本確認授權。</p></div>
<p>生成式 AI 的討論度都被 LLM 占走了,但真正在台灣企業裡默默賺錢的,常常是圖像生成。電商去背改景、廣告素材 A/B 量產、遊戲美術概念圖、產品打樣視覺——這些工作流一旦導入 Stable Diffusion 系列模型,產能是用「倍」在算的。不過商用部署跟玩家在自己電腦上跑圖是兩回事:顯存要抓多少、出圖速度怎麼估產能、授權條款哪些版本能商用、服務怎麼撐住多人同時用,每一題都有具體答案。這篇指南一次講完。</p>

<h2>先盤點場景:你要的是「快」還是「多」</h2>
<p>商用圖像生成的需求分兩型。互動型:設計師在工作流裡即時生圖改圖,重點是單張延遲,最好 10 秒內出圖,不然創作節奏會斷;批次型:半夜排程量產上千張商品圖或素材變體,重點是每小時吞吐與單張成本,延遲無所謂。兩型的 GPU 配置邏輯不同——互動型值得上單卡效能最強的卡,批次型看的是「每萬張成本」,有時兩張中階卡比一張旗艦卡划算。訓練自家風格模型(LoRA)又是第三種負載,吃的資源結構不一樣,可參考 <a href="https://www.nss.com.tw/ai-training-vs-inference-gpu">訓練與推理的 GPU 配置邏輯</a>。</p>
<p>開需求會議時,把三個問題先問清楚,規格自然浮現:每月要產多少張、誰在什麼流程裡用(設計師即時創作還是系統自動批次)、素材與成品的保密等級。第三題常被跳過,卻最關鍵——未上市商品照、客戶提供的原始素材,一旦流進境外生圖服務,合約上的保密條款就破了。這也是為什麼台灣的電商、遊戲與代理商,這兩年紛紛把出圖工作流搬回自建或租用的在地主機。</p>
<p>台灣市場的需求輪廓大致是:電商與代營運要商品情境圖量產,遊戲與 IP 產業要概念圖與宣傳素材,製造業拿它做產品外觀提案與型錄視覺,行銷代理商則是廣告素材的 A/B 變體海量測試。共通點是量大、風格要穩、交期以天計——正好是自建 GPU 產線最擅長的三件事,也是按張計費的境外服務最貴的三件事。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-22-data-20260714.jpg" alt="Stable Diffusion 商用部署指南:出圖速度、顯存需求與 GPU 選型【2026】" loading="lazy"/><figcaption>▲ RTX 4090 批次月產能 15 萬張;FLUX.1 要 16-24GB</figcaption></figure>
<h2>模型版本與顯存需求:從 SD 1.5 到 FLUX</h2>
<p>2026 年還在商用戰場上的主力模型,顯存需求差距很大。SD 1.5 最老但生態最肥,512×512 原生解析度,推論只要 4-6GB,大量現成 LoRA 與 ControlNet 可用,適合量產小圖與風格固定的素材線。SDXL 是目前商用主流,1024×1024 原生解析度,推論建議 10-12GB,畫質與提示詞理解力都上一個檔次。SD 3.5 Large(8B 參數)與 FLUX.1(12B 參數)是畫質天花板,文字渲染與人手細節明顯進步,但 FP16 推論要 16-24GB,加上 ControlNet 或高解析修復流程,24GB 卡會逼近上限,FP8 量化可壓回 12-16GB,畫質損失輕微。</p>
<p>經驗上的配卡建議:純 SD 1.5 產線用 12-16GB 卡就夠;SDXL 為主、偶爾跑 FLUX,一張 RTX 4090(24GB)是甜蜜點;FLUX 全流程加訓練 LoRA,直上 48GB 的 L40S 或 RTX 6000 Ada,省去顯存調度的所有麻煩。</p>
<p>選版本時別只看畫質,要看「生態資產」。SDXL 的社群累積最厚:上千個風格 checkpoint、數萬個 LoRA、成熟的 ControlNet 全家桶(姿勢、深度、線稿、佈局控制)與 IP-Adapter 參考圖機制,商用工作流需要的「可控性」幾乎都靠這些配件堆出來,而新模型的配件生態要再等半年到一年才會齊。這就是為什麼 2026 年的商業產線上,SDXL 仍然是主力、FLUX 負責高規格單張輸出的分工格局。</p>
<p>硬體配套也交代一下:模型 checkpoint 一個 2-7GB,加上 LoRA 庫與 ControlNet 權重,硬碟直接抓 1TB NVMe 起跳;系統記憶體 32-64GB,模型切換與批次排程時吃得兇;輸出圖的儲存與備份另外算,量產線一個月幾百 GB 很正常。這些配套在租用方案裡先確認清楚,比事後加購省事。</p>

<h2>出圖速度對照:秒數背後是產能與成本</h2>
<table>
<thead><tr><th>GPU</th><th>SDXL 1024×1024(30 步)</th><th>FLUX.1 dev(20 步)</th><th>批次月產能估算(SDXL)</th></tr></thead>
<tbody>
<tr><td>RTX 4090 24GB</td><td>約 4-6 秒/張</td><td>約 15-25 秒/張</td><td>15-25 萬張</td></tr>
<tr><td>L40S 48GB</td><td>約 5-8 秒/張</td><td>約 18-30 秒/張</td><td>12-20 萬張</td></tr>
<tr><td>H100 80GB</td><td>約 2.5-4 秒/張</td><td>約 8-15 秒/張</td><td>25-40 萬張</td></tr>
</tbody>
</table>
<p>幾個讓數字更準的細節。步數影響線性:20 步的時間約是 30 步的三分之二,搭配 LCM/Turbo 類加速技術可壓到 4-8 步,速度翻好幾倍,適合先快速出草稿再精修的流程。高解析放大(upscale)與 ControlNet 每加一層,時間多 30-100%。還有排隊時間:多人共用時真正的體感延遲是「生成時間加排隊」,這就是下一節服務化要解的問題。用月產能回推,一張 4090 主機月租 NT$15,000-25,000,量產情境的單張成本不到 NT$0.2,跟按張計費的雲端生圖 API(單張約 NT$0.5-4)差距一個數量級。</p>
<p>還想再壓速度,加速堆疊照這個順序上:先確認 FP16 與高效注意力機制(新版框架多半預設開啟),再套 LCM 或 Turbo 類的少步數模型,最後才是 TensorRT 編譯——它能再快 30-50%,但每換一個模型或解析度都要重新編譯,適合模型固定的量產線,不適合天天換風格的創作環境。互動與批次的參數也不同:互動用 batch 1 求快,批次拉 batch 4-8 榨吞吐,同一張卡兩種設定的時薪產能差三成以上。</p>
<p>解析度是另一個常被低估的變數:同一張卡,SDXL 從 1024 拉到 1536 見方,時間接近翻倍;要 2048 以上的大圖,先出 1024 再走放大流程,品質更穩、總時間反而更短。至於負向提示詞與 CFG 這類參數,對速度影響輕微,放心按品質需求調,產能規劃時不用把它們算進變數。</p>

<h2>商用授權地雷:每個版本規則都不一樣</h2>
<p>技術選型前,先讓法務看授權,這是圖像生成商用化最常翻車的地方。SD 1.5 與 SDXL 用 CreativeML OpenRAIL 系授權,商用基本開放,但有禁止用途清單;SD 3.5 用 Stability AI 社群授權,年營收 100 萬美元以下企業可免費商用,超過要買企業授權;FLUX.1 要特別小心:schnell 版是 Apache 2.0 隨便用,dev 版是非商用授權,拿 dev 直接做商業服務就是違約,商用要走 BFL 的授權方案。</p>
<p>另外兩件事一起交代:生成內容的著作權在台灣現行實務下,純 AI 產出難以主張著作權保護,商業使用要靠人工參與創作與合約安排;訓練自家 LoRA 用的素材,確認你有權利使用,拿客戶圖庫訓練前先把授權條款寫進合約。這些功課做在前面,比出事後補救便宜太多。</p>
<p>管理上建議建一張「授權清冊」:表列每個在用的模型與 LoRA、授權類型、可否商用、來源連結與下載日期,新模型進產線前先過這張表。特別注意合併模型(merge)與微調衍生版——它們繼承原始模型的授權,拿非商用底模 merge 出來的東西照樣不能商用;社群下載的風格 LoRA 更是重災區,訓練素材來路不明的,商業案子直接避開。這張清冊花一天建立,能擋掉未來九成的授權糾紛。</p>
<p>再往前看一步:主要平台與廣告通路陸續要求 AI 生成內容標示,台灣的主管機關也在跟進研議。把「AI 生成、人工審核」的標示與紀錄機制先做進流程,產出的每張圖都留有模型版本與參數的中繼資料,未來法規落地時你只需要開個開關,而不是回頭補三個月的資料。</p>

<h2>台灣案例:電商代營運的出圖農場</h2>
<p>一家台北的電商代營運公司,替 40 多個品牌管商品頁,長期痛點是攝影棚產能:一檔活動要 300-500 張情境圖,外包攝影單張 NT$300-800、來回兩週。他們在台灣機房租了兩台 RTX 4090 主機(月租合計約 NT$40,000)建出圖農場:白天設計師用 ComfyUI 做互動創作與修圖,晚上跑批次——商品去背後套 SDXL 情境模板,自動生成不同場景、光線、節慶主題的變體,隔天早上人工挑圖。</p>
<p>三個月後的數字:每月產出約 6 萬張候選圖、採用約 4,500 張,單張採用成本從外包的數百元降到十位數;一檔活動的素材製作週期從兩週壓到三天。品牌客戶在意的資料問題也順帶解決——商品原始圖與未上市新品照全部留在台灣機房,不經過任何境外生圖服務,代營運合約裡的保密條款直接過關。機器在台灣還有個實際好處:傳輸大批 PSD 與成品圖走內網或國內頻寬,幾 GB 的檔案分鐘級搞定,不用跟跨海頻寬搏鬥。</p>
<p>他們的批次工作流值得拆開看:商品圖先自動去背與構圖對位,套用預先調好的 SDXL 情境模板(棚拍、居家、戶外、節慶四大類),ControlNet 鎖住商品輪廓避免變形,生成後自動跑一輪放大與色彩校正,再進人工挑圖。每個商品產 12 個變體、人工挑留 1-2 張,挑圖率穩定在一成上下——這個數字很重要,產能規劃時要用「候選張數」而不是「採用張數」去算 GPU 需求,兩者差了十倍。</p>

<h2>服務化:讓一張卡服務一個部門</h2>
<p>單機跑 ComfyUI 或 WebUI 是個人用法,商用部署要加三層。佇列層:用 Redis 或內建 queue 把請求排隊,尖峰時設計師看到的是「排隊中第 3 位」而不是逾時錯誤;API 層:把常用工作流(去背、換景、放大)固化成參數化 API,讓 PM 與行銷不碰節點圖也能出圖;資產層:模型、LoRA、工作流版本化管理,不然三個月後沒人知道哪個 checkpoint 配哪個 LoRA 才能重現當初的風格。這套 API 化的思路與 LLM 服務共通,可參考 <a href="https://www.nss.com.tw/ai-inference-api-hosting">AI 推論 API 自建教學</a>。</p>
<p>容量規劃的粗略公式:一張 4090 跑 SDXL 約每分鐘 10-15 張,一個 10 人設計團隊的互動使用加上夜間批次,單卡通常夠;超過 20 人或有對外服務,再加卡做負載分流。從一張卡開始,用佇列長度數據決定何時擴充,比一次到位猜規格務實。</p>
<p>維運面把四件事自動化就很省心:任務失敗自動重試(顯存偶發不足、模型載入逾時是常客)、每日產能與佇列報表、輸出內容的安全過濾(商用環境必開,尤其是開放自由 prompt 的內部工具)、以及模型與工作流的版本備份。監控指標盯兩個就夠——平均單張生成時間(飆高代表有人塞了超大解析度或掛錯模型)與佇列等待 p95(超過一分鐘就是擴充訊號)。這套機制建好,一個設計部門的出圖農場,每週維運時間可以壓在兩小時內。</p>
<p>若農場要服務多個部門或多個客戶,再加一層簡單的配額管理:每個專案有月度張數配額與優先級,超額走申請流程。這不是官僚,是讓產能衝突浮上檯面的機制——沒有配額的共用農場,三個月後一定演變成先搶先贏,協調的隱形成本比寫這層邏輯高得多。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-22-points-20260714.jpg" alt="Stable Diffusion 商用部署指南:出圖速度、顯存需求與 GPU 選型【2026】" loading="lazy"/><figcaption>▲ SD 商用部署的三個檢核</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>圖像生成的商用部署,從單張 RTX 4090 的設計部門共用機,到多卡 H100 的量產農場,規格跨度很大。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、素材與商業資料不出境,月租 NT$15,000 起,7×24 中文技術支援,產能不夠隨時加卡。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問可依你的出圖量與工作流建議配置。</p>

<h2>常見問題 FAQ</h2><h3>跑 Stable Diffusion 最少需要多少顯存?</h3><p>SD 1.5 推論 4-6GB 就能跑,SDXL 建議 10-12GB,SD 3.5 Large 與 FLUX.1 需要 16-24GB(FP8 量化可壓到 12-16GB)。商用環境建議直接配 24GB 的 RTX 4090:主流模型全部通吃,還留得下 ControlNet 與放大流程的空間。</p><h3>RTX 4090 出一張圖要幾秒?</h3><p>SDXL 1024×1024、30 步約 4-6 秒;SD 1.5 的 512 小圖 1-2 秒;FLUX.1 dev 20 步約 15-25 秒。搭配 LCM/Turbo 加速可把步數壓到 4-8 步,SDXL 能進到 2 秒內。批次量產時單卡每小時穩定產出 600-900 張 SDXL 圖。</p><h3>哪些 Stable Diffusion 版本可以商用?</h3><p>SD 1.5 與 SDXL 走 OpenRAIL 系授權,商用開放但有禁止用途;SD 3.5 對年營收 100 萬美元以下企業免費商用,超過需企業授權;FLUX.1 schnell 是 Apache 2.0 可自由商用,dev 版為非商用授權,商業服務必須另購授權。上線前務必逐版本核對。</p><h3>商用出圖該自建 GPU 還是用生圖 API?</h3><p>月出圖量是分水嶺。雲端 API 單張約 NT$0.5-4,月產一萬張就要 NT$5,000-40,000 且素材要上傳境外;自建單卡 4090 主機月租 NT$15,000-25,000,月產能 15 萬張以上,單張成本壓到 NT$0.2 以下。月量破萬張或素材敏感,自建幾乎必勝。</p><h3>SDXL 和 FLUX 該選哪個?</h3><p>量產與生態優先選 SDXL:速度快 3-5 倍、LoRA 與 ControlNet 資源最齊,商品圖情境圖綽綽有餘。文字渲染、手部細節、複雜構圖要求高的主視覺,才用 FLUX 或 SD 3.5。多數團隊的實務解是雙軌:SDXL 跑量、FLUX 出精稿,一張 24GB 卡就能切換。</p><h3>一個 10 人設計團隊需要幾張卡?</h3><p>通常一張 RTX 4090 就夠:互動使用尖峰約 3-5 人同時排隊,SDXL 每張 4-6 秒,佇列體感仍順;夜間再排批次任務把閒置時段用滿。建議先單卡上線、監控佇列長度,平均等待常態超過 30 秒再加第二張卡,擴充有數據依據。</p><h3>訓練自己風格的 LoRA 需要什麼規格?</h3><p>SDXL LoRA 用 20-100 張標註圖、24GB 顯存的卡訓練 1-3 小時就有可用結果;FLUX LoRA 建議 24-48GB 顯存、時間再多五成。重點反而在素材權利:訓練圖要有合法使用權,替客戶訓練品牌風格模型時,把素材授權與產出歸屬寫進合約。</p><h3>出圖服務多人共用要怎麼架?</h3><p>標準架構三層:ComfyUI 或 Diffusers 當生成核心,前面加佇列(Redis/RabbitMQ)吸收尖峰,再包一層參數化 API 讓非技術同事直接用固定工作流。搭配任務優先級(互動優先、批次讓路),單卡就能同時服務設計部門與夜間量產線。</p><h3>生成的圖片著作權歸誰?可以商用嗎?</h3><p>台灣現行實務上,無人類創作參與的純 AI 產出難以取得著作權保護;有實質人為創作(構圖指導、後製合成)的成品較有主張空間。商用本身可行,但建議以合約約定產出的使用權歸屬,並保留創作過程紀錄,以降低爭議風險。</p><h3>顯存不足會發生什麼事?怎麼緩解?</h3><p>輕則自動切到 CPU/RAM 分流讓速度掉 5-10 倍,重則直接 OOM 中斷任務。緩解手段依序:改用 FP8/半精度、降批次數、關閉不必要的 ControlNet、用 tiled VAE 分塊處理高解析圖。若每天都在用這些手段,就是該升 48GB 卡的訊號。</p>"
                    ["post_title"]=>
                    string(87) "Stable Diffusion 商用部署指南:出圖速度、顯存需求與 GPU 選型【2026】"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(31) "stable-diffusion-gpu-deployment"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 11:04:09"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 03:04:09"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(54) "https://www.nss.com.tw/stable-diffusion-gpu-deployment"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [3]=>
                  object(WP_Post)#36603 (24) {
                    ["ID"]=>
                    int(125229)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:21:07"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:21:07"
                    ["post_content"]=>
                    string(16593) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:DeepSeek R1 各版本分別需要什麼 GPU 才能跑?</p><p style="margin:0">蒸餾版 7B/8B 需 14-16GB 顯存,一張 RTX 4090 可跑;32B 的 INT4 量化約 18-20GB、FP16 要 64-70GB;70B 要 140-150GB,建議雙 H100。滿血 671B 是 MoE 架構,FP8 需 700GB 以上、8×H200 等級。多數企業從 32B 蒸餾版起手。</p></div>
<p>DeepSeek R1 在 2025 年初用一紙 MIT 授權和逼近閉源旗艦的推理能力,把「企業自建 AI」的門檻直接砍了一截。一年多過去,它仍是台灣企業私有部署詢問度最高的模型家族——但也是版本誤會最多的一個。很多人以為自己要部署的是「那個 671B 的 DeepSeek」,實際上多數場景該用的是 7B 到 70B 的蒸餾版,兩者的硬體需求差了一個數量級,月租差距可以從一萬五到七位數。這篇把每個版本的 GPU 需求、實測速度、適用場景一次對照清楚,再給出台灣企業的選版決策路徑,幫你把預算花在真正需要的推理能力上。</p>

<h2>R1 為什麼紅:推理模型加 MIT 授權</h2>
<p>R1 屬於推理模型(reasoning model):回答前會先生成一長段思考鏈,把問題拆解、驗算、自我修正,再給出答案。這讓它在數學、程式、邏輯分析、複雜文件比對這類任務上,表現遠超同尺寸的一般指令模型。對企業更關鍵的是授權:MIT 授權幾乎沒有商用限制,可以改、可以蒸餾、可以包進產品賣,法務審查的阻力比社群授權的模型小得多。</p>
<p>代價也要先講明:思考鏈是用 token 買來的。同一個問題,一般模型 300 字收工,R1 可能先「想」2,000 到 8,000 個 token 才開始回答,輸出總量常是 3-10 倍,回應時間以十秒到分鐘計,KV cache 的顯存占用也跟著暴增。簡單的分類、摘要、格式轉換用 R1 是浪費——更慢、更貴、還不見得更準;R1 的主場是「答錯成本很高、值得讓它想久一點」的題目:合約條款衝突檢查、財務數字勾稽、程式除錯、多條件的方案評估。</p>
<p>務實的部署形態因此很清楚:R1 幾乎不會是企業唯一的模型,而是跟一般指令模型並排,由應用層按任務路由——日常雜務走快的,難題走 R1。這個「雙模型」前提會影響你後面每一個規格決策。</p>
<p>判斷哪些任務值得導到 R1,有個很土但有效的方法:把過去三個月人工修改率最高的十類任務攤開,圈出「錯了會賠錢」的那幾類——對帳異常分析、報價條件檢核、程式碼審查、合約風險標記。以一家導入過的公司為例,R1 只接手全系統 15% 的流量,卻消化掉了返工與客訴成本的大宗;剩下 85% 的摘要翻譯雜務,繼續讓一般模型用三分之一的成本跑。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-21-data-20260714.jpg" alt="DeepSeek R1 該選哪個版本?7B/32B/70B/671B 的 GPU 需求對照表與部署實測" loading="lazy"/><figcaption>▲ 蒸餾版 7B/8B 需 14-16GB;滿血 671B FP8 需 700GB 以上</figcaption></figure>
<h2>版本釐清:滿血 671B 與蒸餾版是兩回事</h2>
<p>DeepSeek R1 本尊是 671B 參數的 MoE(混合專家)模型。MoE 的特性是每次推論只「啟用」約 37B 參數,計算量像個中型模型,但路由器隨時可能點名任何一組專家,所以全部 671B 的權重都得待在顯存裡——這就是為什麼它計算不算太重、顯存需求卻是怪獸級:FP8 精度下要 700GB 以上,屬於 8×H200 單機或雙節點 8×H100 的世界。</p>
<p>官方同步釋出了一整排蒸餾版:以 Qwen 為底的 1.5B、7B、14B、32B,和以 Llama 為底的 8B、70B,用 R1 生成的推理資料訓練,學到了思考鏈的行為模式,能力隨尺寸遞減。底模血統有實務意義:Qwen 底的版本中文表現通常較穩,Llama 底的英文生態工具較齊,做繁中應用的台灣企業多半從 Qwen 底的 14B 或 32B 開始測。</p>
<p>坊間常見的誤解是「蒸餾版是閹割品,沒有價值」。實測結論恰好相反:32B 蒸餾版在多數企業推理任務上已能交付可用的品質,而部署成本只要滿血版的二十分之一。務實的問法不是「要不要上 671B」,而是「32B 夠不夠、什麼題目才值得升 70B」。</p>
<p>下載時的命名陷阱也提醒一下:模型倉庫上叫 DeepSeek-R1 的是 671B 本尊,蒸餾版的全名是 DeepSeek-R1-Distill-Qwen-32B 這種格式,少看一眼就會下錯檔案;社群還流通大量第三方微調與量化變體,品質參差不齊。企業部署建議認官方帳號的權重,量化版挑下載量大、附評測數據的來源,並把檔案雜湊值記進部署文件,日後出現怪行為才有辦法追查到底是模型的問題還是自己的問題。</p>

<h2>GPU 需求對照表:1.5B 到 671B</h2>
<table>
<thead><tr><th>版本</th><th>FP16 顯存需求</th><th>INT4 量化顯存</th><th>建議配置</th><th>單流速度參考</th></tr></thead>
<tbody>
<tr><td>R1-Distill 1.5B</td><td>3-4GB</td><td>1-2GB</td><td>任何現代 GPU</td><td>100+ token/s</td></tr>
<tr><td>R1-Distill 7B/8B</td><td>14-16GB</td><td>5-6GB</td><td>1×RTX 4090</td><td>60-100 token/s</td></tr>
<tr><td>R1-Distill 14B</td><td>28-32GB</td><td>9-11GB</td><td>1×RTX 4090(INT4)</td><td>35-60 token/s</td></tr>
<tr><td>R1-Distill 32B</td><td>64-70GB</td><td>18-20GB</td><td>1×4090(INT4)或 1×H100(FP16)</td><td>25-45 token/s</td></tr>
<tr><td>R1-Distill 70B</td><td>140-150GB</td><td>40-45GB</td><td>2×H100(FP16)或 2×4090(INT4)</td><td>15-30 token/s</td></tr>
<tr><td>R1 滿血 671B(MoE)</td><td>FP8 700GB 以上</td><td>約 350-400GB</td><td>8×H200 或雙節點 8×H100</td><td>依配置 10-25 token/s</td></tr>
</tbody>
</table>
<p>表中速度是單使用者連續生成的區間值,實際會隨推論引擎、context 長度與量化方式浮動。另外提醒:R1 系列因為思考鏈很長,顯存要在權重之外多留 20-40% 給 KV cache,尤其是 32B 以上搭配 8K-32K context 的場景,這筆帳漏算是部署後 OOM(顯存不足)的頭號原因。</p>
<p>量化格式的選擇也交代一下:走 vLLM 生產部署,選 AWQ 或 GPTQ 的 4-bit 版本,吞吐與相容性最好;用 Ollama 快速起步,抓 GGUF 格式的 Q4_K_M 等級即可,品質與體積的平衡點很成熟。同一個 32B,不同量化等級的顯存可以差出 5GB 以上,下載前先看清楚檔名後綴,別拿 Q8 的檔案塞 24GB 的卡。</p>
<p>context 長度對顯存的影響值得單獨講:同樣是 32B INT4,限制 8K context 的服務跟開放 32K 的服務,KV cache 預算差了四倍。文件分析型應用——把整份合約或規格書丟進去那種——幾乎都要 16K 起跳,這時單卡 24GB 就不夠看了,直接規劃 48GB 卡或雙卡配置,省得上線一週就被顯存不足的警報追著跑。</p>

<h2>部署實測筆記:三種常見配置的真實表現</h2>
<p>我們在台灣機房實際部署過的三種典型配置,數字給你參考。配置一:單張 RTX 4090 跑 32B 的 INT4 量化版(AWQ),Ollama 起服務,單流輸出 25-35 token/s,一題需要完整思考鏈的分析題約 40-90 秒跑完,適合 10-30 人的內部使用。配置二:單張 H100 80GB 跑 32B FP16 配 vLLM,單流 40-55 token/s,continuous batching 下同時服務 15-20 路併發仍能維持每路 20 token/s 以上,適合百人級企業或對外服務。</p>
<p>配置三:雙 4090 跑 70B INT4,張量平行切兩卡,單流 15-22 token/s。品質上,70B 對 32B 的優勢集中在長鏈推理與艱深領域題,一般企業問答的盲測勝率差距約一成;但速度慢了四成,月租多一倍。這也是為什麼我們最常給的建議是:32B 起手,用你自己的題目測,證明不夠再升級。</p>
<p>兩個實測才會知道的細節。TTFT(第一個字出現的時間)在 R1 上要重新理解:如果你把思考鏈隱藏、只給最終答案,使用者會盯著空白畫面等一兩分鐘,體驗極差——建議至少顯示「思考中」的進度或摘要。還有思考長度的長尾:同一個模型,九成題目 2,000 token 內想完,偶爾一題會想到 10,000 token 以上,不設上限的話,尖峰時段一題就能拖垮整條佇列,上線前一定要配 token 預算與逾時截斷。完整的模型挑選方法論可以參考 <a href="https://www.nss.com.tw/private-llm-deployment">私有 LLM 部署完整攻略</a>。</p>
<p>上線前的壓測劇本照抄即可:用歷史真題組一個 100 題的混合集,短題七成、長題三成,以目標併發數灌進去跑半小時,記錄 p50/p95 延遲、總吞吐與截斷率;再故意塞進三題已知會想很久的難題,確認佇列調度不會被單題塞死。這套流程一個下午跑得完,能提前抓出九成的容量問題,比上線後被使用者抓到便宜太多。</p>

<h2>台灣企業怎麼選:法遵是加分題,任務是必考題</h2>
<p>R1 對台灣企業還有一層現實意義:它讓「資料不出境的高階推理能力」變成可負擔的選項。金融業要分析內部審計報告、製造業要比對製程異常紀錄、律所要跑合約條款審閱——這些資料按個資法與各行業主管機關的要求,出境都是麻煩事,而 R1 蒸餾版讓這類任務可以完全在台灣機房內完成,MIT 授權也讓法務不用再為商用條款開好幾輪會。</p>
<p>一家新竹的 IC 設計服務公司是很典型的樣板:他們用單張 H100 跑 32B 蒸餾版,做內部技術文件的推理問答與規格衝突檢查,規格書與客戶資料全程不落地到任何境外服務,法遵審查兩週過件。導入時他們拿 50 題歷史案例盲測,32B 在「找出兩版規格書的矛盾點」這類題目的命中率約八成五,資深工程師的平均審閱時間從 50 分鐘降到 15 分鐘——剩下的一成五漏網,由人工複核補上,人機分工反而比全自動更受工程師信任。</p>
<p>金融場景再給一個輪廓:某投顧團隊把 32B 蒸餾版接進晨會流程,清晨自動比對前一日的公告與研究底稿,標記數字不一致或說法矛盾的段落,供研究員開盤前複核。跑在單張 H100 上,每天處理約 300 份文件,負載尖峰集中在清晨 6 到 8 點,其餘時段這張卡就轉去服務一般的內部問答——推理模型與指令模型共用硬體、分時排程,是把 H100 月租攤薄的標準做法,值得直接抄進你的架構。</p>
<p>選版的決策樹很短:預算單卡 24GB 以內,選 7B/8B 做輔助性任務;要正經的推理品質,32B INT4 是性價比之王;唯有當你用 50 題實際業務題盲測、確認 32B 明顯不夠,才考慮 70B;至於滿血 671B,除非你要對外提供旗艦級 AI 服務或做模型研究,否則多數企業碰不到需要它的那一天。</p>

<h2>從模型到服務:上線前的最後三關</h2>
<p>選好版本只是一半,R1 上線還有三個特有的坑。思考鏈的顯示策略:內部工具可以顯示完整推理過程輔助查核,對外服務通常隱藏、只回最終答案,兩者的 token 成本與體驗設計差好幾倍,要在產品設計時就決定。context 與併發的預算:R1 一題思考動輒數千 token,32B FP16 每路 4K context 的 KV cache 約再吃 1-2GB,併發數要按這個帳去乘。超時與截斷機制:給思考鏈設 token 上限(常見 4K-8K)與逾時保護,避免個別難題把整個服務卡死。</p>
<p>監控也要為推理模型調整:除了常規的延遲與吞吐,多看兩個指標——平均思考 token 數(突然變長常代表題型漂移或 prompt 被改壞)與截斷率(超過 5% 就該檢討上限設定或題目分流)。搭配每月一次的答案品質抽查,R1 服務才能長期穩定。版本更新也要守紀律:新版蒸餾模型先進影子環境跑一週,對同一批題目比較思考長度與答案品質,確認沒有回歸再切流量;思考鏈行為對系統提示詞極度敏感,任何一行改動都要走同一套回歸,別讓小改動把平均思考長度翻倍,延遲跟成本一起爆炸。這些服務化細節——OpenAI 相容 API、批次策略、告警設計——的完整做法,見 <a href="https://www.nss.com.tw/ai-inference-api-hosting">AI 推論 API 自建教學</a>。把這三關過完,R1 才算真正從「跑得動」變成「用得住」。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-21-points-20260714.jpg" alt="DeepSeek R1 該選哪個版本?7B/32B/70B/671B 的 GPU 需求對照表與部署實測" loading="lazy"/><figcaption>▲ DeepSeek R1 版本對照</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>部署 R1 蒸餾版,從單張 RTX 4090 跑 32B INT4,到雙 H100 跑 70B FP16,規格彈性很大。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,可以先租單卡驗證、確認版本後再升級。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問會依你的任務類型建議 R1 版本與對應規格。</p>

<h2>常見問題 FAQ</h2><h3>DeepSeek R1 滿血版和蒸餾版差在哪?</h3><p>滿血版是 671B 的 MoE 模型,推理能力最強,但 FP8 就要 700GB 以上顯存,屬於 8×H200 等級的部署;蒸餾版是把 R1 的推理風格訓進 Qwen/Llama 底模,有 1.5B 到 70B 六個尺寸,一張 RTX 4090 就能起步。多數企業任務用 32B 蒸餾版已可交付。</p><h3>一張 RTX 4090 可以跑哪個版本的 R1?</h3><p>24GB 可跑:7B/8B 的 FP16 版(14-16GB)、14B 的 INT4 版(9-11GB)、32B 的 INT4 版(18-20GB,較緊)。跑 32B 時建議把 context 控制在 8K 內,留足 KV cache 空間,單流速度約 25-35 token/s,內部使用夠流暢。</p><h3>部署滿血 671B 需要什麼等級的硬體?</h3><p>FP8 精度需要 700GB 以上顯存,對應 8×H200(1,128GB)單機,或雙節點 8×H100 加高速互連;INT4 量化可壓到 350-400GB,單機 8×H100(640GB)勉強可行。這是月租七位數的等級,建議先確認 32B/70B 蒸餾版真的不敷使用再評估。</p><h3>R1 是推理模型,和一般 LLM 用起來差在哪?</h3><p>R1 回答前會先輸出思考鏈,自我拆解與驗算,數學、程式、邏輯題的正確率明顯高於同尺寸一般模型;代價是輸出 token 常多 3-10 倍、回應時間以十秒計。簡單的摘要分類任務用一般模型更划算,R1 適合答錯成本高的分析型任務。</p><h3>R1 蒸餾版的實際生成速度多快?</h3><p>單使用者:7B 在 4090 上約 60-100 token/s,32B INT4 約 25-35,H100 跑 32B FP16 約 40-55,70B INT4 雙 4090 約 15-22。加上思考鏈長度,一題完整推理常需 30 秒到 2 分鐘,設計使用者體驗時要把等待時間納入。</p><h3>為什麼說 32B 是企業部署的甜蜜點?</h3><p>32B 蒸餾版的推理品質已足夠處理多數企業分析任務,INT4 量化後 18-20GB 顯存讓單張 24GB 卡就能服務,月租成本約 NT$15,000-25,000;升到 70B 品質提升約一成,成本卻翻倍。先用 32B 搭配自家題庫實測,確認不足再升級,是最省錢的路徑。</p><h3>R1 的 KV cache 為什麼特別吃顯存?</h3><p>思考鏈讓每次生成的 token 數暴增,context 累積得比一般模型快。以 32B FP16 為例,每路 4K context 的 KV cache 約 1-2GB,10 路併發就要再多 10-20GB。部署時顯存要在權重外預留 20-40%,並給思考鏈設 4K-8K 的 token 上限。</p><h3>R1 可以商用嗎?授權有什麼限制?</h3><p>R1 與其蒸餾版採 MIT 授權,可商用、可修改、可再散布,幾乎沒有附帶條件,是目前主流開源模型中授權最寬鬆的之一。注意蒸餾版的底模授權仍要一併確認:Qwen 底的多為 Apache 2.0,Llama 底的要遵循 Meta 社群授權條款。</p><h3>用 R1 做繁體中文任務,表現如何?</h3><p>R1 系列的中文能力整體優秀,繁中輸出偶有簡繁混用,可用系統提示詞強制繁體並搭配後處理修正,實務上處理後的繁中可用率在 95% 以上。對用字精確度要求極高的場景(法律、公文),建議在評測集加入用字檢查項目再決定版本。</p><h3>從下載模型到上線服務,大概要多久?</h3><p>單卡跑蒸餾版的話很快:權重下載數十 GB 約半天,Ollama 或 vLLM 起服務 1-2 小時,加上內部評測與提示詞調校,一週內可完成 POC。正式上線含權限、日誌與監控,常見時程是 3-6 週。滿血版因涉及多卡多節點調校,要另抓 2-4 週。</p>"
                    ["post_title"]=>
                    string(85) "DeepSeek R1 該選哪個版本?7B/32B/70B/671B 的 GPU 需求對照表與部署實測"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(28) "deepseek-r1-gpu-requirements"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 11:03:12"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 03:03:12"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(51) "https://www.nss.com.tw/deepseek-r1-gpu-requirements"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [4]=>
                  object(WP_Post)#36605 (24) {
                    ["ID"]=>
                    int(125228)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:21:06"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:21:06"
                    ["post_content"]=>
                    string(16646) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:什麼時候一台 GPU 主機不夠用、需要多節點分散式訓練?</p><p style="margin:0">單台 8×H100 約有 640GB 顯存,70B 的 LoRA 微調、32B 以下全參數微調都夠;要全參數訓練 70B(需 700GB 以上)或做預訓練才須跨節點。關鍵不是卡數而是網路:節點間至少 100Gbps 的 InfiniBand 或 RoCE,否則通訊等待會吃掉 30-40% 算力,加卡不加速。</p></div>
<p>「一張 GPU 不夠,那我多租幾台主機串起來就好了吧?」這句話對了一半。多節點分散式訓練確實是大模型時代的標準解法,但它不是把主機疊起來就會變快的魔法:節點之間的網路頻寬、平行策略的選擇、故障恢復的機制,任何一環沒做對,你花三倍的錢可能只換到 1.5 倍的速度。這篇入門文把「什麼時候真的需要多節點」講清楚,再用白話拆解幾種平行策略與網路需求,並用一個台灣新創的實際訓練專案示範怎麼把叢集用在刀口上。看完的目標很務實:讓你在對的時間點做對的擴充決策,而不是提早半年付叢集的錢。</p>

<h2>先算清楚:一台主機的天花板在哪</h2>
<p>2026 年的主流訓練主機是單機 8 卡:8×H100 80GB 共 640GB 顯存,或 8×H200 141GB 共 1,128GB。這個容量能做什麼?以 FP16 混合精度、AdamW 優化器估算,全參數微調的顯存需求約是模型權重的 8-10 倍:7B 需要 110-140GB,單機輕鬆;32B 約 500GB,單機 8×H100 緊繃但可行;70B 需要 700GB 以上,單機 H100 裝不下,這就是第一道跨節點的門檻。</p>
<p>把 70B 的帳攤開看會更有感:FP16 權重 140GB、梯度再 140GB、AdamW 優化器狀態(FP32)約 560GB,合計 840GB 還沒算激活值——就算開滿 gradient checkpointing 與 ZeRO 分片,640GB 的單機也是塞不進去的,這不是調參數能解的問題,是物理限制。反過來說,8×H200 的 1,128GB 單機就能硬扛,所以「要不要跨節點」有時候也是「要不要換更大單機」的選擇題,兩個方案都該拿來報價比較。</p>
<p>換成 LoRA 這類參數高效微調,帳完全不同:70B 的 LoRA 只要 150-190GB,兩三張 H100 就夠,根本不用跨節點。所以判斷的順序應該是:先確認你的訓練方式(全參數還是 LoRA)、模型規模與資料量,再回頭看單機夠不夠。訓練與推論的顯存邏輯差異,可以參考 <a href="https://www.nss.com.tw/ai-training-vs-inference-gpu">訓練與推理的 GPU 配置邏輯</a>。</p>
<p>除了「放不放得下」,另一個天花板是「跑不跑得完」。訓練時間大致與「資料 token 數乘以模型參數量」成正比:同樣 300 億 token 的語料,14B 模型用單機 8×H100 要跑一個多月,16 卡叢集能壓進三週;若是 70B,單機就算塞得下也要跑上季度等級,商業上根本等不起。所以多節點的第二個理由是時程——當「慢慢跑」的時間成本超過「租叢集」的價差,跨節點就從奢侈品變成必需品,這筆帳要拿專案死線來算,不是拿硬體價格算。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-20-data-20260714.jpg" alt="多節點分散式訓練入門:什麼時候一台 GPU 主機不夠用?叢集架構與網路需求" loading="lazy"/><figcaption>▲ 網路不夠快,通訊等待吃掉 30-40% 算力:加卡不加速</figcaption></figure>
<h2>四種平行策略,白話拆解</h2>
<p>資料平行(Data Parallel)最直觀:每張卡放一份完整模型,各吃不同批次的資料,反向傳播後同步梯度。前提是單卡放得下整個模型,所以它解決的是「訓練太慢」而不是「模型太大」。ZeRO 與 FSDP 是資料平行的進化版,把優化器狀態、梯度、甚至權重切碎分散到各卡,讓每卡只保管一部分,單卡顯存需求大幅下降,是目前中型規模訓練的主力。</p>
<p>張量平行(Tensor Parallel)把單一層的矩陣運算切開,由多張卡合力算一層,通訊極度頻繁,基本上只能在有 NVLink 的同一台主機內做。管線平行(Pipeline Parallel)則把模型按層切段,前幾層放節點一、後幾層放節點二,像工廠流水線。真正的大規模訓練是三者混用:節點內張量平行、節點間管線加資料平行。</p>
<p>對號入座的口訣:模型放得下單卡、只嫌慢——用資料平行;模型放不下單卡、但單機多卡總量夠——ZeRO/FSDP 或張量平行;單機總量都不夠——管線平行加資料平行跨節點。好消息是你不需要手刻這些,DeepSpeed、Megatron-LM、PyTorch FSDP 都把策略包好了,設定檔幾行就能切換;壞消息是框架不會幫你判斷哪種組合適合你的模型與網路,這個功課還是得自己做,而且選錯組合的代價是以「天」計的訓練時間。</p>
<p>ZeRO 的三個階段也值得認識一下,因為它是最多人實際用到的:stage 1 只切優化器狀態,通訊負擔最小;stage 2 加切梯度;stage 3 連權重都切,單卡顯存壓到最低、通訊也最重。實務上的起手式是 stage 2 配 gradient checkpointing,不夠再上 stage 3;另有 offload 選項能把狀態丟到 CPU 記憶體換更多空間,速度會再掉兩三成,適合「就差一點點塞不下」的邊界情況。</p>

<h2>網路才是主角:頻寬決定加卡有沒有意義</h2>
<p>多節點訓練的成敗,八成取決於節點之間的網路。看幾個數量級就懂:單機內 NVLink 的卡對卡頻寬約 900GB/s,PCIe 5.0 x16 約 64GB/s,而一般企業機房的 10GbE 乙太網路換算只有 1.25GB/s——差了七百倍。梯度同步是每一步訓練都要做的事,若網路太慢,GPU 會有 30-40% 甚至更多時間在等資料,你付的是 8 卡的錢,拿到 5 卡的效能。</p>
<p>具體算一次你就不會再懷疑這件事:70B 模型的 FP16 梯度一份 140GB,資料平行每一步都要做全體同步(all-reduce 的實際傳輸量約是梯度量的兩倍),在 10GbE 上光傳輸就要上百秒,而一步的計算時間可能只有幾秒——網路慢到這種程度,加節點是負優化。換成 100Gbps(12.5GB/s)的 RDMA 網路,加上 NCCL 的通訊與計算重疊技術,同步時間能壓到與計算時間同級,叢集才開始「像一台機器」。</p>
<p>所以跨節點訓練的入場標準是:節點間至少 100Gbps 的 InfiniBand 或 RoCE,大型叢集普遍上到 400Gbps。搭配得當,2-4 節點的擴展效率(scaling efficiency)可以維持在 85-95%;用普通乙太網路硬跑,效率常掉到 50-70%,等於加一倍的卡只快三四成。租用多節點方案時,「節點間網路規格」這一行比 GPU 型號更值得追問。另外別忘了儲存:多節點要共享資料集與檢查點,NVMe 等級的共享儲存與夠粗的儲存網路,不然資料載入會變成新瓶頸,GPU 利用率照樣上不去。</p>
<p>進場前的驗收動作很簡單:拿 nccl-tests 跑一輪 all-reduce 頻寬測試,實測值應該到標稱頻寬的八成以上;再跑一小時的迷你訓練,盯著 GPU 利用率——健康的叢集應該穩定在 90% 以上,若在 60-70% 之間鋸齒狀跳動,九成是通訊或資料載入在拖後腿。這兩個測試合計半天,能把「租了才發現不對」的風險擋在簽約之前,正規的主機商都願意配合你做。</p>

<h2>什麼規模需要幾個節點:對照表</h2>
<table>
<thead><tr><th>訓練需求</th><th>顯存總量估算</th><th>建議配置</th><th>節點間網路</th></tr></thead>
<tbody>
<tr><td>7B-32B LoRA/QLoRA 微調</td><td>10-95GB</td><td>單機 1-2 卡(4090/H100)</td><td>不需要</td></tr>
<tr><td>70B LoRA 微調</td><td>150-190GB</td><td>單機 3-4×H100</td><td>不需要</td></tr>
<tr><td>7B-14B 全參數微調</td><td>110-280GB</td><td>單機 2-4×H100</td><td>不需要</td></tr>
<tr><td>32B-70B 全參數微調</td><td>500GB-1.4TB</td><td>單機 8×H200 或 2 節點 8×H100</td><td>100-400Gbps RDMA</td></tr>
<tr><td>百億級以上持續預訓練</td><td>數 TB 起</td><td>4 節點以上叢集</td><td>400Gbps InfiniBand</td></tr>
</tbody>
</table>
<p>表格透露的重點:絕大多數企業微調需求停在「單機多卡」就能解決,真正需要跨節點的,是全參數訓練 70B 以上、或做持續預訓練(continual pre-training)注入大量領域語料的團隊。一個常見的規劃錯誤是「預算不夠就把節點切小」——用四台 2 卡機組叢集,不如一台 8 卡機:節點越多、跨網路的通訊占比越高,小節點叢集的效率天生吃虧。同樣預算永遠優先把單節點餵滿,再考慮加節點。表中的顯存估算已含優化器狀態,但激活值依 batch 與序列長度浮動,實際規劃再留一到兩成緩衝會安全得多。</p>

<h2>台灣案例:新創訓練 14B 繁中領域模型</h2>
<p>一家台北的 AI 新創要做金融領域的繁中模型:以開源 14B 底模做持續預訓練,語料 300 億 token,涵蓋公開財報、法規與新聞。他們評估過三條路:買 8 卡機(資本支出 NT$1,500 萬起、交期兩三個月)、海外雲(H100 每卡時 US$2.5-6,整案含實驗估 NT$250-400 萬,資料還要出境)、以及台灣機房租用 2 節點 16×H100 加 200Gbps InfiniBand 的方案,最後走第三條。</p>
<p>執行分兩階段:第一階段用單節點跑 1B 小模型,把資料管線、tokenizer、評測、檢查點機制全部驗證一遍,兩週;第二階段 16 卡全開跑 14B 主訓練,21 天完成,scaling efficiency 實測 91%。過程中不是沒出事——第 9 天一張卡 ECC 錯誤觸發中斷,因為每 30 分鐘存一次檢查點到共享儲存,重啟後只損失了 20 分鐘進度;這種「一定會發生的故障」,正是前兩週把續訓機制跑順的價值所在。</p>
<p>語料工程也占了整案三分之一的工時:300 億 token 的原始資料先過去重與品質過濾,砍掉近四成;再依「領域語料七成、通用語料三成」的配比混合,避免模型學了金融卻忘了普通話;每一批資料都留了 1% 做驗證集,訓練途中每天看一次 loss 與下游任務分數,發現異常能立刻定位是哪一批資料的問題。他們的心得很直接:多節點訓練燒錢的速度是每小時計的,資料沒準備好之前,一分鐘叢集都不要開。</p>
<p>成本這樣拆:叢集租期三個月(含前置與緩衝)控制在七位數初,大約是自購方案的六分之一,而且訓練結束就退租,不用養一台每年折舊六位數的鐵。對台灣團隊還有一個實際的點:凌晨三點的 NCCL 通訊錯誤,打電話有中文工程師一起查,不用等美西時區上班——多節點訓練的除錯常常是「環境問題」而不是「程式問題」,在地支援的價值在這種時刻最明顯。</p>

<h2>還沒到多節點的你,該做的三件事</h2>
<p>看完如果你發現自己的需求其實是「微調 32B 以下」,恭喜,省下一大筆:一台單卡或雙卡主機就能開工,方法見 <a href="https://www.nss.com.tw/llm-finetuning-lora-gpu">LLM 微調實戰</a>。如果你在單機 8 卡的邊緣,先把三件事做滿再談擴充:開 gradient checkpointing 用兩三成的速度換 30-50% 顯存、用 ZeRO-3 或 FSDP 把狀態切碎、評估 LoRA 能不能取代全參數。三招用盡還是不夠,才進多節點。</p>
<p>真的要進場,依這個節奏走:從 2 節點開始,把 NCCL 參數、網卡綁定、檢查點續訓、故障重啟的 SOP 全部跑順,量到穩定的 scaling efficiency 之後,再決定要不要往 4 節點以上加。跳過這一步直接租大叢集的團隊,常常花一週的叢集租金在查一個網卡設定,那是全案最貴的學費。多節點訓練是能力,不是身分象徵;在對的時間點用對的規模,才是把每一塊 GPU 預算都花在算力而不是等待上。</p>
<p>排程上還有一個省錢技巧:訓練專案的叢集需求是脈衝式的——資料準備期用單卡機、主訓練期租滿、收尾評測期再縮回單卡。跟主機商把這條曲線講清楚,分階段租用,比整案期間全程掛著大叢集省 30-50%。台灣機房的另一個優勢在這裡:溝通成本低,規格調整常常一通電話當天生效,海外供應商光開工單來回就是兩三天。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-20-points-20260714.jpg" alt="多節點分散式訓練入門:什麼時候一台 GPU 主機不夠用?叢集架構與網路需求" loading="lazy"/><figcaption>▲ 跨節點前先確認三件事</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>從單卡實驗機、單機 8 卡,到多節點訓練專案,戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列的彈性配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,訓練型專案可以短租、用完即退。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,由顧問依你的模型規模與訓練排程試算節點數與網路規格。</p>

<h2>常見問題 FAQ</h2><h3>什麼情況一定要用多節點訓練?</h3><p>兩種:全參數訓練 70B 以上模型(顯存需求 700GB 起,超過單機 8×H100 的 640GB),或持續預訓練需要在合理時間內吃完數百億 token 語料。若只是 LoRA 微調,70B 也只要 150-190GB,單機 3-4 張 H100 就能解決,不必跨節點。</p><h3>資料平行、張量平行、管線平行差在哪?</h3><p>資料平行是每卡一份完整模型、分頭吃資料,解決「訓練太慢」;張量平行把單層運算切給多卡合算,解決「單層太大」,通訊量極高只適合 NVLink 內;管線平行把模型按層切段跨卡跨節點放,解決「模型太深」。大型訓練通常三者混用,由框架自動調度。</p><h3>節點之間的網路要多快才夠?</h3><p>跨節點訓練的入場標準是 100Gbps RDMA(InfiniBand 或 RoCE),大型叢集普遍用 400Gbps。對照組:10GbE 乙太網路只有 1.25GB/s,跑梯度同步會讓 GPU 閒置 30-40% 以上。租用前務必確認節點間網路規格,這行字比 GPU 型號更影響實際訓練速度。</p><h3>scaling efficiency(擴展效率)多少算合格?</h3><p>2-4 節點的健康值是 85-95%:意思是卡數翻倍、實際吞吐拿到 1.7-1.9 倍。若實測掉到 70% 以下,先查節點間頻寬、NCCL 拓撲設定與資料載入瓶頸。效率長期低於 75% 時,多租的節點等於在燒錢,不如先回單機把配置調順。</p><h3>ZeRO 和 FSDP 是什麼?能省多少顯存?</h3><p>兩者都是把優化器狀態、梯度、權重切碎分散到多卡的技術,ZeRO 來自 DeepSpeed,FSDP 是 PyTorch 原生版。以 ZeRO-3 全切為例,單卡顯存需求可降到接近「總需求除以卡數」,讓 8×80GB 有機會跑動 500GB 級的全參數訓練,代價是通訊量增加、速度慢 10-30%。</p><h3>多節點訓練中途斷掉怎麼辦?</h3><p>標準做法是週期性存檢查點(checkpoint):每 30-60 分鐘或每 N 步把權重與優化器狀態寫進共享儲存,故障後從最近檢查點續訓,損失控制在一小時內。檢查點檔案很大(70B 全狀態約 800GB 以上),儲存要配 NVMe 並預留 3-5 份的空間。</p><h3>訓練 70B 模型大概要多少張 H100、多久?</h3><p>全參數微調 70B、資料量 100 萬筆指令等級:常見配置是 2 節點 16×H100,訓練數天到兩週,視序列長度與 epoch 數而定。若改用 LoRA,單機 4×H100 數天內可完成,成本差 3-5 倍。先確認任務真的需要全參數,再上重裝備。</p><h3>租多節點叢集,月費大概什麼量級?</h3><p>台灣機房的行情,單機 8×H100 等級月租約在七位數上下浮動,2 節點翻倍,另計 InfiniBand 網路與儲存。好消息是訓練專案通常 1-3 個月結束,短租加用完即退,總成本常只有自購的 10-20%,還不用扛折舊與機房維運。</p><h3>單機多卡和多節點,程式要改多少?</h3><p>用 PyTorch FSDP、DeepSpeed 或 Accelerate 的話,單機到多節點主要是改啟動參數與環境設定(節點清單、NCCL 網卡綁定),訓練程式碼本身改動很小。真正花時間的是叢集除錯:網卡挑錯、防火牆擋掉通訊埠這類環境問題,佔了多數導入工時。</p><h3>可以先在單機驗證,再擴到多節點嗎?</h3><p>這是最推薦的路徑:先用單機小模型(如 1B-7B)把資料管線、評測、檢查點機制全部跑通,確認 loss 曲線健康,再原封不動放大到多節點。90% 的訓練問題在小規模就能暴露,單機驗證的幾天時間,能省下多節點階段數十萬的試錯機時。</p>"
                    ["post_title"]=>
                    string(97) "多節點分散式訓練入門:什麼時候一台 GPU 主機不夠用?叢集架構與網路需求"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(31) "multi-node-distributed-training"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 11:02:14"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 03:02:14"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(54) "https://www.nss.com.tw/multi-node-distributed-training"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [5]=>
                  object(WP_Post)#36607 (24) {
                    ["ID"]=>
                    int(125227)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:21:04"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:21:04"
                    ["post_content"]=>
                    string(16202) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:企業要私有部署 LLM,該怎麼選模型和 GPU 規格?</p><p style="margin:0">依任務難度選模型:內部問答用 7B-14B,進階分析用 32B——INT4 量化後約 18-20GB 顯存,24GB 卡可跑;70B 需 140GB 以上、至少雙 H100。授權上 Qwen 是 Apache 2.0、DeepSeek 是 MIT 最單純。台灣機房單卡月租 NT$15,000 起,POC 兩到四週。</p></div>
<p>過去兩年,台灣企業對生成式 AI 的態度走了一個完整的弧線:從「先用 ChatGPT 試試」,到法務跳出來擋下所有把客戶資料貼進境外服務的行為,再到現在——「我們能不能自己架一套?」答案是可以,而且 2026 年的開源模型生態已經成熟到,多數企業任務用開放權重模型就能做到商用等級。這篇攻略把私有 LLM 部署的完整決策鏈走一遍:為什麼要私有化、模型怎麼挑、GPU 規格怎麼配、推論引擎怎麼選,以及一個台灣金融業的實際導入時程與成本。讀完你可以直接拿著這份清單跟主機商或內部團隊開需求會議,每一個環節都有可以驗證的數字。</p>

<h2>三個回不去的理由:法遵、成本、延遲</h2>
<p>企業選擇私有部署,理由通常不是情懷。第一個是資料主權與法遵:個資法對當事人資料的利用有明確界線,金管會對金融機構使用雲端服務另有委外規範,醫療則有醫療法與人體研究的資料限制。把病歷、對帳單、客訴紀錄送進境外 API,法遵部門要背的評估與舉證成本,常常比 GPU 還貴。私有部署把整條資料流關在自家或台灣機房內,稽核時一句「資料不出境」能省掉大半文書工作。</p>
<p>第二個是成本結構:API 按 token 計費,用量成長帳單跟著失控;自建是固定月租,量越大單位成本越低。一個內部工具從 50 人試用擴大到全公司 800 人,API 帳單會長 16 倍,自建主機可能只需要從單卡升級成雙卡。第三個是延遲與可控性:台灣機房內網往返 5ms 以內,海外 API 動輒 100ms 起跳,還要承受對方改版、限流、模型下架的風險——2025 年幾波商用模型無預警調價與版本汰換,讓不少把 LLM 綁進核心流程的公司吃過悶虧。當你的產品把 LLM 當成核心元件而不是玩具,這三點遲早會把你推向私有化。</p>
<p>要不要「全部」私有化則是另一題。務實的答案常是分流:敏感資料與高頻任務走私有模型,偶發的長尾雜務留在商用 API,兩邊用同一套 OpenAI 相容介面切換。這種混合架構讓你不必為了 5% 的特殊需求,把私有叢集規格拉到天上。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-19-data-20260714.jpg" alt="私有 LLM 部署完整攻略:資料不出門的企業 AI,從模型挑選到 GPU 規格" loading="lazy"/><figcaption>▲ 內部問答 7B-14B;70B 需 140GB 以上、至少雙 H100</figcaption></figure>
<h2>模型怎麼挑:授權先看,再看中文能力</h2>
<p>2026 年可商用的開放權重模型主要三個家族。Qwen2.5 系列(0.5B 到 72B)多數尺寸採 Apache 2.0 授權,商用最乾淨,繁體中文能力在開源陣營裡屬第一梯隊,是台灣企業的預設起點。DeepSeek 系列採 MIT 授權,R1 推理模型與其蒸餾版(7B 到 70B)在數學、程式、多步推理任務上表現突出,各版本的顯存需求整理在 <a href="https://www.nss.com.tw/deepseek-r1-gpu-requirements">DeepSeek R1 GPU 需求對照</a>。Llama 3.x 系列生態工具最完整,但用的是 Meta 社群授權,有月活躍用戶數等附帶條件,法務過件前要看清楚。</p>
<p>繁體中文有幾個實測才會浮現的細節:部分模型輸出會夾雜簡體字或中國用語(「軟件」「視頻」這類),對外文件不能接受,解法是系統提示詞強制台灣用語加後處理檢查,或直接挑繁中表現穩定的模型版本;金融與法律的專有名詞理解也要專門測,「附買回」「融資融券」這種詞彙,不同模型的表現差距很大。建議的做法是準備 50-100 題你自己領域的測題,拉兩三個候選模型做盲測,由業務單位而不是工程師評分。</p>
<p>挑尺寸的原則比挑家族簡單:內部問答、摘要、格式轉換,7B-14B 就夠;涉及多步推理、長文分析、程式生成,32B 是品質與成本的甜蜜點;70B 留給對答案品質錙銖必較的場景。別迷信參數量——盲測常常發現 14B 在你的任務上跟 32B 打平,一年省下的月租差價是六位數。另外記得看模型的「款式」:一般指令模型反應快、適合日常任務;推理模型(如 R1 系列)會先輸出思考過程,難題正確率高但 token 消耗數倍,兩種各架一個、按任務路由,是越來越主流的配置。</p>
<p>下載與供應鏈也別隨便:權重一律從官方 Hugging Face 帳號或可信鏡像取得,核對雜湊值並記錄版本;推論框架與相依套件鎖定版本,進了內網就不隨意更新。曾有企業從來路不明的鏡像抓了號稱加速版的權重,行為跟官方版有出入,查了兩週才找到源頭。私有部署的安全紅利,建立在你對每一個元件的來源都有掌握的前提上,這份清單值得放進資安檢核表。</p>

<h2>GPU 規格對照:從 7B 到 70B 的顯存帳</h2>
<table>
<thead><tr><th>模型規模</th><th>FP16 推論顯存</th><th>INT4 量化顯存</th><th>建議配置(含 KV cache 餘裕)</th></tr></thead>
<tbody>
<tr><td>7B-8B</td><td>14-16GB</td><td>5-6GB</td><td>1×RTX 4090 24GB</td></tr>
<tr><td>14B</td><td>28-32GB</td><td>9-11GB</td><td>1×RTX 4090(INT4)或 1×L40S 48GB(FP16)</td></tr>
<tr><td>32B</td><td>64-70GB</td><td>18-20GB</td><td>1×RTX 4090(INT4)或 1×H100 80GB(FP16)</td></tr>
<tr><td>70B-72B</td><td>140-150GB</td><td>40-45GB</td><td>2×H100(FP16)或 2×RTX 4090 / 1×L40S+(INT4)</td></tr>
</tbody>
</table>
<p>三個規劃要點。量化是私有部署的好朋友:INT4 讓顯存需求砍半再砍半,主流任務的品質損失多在 2-3% 內,先上量化版、有預算再升 FP16 是務實路線。KV cache 要另外算:表中權重之外,每一路併發、每 4K token 的上下文,依模型會再吃 0.5-2GB,對外服務至少預留 30% 顯存。還有升級路徑:用支援張量平行的推論引擎,之後從單卡換雙卡、雙卡換 H100,服務層程式碼幾乎不用改。</p>
<p>用一個情境把 KV cache 講得更白:你部署 32B INT4(權重 20GB)在一張 24GB 卡上,單人使用一切正常;開放給 50 人後,尖峰 6 路併發、每路 8K 上下文,KV cache 需要 6-12GB,這張卡立刻爆。同一個模型,規格卻要看「誰在用、怎麼用」,這就是為什麼報規格前要先回答併發數與上下文長度兩個問題,而不是只報模型名字。長文件分析場景(動輒 32K 上下文)更要特別小心,單路的 KV cache 就可能吃掉 4-8GB。</p>

<h2>推論引擎與服務化:從 Ollama 到 vLLM</h2>
<p>模型下載下來只是權重檔,要變成服務還缺一層推論引擎。POC 階段用 Ollama 最快,一行指令拉起模型,適合給內部小規模試用;要上生產環境,vLLM 或 SGLang 才是正解——它們的 continuous batching 與 PagedAttention 能把同一張卡的吞吐拉高 5-10 倍,並提供 OpenAI 相容 API,前端應用只要改一行 base_url 就能從商用 API 無縫切換過來。</p>
<p>服務化的細節——延遲怎麼壓、併發怎麼估、要不要開多副本——是另一篇的主題,見 <a href="https://www.nss.com.tw/ai-inference-api-hosting">AI 推論 API 自建教學</a>。這裡只強調一件最常被忘掉的事:私有部署不等於裸奔。API key 的發放與輪替、請求與回應日誌(含個資遮罩)、輸入輸出的敏感詞過濾、每月用量報表——這些治理機制要在第一天就做,不然「私有」只是把風險從供應商搬回自己家。金融業的稽核尤其會查日誌完整性與權限分離,補做的成本是先做的三倍起跳。</p>
<p>維運面給一個誠實的預期:私有 LLM 上線後的常態工作量,約是每週半天到一天——看監控、處理個案、每月演練一次故障重啟、每季評估一次新模型。這不需要專職團隊,但需要一個明確的負責人;完全沒有 Linux 維運能力的公司,建議把這層外包給主機商的託管服務,別讓系統變成沒人敢動的孤兒。</p>

<h2>台灣案例:投信公司的內部文件助理</h2>
<p>一家台北的投信公司,120 名員工,想讓研究員用自然語言查詢內部研究報告、公開說明書與法遵文件。資料屬性決定一切:這些文件不能離開公司控制範圍,金管會的雲端委外規範也讓境外 API 直接出局。他們的做法是在台灣機房租一台 H100 80GB 主機,跑 Qwen2.5-32B FP16 配 vLLM,前面接 RAG 檢索層,月租約 NT$70,000。</p>
<p>時程走得很典型:第 1-2 週用一張 4090 主機(月租 NT$18,000)做 POC,拿 80 題研究員實際會問的問題盲測 7B、14B、32B 三個尺寸,結論是 32B 在跨文件比對題上正確率高出 14B 約 12 個百分點,值得上;第 3-6 週建正式環境、接 SSO 權限與稽核日誌;第 7-8 週試營運。POC 用小卡、正式上大卡的兩段式做法,讓他們在只花 1.8 萬的階段就修正了兩個方向性決策——原本想用 70B,盲測發現對他們的題型增益不到 3 個百分點,直接省下一半月租。</p>
<p>上線三個月的營運數字:研究員平均每天問 340 次,尖峰併發 8 路,p95 回應延遲 2.1 秒;使用率最高的不是原本設想的報告查詢,而是「幫我把這段英文法遵函釋整理成繁中重點」這類翻譯摘要任務,佔了四成流量——這也是私有部署的隱藏優勢,用量爆了也不心疼,員工才敢把它用進日常。法遵部門的評語比任何跑分都有說服力:資料流全程在境內,稽核一次過。</p>

<h2>導入時程與總成本怎麼抓</h2>
<p>綜合幾十個案子的經驗,私有 LLM 部署的合理時程是:POC 兩到四週(單卡主機、量化模型、內部評測集),試營運四到六週(正式規格、權限與日誌、小範圍開放),然後全面上線。硬體之外的成本大頭是人:需要一位能維運 Linux 與容器的工程師兼職照顧,加上業務單位一位懂資料的窗口。全案抓下來,中型企業第一年的總持有成本多落在 NT$50 萬到 200 萬之間,對比動輒七八位數的商用授權案,這個數字通常過得了董事會。時程的最大變數在資料:文件散亂、權限歸屬不明的公司,前置整理常吃掉一半時間,這部分請誠實評估。</p>
<p>驗收建議寫成里程碑:POC 結束要有盲測分數與規格建議書;試營運結束要有 p95 延遲、可用率與使用量報表;全面上線滿一個月,要有部門滲透率與滿意度數字。每一關都有可驗證的產出,預算追加才有依據,專案也不會走著走著變成沒人敢驗收的懸案。</p>
<p>把第一年 TCO 拆開看會更好談預算:主機月租(單卡 NT$15,000-25,000 或 H100 級 NT$60,000-80,000)占五到七成,導入期的顧問或工程工時占兩到三成,剩下是評測、資安檢測與雜項。第二年起只剩月租與少量維運,成本曲線是前高後低。至於「租還是買」:買一台 H100 等級主機資本支出數百萬,加上機房、電力、備品與三年折舊,只有在負載長期滿載時才划算;先租十二個月把規格試到收斂,再拿真實使用率去算買斷的回本期,是財務上最站得住腳的順序。</p>
<p>最容易被砍掉重練的錯誤只有一個:第一天就買卡。模型迭代太快,今天為 70B 買的 8 卡機,半年後可能被 32B 的新模型追平。用台灣機房的月租主機把規格試到收斂,再決定要不要自建,是風險最低的路。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-19-points-20260714.jpg" alt="私有 LLM 部署完整攻略:資料不出門的企業 AI,從模型挑選到 GPU 規格" loading="lazy"/><figcaption>▲ 資料不出門的部署路徑</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>私有 LLM 部署的每個階段需要的火力不同:POC 用單張 RTX 4090,正式環境可能要 H100 多卡。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,規格可隨導入階段升級。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問會依你的資料敏感度與任務需求試算規格。</p>

<h2>常見問題 FAQ</h2><h3>私有部署 LLM 最低的硬體門檻是多少?</h3><p>一張 24GB 的 RTX 4090 就能起步:7B 模型 FP16 推論占 14-16GB,或 32B 的 INT4 量化版占 18-20GB,都放得下。台灣機房這種單卡主機月租約 NT$15,000-25,000,足夠支撐數十人的內部使用,是最常見的 POC 起點。</p><h3>開源模型商用,授權上要注意什麼?</h3><p>Qwen2.5 多數尺寸是 Apache 2.0、DeepSeek 是 MIT,商用幾乎沒有附帶條件;Llama 3.x 用 Meta 社群授權,有大型平台月活門檻與再散布規定,需要法務確認。另外注意部分模型的量化版與衍生版授權可能與原版不同,下載來源要留紀錄備查。</p><h3>7B、32B、70B 模型的能力差距到底多大?</h3><p>以企業任務實測,7B 足以應付摘要、分類、格式轉換;32B 在多步推理與跨文件分析上,正確率常比 7B 高 15-25 個百分點;70B 再往上的增幅通常剩 3-8 個百分點,但顯存需求翻倍。建議用自己的 50-100 題測題盲測,而不是看排行榜。</p><h3>INT4 量化會讓模型變笨嗎?</h3><p>主流 GPTQ、AWQ 量化在常見任務上的品質損失約 1-3%,多數使用者感覺不出來;顯存卻能省 70% 以上,32B 從 64-70GB 壓到 18-20GB。要求最高的場景(法律條款比對、程式生成)可以 FP16 與 INT4 各架一套 A/B 實測再決定。</p><h3>私有部署後,模型多久要更新一次?</h3><p>開源模型大約每 3-6 個月出現一波明顯升級。建議每季用固定評測集重測一次新模型,分數高出 5 個百分點以上再換,避免追版本疲勞。換模型的成本主要在重跑評測與回歸測試,權重本身下載替換半天內可完成。</p><h3>vLLM 和 Ollama 該用哪個?</h3><p>POC 與個人使用選 Ollama,安裝到起服務 10 分鐘搞定;正式環境選 vLLM 或 SGLang,continuous batching 可把同卡吞吐拉高 5-10 倍,多人併發下的 p95 延遲差距非常明顯。兩者都有 OpenAI 相容 API,前期驗證、上線切換很順。</p><h3>金融業用私有 LLM,法遵上可行嗎?</h3><p>可行,而且私有化正是為了過法遵:資料全程留在境內機房,滿足個資法與金管會對委外及資料治理的要求,搭配存取控制與完整日誌即可受檢。台灣已有投信、銀行把內部文件助理跑在自建或租用 GPU 主機上的案例,稽核重點是資料流向與權限紀錄。</p><h3>私有 LLM 的回應速度大概多快?</h3><p>單使用者:7B 在 RTX 4090 上約每秒 60-100 個 token,32B INT4 約 25-40 個,一段 300 字回答 10 秒內完成;上 vLLM 後 10-20 路併發仍可維持每人每秒 20 個 token 以上。台灣機房網路往返約 5ms,體感比海外 API 快得多。</p><h3>除了 GPU,主機的 CPU 和記憶體要怎麼配?</h3><p>推論主機的通則是:系統記憶體至少是總顯存的 1.5-2 倍(載入與轉檔時要用),CPU 8-16 核心即可,硬碟建議 NVMe SSD 500GB 起跳放多版本權重。RAG 場景另外加向量資料庫的 16-32GB 記憶體。這些在租用方案裡通常已包含,確認規格單即可。</p><h3>一年的總持有成本大概多少?</h3><p>以 120 人企業、32B 模型、單張 H100 規格估:主機月租約 NT$60,000-80,000,一年 72-96 萬;加上工程師兼職維運與前期導入顧問,第一年總成本常落在 NT$100-200 萬。同樣用量走商用 API,帳單加法遵評估往往不會比較便宜,且資料須出境。</p>"
                    ["post_title"]=>
                    string(87) "私有 LLM 部署完整攻略:資料不出門的企業 AI,從模型挑選到 GPU 規格"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(22) "private-llm-deployment"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 11:01:19"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 03:01:19"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(45) "https://www.nss.com.tw/private-llm-deployment"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [6]=>
                  object(WP_Post)#36621 (24) {
                    ["ID"]=>
                    int(125226)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:21:00"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:21:00"
                    ["post_content"]=>
                    string(16377) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:RAG 是什麼、企業導入需要什麼 GPU 配置?</p><p style="margin:0">RAG(檢索增強生成)先把文件切塊轉成向量索引,提問時檢索出最相關段落,交給 LLM 生成附來源的回答,模型不必重訓,知識更新是分鐘級。50 人內用 7B-14B 模型,一張 RTX 4090 主機就能起步,台灣機房月租約 NT$15,000-25,000;200 人以上建議 32B 模型與 48-80GB 顯存。</p></div>
<p>企業想讓 AI 回答內部知識,第一直覺常是「微調一個自己的模型」。但 2026 年的實務標準答案,八成是 RAG。原因很直接:公司的知識天天在變,產品規格改版、SOP 更新、法規修正,你不可能每次都重訓模型;而 RAG 只要更新索引,幾分鐘內新知識就上線。這篇文章講清楚 RAG 的運作原理、三段式的 GPU 需求怎麼估、導入成本落在什麼區間,並用一個台灣製造業的案例展示從評估到上線的完整過程。看完你應該能自己畫出第一版架構圖,並且對「這件事要花多少錢」有一個誤差不超過三成的估計。</p>

<h2>RAG 是什麼?一條「檢索加生成」的流水線</h2>
<p>RAG 的全名是 Retrieval-Augmented Generation,檢索增強生成。流程拆開看只有四步:把企業文件切成 300-800 字的小塊(chunking),用 embedding 模型把每一塊轉成向量存進向量資料庫;使用者提問時,問題同樣轉成向量,到資料庫裡找出最相近的 3-8 個段落;可以再加一層 reranker 模型精排,把真正相關的段落挑到前面;最後把這些段落連同問題一起塞進 prompt,讓 LLM 生成回答,並附上引用來源。</p>
<p>用一個具體例子走一遍。員工問「特休沒休完可以換錢嗎?」系統把這句話轉成向量,從索引裡撈出人事規章第 3.2 節與勞基法相關段落,reranker 確認這兩段最相關,LLM 讀完後回答:「依公司人事規章 3.2 條,年度未休畢特休依比例折算工資……」並在答案下方列出出處。使用者點開出處就是原始文件,這條「可驗證」的路徑,正是企業敢把 RAG 交給全公司用的原因。</p>
<p>規模感也給一下:一份 200 頁的 PDF 大約切成 400-800 個 chunk;一萬份文件、百萬級 chunk 的向量索引(1024 維、FP16)本體約 2-4GB,加上原文與中繼資料,整套索引通常在 10-20GB 之間——對現代主機來說是很輕的負擔。關鍵在於:模型本身完全不用動,LLM 負責閱讀理解與寫作,知識全部放在外部索引,加新文件的邊際成本趨近於零。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-18-data-20260714.jpg" alt="RAG 是什麼?不用重訓模型的企業知識庫方案,GPU 配置與導入成本指南" loading="lazy"/><figcaption>▲ 檢索增強生成:不重訓模型,回答自帶來源</figcaption></figure>
<h2>為什麼企業知識庫首選 RAG 而不是微調</h2>
<p>把知識「訓進」模型有兩個結構性問題。一是更新成本:每次文件異動都要重跑訓練,一輪動輒數小時到數天,而企業知識的半衰期很短——電商的品規週週改,製造業的製程參數月月調,金融業的法遵函釋隨時來。二是不可追溯:模型答錯了,你不知道它是從哪筆資料學歪的,對需要稽核軌跡的產業是致命傷。RAG 剛好相反,答案旁邊就掛著來源文件,稽核人員點開就能核對。</p>
<p>成本差距也很具體。維護一套 RAG 索引,新增文件是增量更新、秒級完成,全量重建一次的 GPU 機時通常不到一小時;而同等知識量的微調,單輪訓練成本是它的數十倍,還要先把文件改寫成上萬筆問答格式的訓練資料,這道工序本身就是一個小專案。</p>
<p>還有一個很少被講白的面向:RAG 會逼你把知識治理做起來。哪些文件是現行版、誰有權看哪一類、過期文件怎麼下架——這些問題在建索引的第一週全部會浮出來,而它們本來就該被回答。反過來看,微調把知識揉進權重裡,版本與權限完全無從管理,答案對錯只能事後抽查,對受監理的金融、醫療產業幾乎是不可接受的黑盒。很多公司做完 RAG 之後回頭感謝的,其實是這一段被迫完成的文件大掃除。</p>
<p>當然,RAG 也有做不到的事:它改不了模型的語氣、輸出格式與任務行為,那是微調的守備範圍,兩者的分工可以參考 <a href="https://www.nss.com.tw/llm-finetuning-lora-gpu">LLM 微調實戰</a>。成熟團隊的終局架構多半是混合式:RAG 管知識、LoRA 管行為,先做 RAG 驗證價值,半年後再視需要補一層微調,投資順序不要反過來。</p>

<h2>GPU 需求拆解:embedding、reranker、LLM 三段</h2>
<p>RAG 系統的顯存消耗來自三個模型,量級差很多。embedding 模型(如 bge-m3、multilingual-e5 這類 0.3-2B 參數的模型)推論只要 2-6GB;reranker 模型同樣輕,2-4GB 就夠;真正的大戶是負責生成的 LLM——7B 模型 FP16 推論約需 14-16GB,14B 約 28-32GB,32B 約 64-70GB,若用 INT4 量化可以再省一半以上,32B 壓到 18-20GB,一張 24GB 卡就裝得下。</p>
<p>延遲的組成也值得認識:embedding 一次查詢 10-30ms,向量搜尋 10-50ms,reranker 50-150ms,而 LLM 生成占掉九成時間——一段 300 字的回答,以每秒 30-60 個 token 的速度要跑 10-20 秒。所以優化體感的重點永遠在生成段:開串流輸出讓使用者邊生成邊閱讀,體感延遲立刻從「等 15 秒」變成「等 1 秒」。建索引的吞吐則看 embedding:一張 4090 每秒可處理數百到數千個 chunk,百萬級索引初次建置約 1-3 小時,夜間排程綽綽有餘。</p>
<p>併發的速算法也給一個:內部工具的尖峰併發約是總人數的 5-10%,100 人公司抓 5-10 路。7B 模型配一張 4090,撐 10-20 路沒問題;32B INT4 因為權重就占掉 18-20GB,單卡併發建議壓在 5-8 路,超過就分雙卡或升 48GB 卡。先用保守配置上線、看兩週監控數據再決定加不加卡,永遠比一次到位便宜。</p>
<p>三段可以塞在同一張卡,也可以分開。50 人以內的內部知識庫,一張 RTX 4090 同時跑 7B INT4 生成加 embedding 綽綽有餘;使用者破兩百人、尖峰併發 10-20 路時,建議把 embedding 與 reranker 留在小卡或 CPU,生成模型獨占一張 48GB 以上的卡,否則檢索尖峰會跟生成搶資源,延遲直接翻倍。另一個常被忽略的顯存項目是 KV cache:併發越高、對話越長,占用越大,規劃時要在模型權重之外預留 20-40% 顯存。</p>

<h2>規模對照表與成本區間</h2>
<table>
<thead><tr><th>使用規模</th><th>建議模型組合</th><th>GPU 配置</th><th>月租行情(台灣機房)</th></tr></thead>
<tbody>
<tr><td>POC 驗證</td><td>7B INT4 + bge-m3</td><td>1×RTX 4090 24GB</td><td>NT$15,000-20,000</td></tr>
<tr><td>50 人內部使用</td><td>7B-14B + embedding + reranker</td><td>1×RTX 4090 或 1×L40S 48GB</td><td>NT$18,000-35,000</td></tr>
<tr><td>200 人、併發 10-20</td><td>32B INT4 + 完整檢索鏈</td><td>2×RTX 4090 或 1×H100 80GB</td><td>NT$40,000-80,000</td></tr>
<tr><td>500 人以上或對外服務</td><td>32B-70B、多副本負載均衡</td><td>2×H100 起跳</td><td>NT$120,000 起</td></tr>
</tbody>
</table>
<p>讀表時注意三件事。規模看的是「尖峰併發」而不是員工總數,一般內部工具的併發約是總人數的 5-10%;模型尺寸決定答案品質的天花板,32B 對 7B 的優勢在跨文件推理題上特別明顯,常有 15-20 個百分點的正確率差距;GPU 之外還有配角成本——向量資料庫吃的是 CPU 與 16-32GB 記憶體、索引與日誌的儲存、以及建置評測集的人力,這些加總約占專案總成本一到兩成。</p>
<p>對照雲端 API 的帳:呼叫商用模型 API 每百萬 token 約 US$0.5-15,小量使用便宜;但企業知識庫的痛點通常不是錢,而是文件必須送到境外模型商手上。自建 RAG 的月租是固定成本,量再大都不會爆,敏感文件也從頭到尾不離開機房,這兩點才是台灣企業選擇自建的主因。</p>
<p>拿數字算個分水嶺:一次問答連同檢索段落約消耗 3,000-6,000 個 token,200 人公司每天 500 次問答,月消耗大約 3,000-9,000 萬 token。走中階商用 API 月費看起來還可控,但前提是「文件可以出境」而且「用量不再成長」;一旦任一前提破掉——來了敏感專案、或使用量隨導入深化翻了三倍——自建的固定月租立刻反超。多數企業算完這筆帳,就把 API 留給不敏感的雜務,核心知識庫走自建。</p>

<h2>台灣案例:精密加工廠的 SOP 知識庫</h2>
<p>台中一家 280 人的精密加工廠,累積了 1.2 萬份文件:ISO 程序書、設備原廠手冊、工安 SOP、歷年異常處理紀錄。痛點很典型——新人找一份正確版本的 SOP 平均要 20 分鐘,夜班遇到設備異常只能打電話吵醒資深工程師。而這些文件混著客戶 NDA 與製程參數,受營業秘密法保護,法務直接否決任何「上傳到境外雲端 AI」的方案。</p>
<p>他們最後在台灣機房租了一台雙 4090 主機,跑 Qwen2.5-32B 的 INT4 量化版,配 bge-m3 做繁中檢索,月租約 NT$45,000。導入花了兩個月:第一個月清文件、建索引、跑 150 題內部評測集把命中率從 71% 調到 93%;第二個月試營運與權限分級。過程中真正難的不是模型,是文件工程——三成的手冊是掃描檔,要先過 OCR 與人工抽驗;製程參數表不能直接切塊,得整表保留並補上表頭說明;不同部門的文件還要掛權限標籤,業務看不到製程資料,產線查不到報價單,這些前置工作占掉全案一半以上的工時。</p>
<p>上線後新人查 SOP 的時間從 20 分鐘縮到 2 分鐘內,夜班打給資深工程師的次數少了六成。附帶的好處是延遲:機房在台灣,問答往返網路延遲 5ms 上下,比呼叫海外服務的 60-150ms 順暢得多,產線平板上用起來像即時對話。廠長事後的評語很實在:這套系統最大的價值不是 AI 多聰明,是它終於逼公司把二十年的文件整理成一套有版本、有權限的資產。</p>
<p>成本結構也值得記下來:這個案子的外部支出就是兩個月機器月租共約 9 萬元,其餘全是內部工時;同樣範圍交給系統整合商從零客製,市場報價常落在 NT$150-300 萬。自建加租機的組合,把試錯成本壓到外包報價的零頭,這也是我們一貫建議企業「先小做、驗證了再放大」的底氣。</p>

<h2>常見翻車點:九成的爛 RAG 都是檢索的錯</h2>
<p>導入 RAG 失敗的專案,問題極少出在 LLM,幾乎都出在檢索。常見的坑排下來:chunk 切太大或太小——300-800 字、前後保留 10-20% 重疊是穩健起點,表格與條列要特殊處理;embedding 模型不擅長繁體中文——選 bge-m3 或 multilingual-e5 這類多語模型,別拿純英文模型硬上;沒放 reranker——多這一層 2-4GB 顯存的小模型,常常就是命中率從七成到九成的差距;以及沒有評測集——上線前準備 50-200 題有標準答案的內部問題,每次調參數都重跑,不然你永遠在憑感覺調。</p>
<p>幻覺控制也有標準做法:在 prompt 裡強制「只能根據提供的段落回答,並列出引用編號」,檢索相似度低於門檻時直接回「資料庫中查無相關內容」,寧可不答也不要瞎掰。這些設定做齊,企業內部問答的可用率把握做到九成以上。</p>
<p>上線不是終點,RAG 是要養的。固定的維運節奏建議:新文件自動進索引(每日或每週排程)、每月跑一次評測集回歸確認沒有品質飄移、每季檢視一次「查無資料」與低分回答的清單,回頭補文件或調切塊。這些工作每月大約半人日,卻是系統一年後還好用的關鍵。想再深入私有化部署的模型選型與服務化細節,可以接著讀 <a href="https://www.nss.com.tw/private-llm-deployment">私有 LLM 部署完整攻略</a>。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-18-points-20260714.jpg" alt="RAG 是什麼?不用重訓模型的企業知識庫方案,GPU 配置與導入成本指南" loading="lazy"/><figcaption>▲ RAG 導入的規模對照表</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>RAG 是企業 AI 裡投資報酬最好算的一種:GPU 需求從單張 4090 起步,隨使用人數線性成長,不會一開始就逼你上重裝備。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,POC 到正式環境可以無痛升級。方案與規格見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問會依你的文件量與使用人數建議配置。</p>

<h2>常見問題 FAQ</h2><h3>RAG 和微調最大的差別是什麼?</h3><p>RAG 把知識放在外部向量索引,模型不動,文件更新後幾分鐘就生效,回答還能附上來源;微調是把行為訓進模型,適合改語氣與格式,但知識一變就要重訓,單輪成本是重建索引的數十倍。企業知識庫九成情境應該先做 RAG。</p><h3>導入 RAG 最低的 GPU 門檻是多少?</h3><p>POC 等級只要一張 24GB 的 RTX 4090:跑 7B 模型的 INT4 量化版約占 5-6GB,加上 bge-m3 embedding 的 2-4GB 與 KV cache,單卡綽綽有餘。台灣機房這種主機月租約 NT$15,000-20,000,兩週內可以搭出能給主管試用的版本。</p><h3>RAG 一定需要 GPU 嗎?用 CPU 不行嗎?</h3><p>檢索段可以用 CPU,但 embedding 建索引會慢 10 倍以上;生成段用 CPU 跑 7B 模型每秒只有個位數 token,一個回答要等一兩分鐘,基本不可用。實務上一張入門 GPU 就能讓回答速度到每秒 30-60 個 token,體驗完全不同。</p><h3>文件要怎麼切塊(chunking)比較好?</h3><p>通用起點是每塊 300-800 字、前後重疊 10-20%,依標題與段落邊界切而不是硬切字數。表格建議整張保留並附上表頭說明,條列式 SOP 以步驟為單位。切法對命中率的影響常達 10-20 個百分點,值得花一天實驗。</p><h3>向量資料庫該選哪一套?</h3><p>百萬級以下向量,Qdrant、Milvus、pgvector 都夠用,差異主要在維運習慣:已有 PostgreSQL 的團隊用 pgvector 最省事,獨立部署選 Qdrant 輕量好管。向量檢索通常吃 CPU 與記憶體,抓 16-32GB RAM 起步即可,不占 GPU 顯存。</p><h3>RAG 的回答品質要怎麼量化?</h3><p>上線前建 50-200 題有標準答案的評測集,追兩個數字:檢索命中率(正確段落有沒有進前 5)與答案正確率(人工或 LLM 評分)。健康的系統命中率要 85% 以上、正確率 90% 上下;每次調 chunk、換模型都重跑,才知道是變好還變壞。</p><h3>怎麼降低 RAG 的幻覺?</h3><p>三件事做齊:prompt 強制只依提供段落回答並附引用編號;檢索相似度低於門檻就回「查無資料」,不硬答;加 reranker 把不相關段落擋在生成之前。實務上這樣可以把幻覺率壓到 5% 以下,剩下的靠評測集持續抓漏。</p><h3>200 人規模的公司,RAG 主機月費大概多少?</h3><p>尖峰併發 10-20 路、用 32B INT4 模型加完整檢索鏈,建議 2×RTX 4090 或一張 H100 80GB,台灣機房月租約 NT$40,000-80,000。比起呼叫雲端 API,固定月租的好處是用量再大帳單也不會失控,且文件全程不出機房。</p><h3>RAG 適合處理 Excel 和圖面這類非文字資料嗎?</h3><p>表格類資料要先轉成結構化文字或用表格感知的解析器處理,效果才穩;工程圖面、照片則需要多模態模型(如 Qwen-VL 系列),顯存需求會多 30-50%。建議第一期先做純文字文件,驗證價值後再擴充多模態,風險最低。</p><h3>資料完全不能出公司,RAG 做得到嗎?</h3><p>可以,這正是自建 RAG 的主場:embedding、向量資料庫、LLM 全部跑在你租用或自有的主機上,文件與問答紀錄都不離開機房。台灣機房方案還能滿足個資法與客戶 NDA 的稽核要求,金融與製造業已有大量落地案例。</p>"
                    ["post_title"]=>
                    string(88) "RAG 是什麼?不用重訓模型的企業知識庫方案,GPU 配置與導入成本指南"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(24) "rag-enterprise-gpu-guide"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 11:00:21"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 03:00:21"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(47) "https://www.nss.com.tw/rag-enterprise-gpu-guide"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [7]=>
                  object(WP_Post)#36619 (24) {
                    ["ID"]=>
                    int(125224)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:20:58"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:20:58"
                    ["post_content"]=>
                    string(17010) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:LLM 微調該選 LoRA 還是 Full Fine-tuning?</p><p style="margin:0">八成企業場景用 LoRA 就夠:凍結原模型、只訓練低秩適配層,顯存約全參數微調的 1/3-1/10,7B 模型一張 RTX 4090 就能跑。Full Fine-tuning 效果上限較高,但 7B 就要 110GB 以上顯存、成本高 5-10 倍。建議先用 QLoRA 花半天驗證資料有訊號,再決定要不要加碼。</p></div>
<p>「我們想微調一個自己的模型」,這大概是 2026 年台灣企業 AI 導入會議上出現頻率最高的一句話。但再往下追問,十個團隊有八個說不清楚要微調什麼、需要幾張 GPU、預算該抓多少,甚至分不清自己要解的問題到底需不需要微調。這篇文章把 LLM 微調的兩條主要路線——LoRA 與 Full Fine-tuning(全參數微調)——的原理、顯存需求、訓練時間與租用成本一次算清,並附上一個台灣電商團隊從 POC 到上線的完整時程。先講立場:除非你已經用 LoRA 驗證過效果而且確定不夠,否則不要從全參數微調開始,這條原則能替多數團隊省下第一筆冤枉錢。</p>

<h2>先確認你要解的是「行為問題」還是「知識問題」</h2>
<p>微調改變的是模型的「行為」:輸出格式、語氣、領域用語、任務套路。它並不擅長把新知識塞進模型腦袋。想讓 LLM 回答公司內部文件、產品規格、常變動的政策條文,正確工具是 RAG(檢索增強生成),不用重訓模型,知識更新也是即時的,做法可以參考 <a href="https://www.nss.com.tw/rag-enterprise-gpu-guide">RAG 企業知識庫方案指南</a>。</p>
<p>那什麼情境值得微調?幾個典型:客服回覆必須完全符合品牌語氣與 SOP;輸出要是嚴格的 JSON 或報表格式,prompt 調到極限仍有 5% 上下的格式錯誤;醫療、法律、精密製造這類術語密集的領域,通用模型講話「不像內行人」;或者你想把原本要 70B 模型才穩定的任務壓進 7B 小模型,推論成本直接砍到三分之一以下——這是最容易回本的一種。</p>
<p>一個花半天就能做完的自我檢查:拿 20-30 題實際業務問題,用你手上最強的模型加上能寫出的最好 prompt 跑一遍。如果錯的是「答案內容」,例如模型不知道你們的產品規格,那是知識問題,微調救不了;如果錯的是「表達方式」——格式跑掉、語氣不對、廢話太多——才輪到微調上場。另外記住成本結構:prompt 迭代的邊際成本趨近於零,微調一輪動輒數千元機時起跳,能用 prompt 解決的問題,永遠優先用 prompt。多數企業最後的架構是混合的:RAG 管知識,微調管行為,兩邊各司其職。</p>


<figure class="wp-block-image size-full"><img title="戰國策集團LLM 微調實戰:LoRA 和 Full Fine-tuning 差在哪?GPU 需求與成本一次算清" src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-17-data-20260714.jpg" alt="LLM 微調實戰:LoRA 和 Full Fine-tuning 差在哪?GPU 需求與成本一次算清" loading="lazy"/><figcaption>▲ 7B 一張 RTX 4090 就能微調;全參數 7B 要 110GB 以上</figcaption></figure>
<h2>Full Fine-tuning:效果上限最高,顯存是無底洞</h2>
<p>全參數微調就是把模型每一個權重都拿出來更新。效果上限最高,但顯存開銷驚人,因為訓練期間要同時擺四樣東西:模型權重(FP16 每參數 2 bytes)、梯度(2 bytes)、AdamW 優化器狀態(FP32 動量加變異數,8 bytes),再加上隨序列長度與 batch size 成長的激活值。</p>
<p>經驗法則:全參數訓練的顯存需求,大約是「FP16 權重容量」的 8 到 10 倍。7B 模型權重約 14GB,全參數訓練就要 110-140GB,單張 H100 80GB 裝不下,2 張起跳,還得搭配 DeepSpeed ZeRO 或 FSDP 把狀態切到多卡。32B 約 500GB 上下,70B 直接衝破 700GB,進入多節點叢集的世界——那是另一門學問,可見 <a href="https://www.nss.com.tw/multi-node-distributed-training">多節點分散式訓練入門</a>。</p>
<p>激活值是最容易被低估的一項:它隨 batch 與序列長度線性成長,4K 序列、batch 8 的設定下,7B 的激活值可以再吃掉 30-60GB,所以實務估算永遠要留緩衝。另一筆隱性成本是實驗管理——全參數微調的每個 checkpoint 都是完整模型,7B 一份 14GB,訓練途中存十份就是 140GB 儲存;超參數掃五組,機時與儲存全部乘以五。這些帳在報價單上看不到,卻真實反映在時程與月結帳單上。</p>
<p>資料需求同樣是門檻:全參數微調通常要上萬到數十萬筆高品質資料才不容易過擬合,一輪訓練以天計。對多數企業,這條路的合理時機只有一個:LoRA 已經證明有效,而你需要再擠出最後幾個百分點,或者要做深度的領域續訓。</p>

<h2>LoRA:凍結原模型,只訓練低秩適配層</h2>
<p>LoRA(Low-Rank Adaptation)的思路完全不同:原模型權重全部凍結,在注意力層旁邊掛上兩個低秩矩陣(rank 一般取 8-64),只訓練這一小撮新增參數,通常僅占原模型參數量的 0.1% 到 1%。</p>
<p>因為梯度與優化器狀態只需要為這不到 1% 的參數保留,整體顯存需求大約降到全參數微調的 1/3 到 1/10。7B 模型跑 FP16 LoRA 約需 18-24GB,一張 RTX 4090(24GB)剛好能吃下;QLoRA 更進一步把凍結的底模量化成 4-bit,7B 只要 8-12GB,16GB 的消費卡都能拿來做實驗。</p>
<p>幾個實務參數直接給你抄:rank 從 16 或 32 起手,純風格任務 8 就有感,複雜任務再往 64-128 試;適配層先只掛注意力層的 Q、K、V、O 四個投影矩陣,效果不足再加 MLP 層,代價是參數量與顯存多三四成;學習率抓 1e-4 到 2e-4,比全參數微調高一個數量級。還有個反直覺的優點:當你的資料只有幾千筆,LoRA 因為可訓練參數少,反而比全參數更不容易過擬合——小資料集的企業場景等於天然適配。</p>
<p>工程面的好處也別忽略。訓練產出的 adapter 檔案只有幾十到幾百 MB,版本管理與回滾都輕鬆;同一個底模可以掛多組 adapter,客服、翻譯、摘要各練一個,推論時動態切換,一台主機同時服務多個任務。對人力有限的台灣中小團隊,這種可維運性比跑分高一兩分重要得多。</p>

<h2>GPU 需求對照表:7B 到 70B 一次看清</h2>
<table>
<thead><tr><th>模型規模</th><th>Full Fine-tuning</th><th>LoRA(FP16)</th><th>QLoRA(4-bit)</th></tr></thead>
<tbody>
<tr><td>7B</td><td>110-140GB,2×H100 80GB</td><td>18-24GB,1×RTX 4090</td><td>8-12GB,1×RTX 4090 有餘裕</td></tr>
<tr><td>14B</td><td>220-280GB,4×H100</td><td>36-48GB,1×L40S 48GB 或 2×4090</td><td>14-18GB,1×RTX 4090</td></tr>
<tr><td>32B</td><td>500GB 上下,8×H100</td><td>75-95GB,2×H100 或 2×L40S</td><td>26-34GB,1×L40S 或 2×4090</td></tr>
<tr><td>70B</td><td>700GB 以上,多節點</td><td>150-190GB,3×H100</td><td>42-50GB,2×4090 或 1×L40S(緊)</td></tr>
</tbody>
</table>
<p>兩個實務提醒。表中數字以 2K-4K 序列長度、小 batch 估算,序列拉到 8K 以上或 batch 加大,激活值會讓顯存再多吃 20-50%;另外,開 gradient checkpointing 可以省下 30-50% 顯存,代價是訓練慢兩到三成,當顯存卡在門檻邊緣時,這是最划算的交換。</p>
<p>訓練時間也給個基準,以 2 萬筆、平均 1K token 的指令資料跑 3 個 epoch 估算:7B LoRA 在 RTX 4090 上約 6-10 小時,H100 約 2-4 小時;14B 大致乘以二;32B 的 QLoRA 在雙 4090 上要 15-25 小時。換算成錢:台灣機房 4090 主機月租 NT$15,000-25,000,攤下來一輪訓練的機時成本不過幾百元——真正貴的是工程師指揮機器的時間,所以把迭代週期縮短,比省那一點機時重要得多。</p>
<p>用這張表抓預算的流程很直接:先定模型規模(絕大多數企業從 7B-14B 起步),再定訓練方式(預設 QLoRA),最後對出顯存與卡數。容易被忽略的是主機配套:載入與轉檔階段很吃系統記憶體,RAM 建議抓總顯存的 1.5-2 倍;資料集加上多版本 checkpoint,硬碟建議 NVMe SSD 500GB 起跳。這些在正規的租用方案裡通常已包含,自組機器時卻最常漏算,開訓當天才發現 RAM 不夠是很常見的慘劇。</p>

<h2>成本試算與導入案例:兩週從 POC 到上線</h2>
<p>先看租用行情。海外雲端 H100 每小時約 US$2.5-6,一次 6 小時的 7B LoRA 訓練折合 NT$500-1,500,單看很便宜。但實務上一個案子會迭代數十次,加上資料前處理、失敗重跑與除錯占用的機時,月帳單很容易衝到 NT$40,000-80,000,而且企業資料得出境。台灣在地 GPU 主機走包月制,RTX 4090 等級月租約 NT$15,000-25,000,吃到飽迭代,資料留在台灣機房,個資法遵評估也單純得多。</p>
<p>看一個實際案例。台北一家 35 人的跨境電商,想把客服 email 草擬自動化,選了 Qwen2.5-7B-Instruct 做 QLoRA,資料是 2.3 萬筆去識別化的歷史工單。時程是:第 1-2 天環境建置與資料清理;第 3 天跑通第一輪訓練,單輪約 4 小時;第 4-10 天共迭代 11 輪,主要在調資料配比與 rank;第 11-14 天做離線評測與上線。設備就是台灣機房一台單卡 4090 主機,整個專案的硬體成本等於一個月月租 NT$18,000。上線兩個月後,客服首次回覆時間從平均 4 小時降到 18 分鐘,AI 草稿採用率 76%。同樣的迭代量若按小時租海外 H100,估 NT$35,000-60,000,還沒算個資出境評估的隱形成本。</p>
<p>這個案子有兩個值得抄的細節。資料清理占掉整個專案約六成工時:他們把 5 萬筆原始工單去重、濾掉罐頭回覆、遮罩個資後只剩 2.3 萬筆可用,但正是這一步讓效果跳上來——第一版直接拿全量原始資料訓練的模型,盲測分數比底模還差。評測做得樸素而有效:上線前用 50 題真實客服情境做人工盲測,上線後每週抽 100 封 AI 草稿人工複核,採用率與修改幅度都進儀表板,「76% 採用率」這個數字就是這樣來的,不是感覺。</p>
<p>雲端與在地的比較,還有兩筆帳常被漏掉。上傳與下載的時間成本:幾十 GB 的資料集與模型權重在跨海頻寬上來回,每次迭代多等半小時起跳,兩週的專案硬是被拖成三週。還有法遵文件成本:客戶資料要出境,法務得做傳輸影響評估與契約檢核,這些人力成本往往超過機時費本身。台灣機房把這兩筆直接歸零,這才是月租數字之外真正的差異。</p>
<p>再補一個時程上的提醒:兩週上線的前提是資料已經存在、只需要清理。如果工單還散在個人信箱、客服系統沒有匯出機制,請先花兩到四週把資料管線建起來再開案,否則 GPU 租了只能空轉。評估微調專案時,「資料在哪、誰能拿到、乾不乾淨」這三個問題,永遠比「要租哪張卡」優先。</p>

<h2>LoRA 的極限:什麼時候該誠實加碼</h2>
<p>LoRA 不是萬靈丹。三種情況它會明顯不夠力:語言或領域移轉幅度太大,例如要讓英文底模深度學會台語文書寫;需要動到模型底層能力,像長推理鏈或更換 tokenizer;以及大規模續訓與蒸餾。此時的升級路徑通常是把 rank 拉高到 128-256 並套用到更多層,再不行才解凍部分層,最後才是全參數微調。</p>
<p>順帶回答一個常見的進階問題:DPO、RLHF 這些對齊技術呢?它們解的是「在多個可行回答之間挑更好的那個」,通常接在監督式微調(SFT)之後,資料要成對的偏好標註,顯存需求與 LoRA SFT 同級或略高。多數企業案子做到 LoRA SFT 就能交付,對齊訓練留給有專職 ML 團隊的公司;至於資料量以十億 token 計的領域續訓,進場前先確認你真的有那個量級的語料,多數產業其實沒有。</p>
<p>我們給客戶的標準建議是反過來走:先用 QLoRA 花半天、幾百元機時,驗證「你的資料有沒有訊號」。有效果,八成的案子就停在 LoRA 直接上線;有效果但不夠力,才值得討論全參數與更大的 GPU 配置。從第一天就上全參數微調的團隊,多數是把預算燒在還沒驗證過的假設上。預算排序也很直觀:先花錢整資料,再花錢租卡,買卡永遠放最後。</p>
<p>給一張可以直接對照的判斷清單:資料少於 5,000 筆、任務屬於格式語氣類、預算在六位數以內——停在 LoRA;盲測顯示模型能力天花板明顯、可用資料超過 10 萬筆、團隊有專職 ML 人力——才值得進全參數。拿這五條對照你的專案,九成的情況答案已經出來了,剩下一成,先跑一輪 QLoRA 再說。</p>


<figure class="wp-block-image size-full"><img title="戰國策集團LLM 微調實戰:LoRA 和 Full Fine-tuning 差在哪?GPU 需求與成本一次算清" src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-17-points-20260714.jpg" alt="LLM 微調實戰:LoRA 和 Full Fine-tuning 差在哪?GPU 需求與成本一次算清" loading="lazy"/><figcaption>▲ LoRA vs Full FT 的選擇邏輯</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>微調專案的 GPU 需求有明顯階段性:POC 期一張 4090 就夠,放大期可能要 H100 多卡。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,機器放在台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,可以隨專案階段彈性升級。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,由顧問依你的模型規模與資料量試算配置。</p>

<h2>常見問題 FAQ</h2><h3>用 LoRA 微調 7B 模型最少需要多少顯存?</h3><p>FP16 LoRA 約需 18-24GB,一張 RTX 4090(24GB)可以執行;QLoRA 把底模量化成 4-bit 後只要 8-12GB。若序列長度超過 4K 或 batch 加大,建議直接抓 24GB 以上,搭配 gradient checkpointing 還能再省 30-50% 顯存。</p><h3>LoRA 的效果會比全參數微調差很多嗎?</h3><p>在指令跟隨、語氣風格、格式控制這類任務上,LoRA 與全參數微調的差距多在 1-3% 以內,人工盲測常分不出來。差距明顯的是深度領域移轉與新語言學習。建議先用 LoRA 驗證方向,確認有效再評估是否值得多花 5-10 倍成本上全參數。</p><h3>微調需要準備多少訓練資料?</h3><p>風格與格式類任務約 500-3,000 筆高品質樣本就有感;任務型指令微調常見 5,000-50,000 筆;全參數領域續訓以十萬筆起跳。資料品質比數量重要,1,000 筆人工校對過的乾淨樣本,效果往往勝過 3 萬筆帶雜訊的原始資料。</p><h3>7B 模型 LoRA 微調一輪要跑多久?</h3><p>以 2 萬筆、平均 1K token 的指令資料訓練 3 個 epoch 估算:RTX 4090 約 6-10 小時,H100 約 2-4 小時;QLoRA 因量化運算反而慢 10-20%。整個專案含迭代通常要跑 10-20 輪,所以包月主機會比按小時計費划算。</p><h3>該選微調還是 RAG?</h3><p>要模型「知道最新內部知識」選 RAG,知識更新即時、回答可附來源;要改變「行為與語氣」選微調。實務上七成企業案子從 RAG 起步,最成熟的架構是 RAG 管知識、LoRA 管格式語氣,兩者並用,總成本反而比硬用單一方案低。</p><h3>QLoRA 是什麼?量化會不會犧牲效果?</h3><p>QLoRA 把凍結的底模用 NF4 格式壓到 4-bit,只有 LoRA 適配層維持高精度,7B 的訓練顯存從 18-24GB 降到 8-12GB。多數公開評測顯示效果損失在 1-2% 內,對預算有限的團隊是首選起點,驗證有效後再換 FP16 LoRA 收尾即可。</p><h3>微調後模型會不會忘記原本的能力?</h3><p>會,術語叫災難性遺忘。全參數微調最嚴重,LoRA 因為凍結原權重,影響小得多。實務解法是在訓練資料混入 5-10% 通用指令資料,並在驗證集加入通用能力測項;若通用分數掉超過 3-5%,通常是學習率太高或 epoch 太多。</p><h3>一張 RTX 4090 能微調 70B 模型嗎?</h3><p>單張 24GB 不行。70B 即使用 QLoRA 也需要 42-50GB 顯存,至少要 2 張 4090 合計 48GB 搭配分片,或一張 48GB 的 L40S 勉強容納。認真做 70B 建議 2-3 張 H100 跑 FP16 LoRA,訓練速度與穩定度跟消費卡是兩個世界。</p><h3>微調專案該租 GPU 還是買卡?</h3><p>迭代期建議用租的:台灣機房 4090 主機月租約 NT$15,000-25,000,免押金、硬體故障有人處理,兩三個月專案期的總成本遠低於購置。等你有全年不間斷的訓練需求且用量穩定,再評估買斷,回本週期一般抓 12-18 個月。</p><h3>訓練資料要整理成什麼格式?</h3><p>主流是 JSONL,每行一筆,含 instruction、input、output 欄位,或 OpenAI 式的 messages 對話格式。真正花時間的是去識別化、去重與品質篩選,這部分通常占專案 40-60% 的工時,比訓練本身還重,建議一開始就排進時程。</p>"
                    ["post_title"]=>
                    string(84) "LLM 微調實戰:LoRA 和 Full Fine-tuning 差在哪?GPU 需求與成本一次算清"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(23) "llm-finetuning-lora-gpu"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 10:59:24"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 02:59:24"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(46) "https://www.nss.com.tw/llm-finetuning-lora-gpu"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [8]=>
                  object(WP_Post)#36617 (24) {
                    ["ID"]=>
                    int(125223)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:16:10"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:16:10"
                    ["post_content"]=>
                    string(18062) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:浸沒式液冷伺服器是什麼?為什麼高密度 GPU 機房要把伺服器泡進液體裡?</p><p style="margin:0">浸沒式液冷伺服器就是把整台伺服器浸入不導電的介電冷卻液中散熱,分為單相(液體不沸騰,靠泵浦與對流循環帶熱)與兩相(液體在晶片表面沸騰汽化,以潛熱散熱,效率更高)兩種。液體帶熱能力遠勝空氣,單櫃可支援 30 到 100kW 以上的 GPU 高密度部署,機房 PUE 能從氣冷的 1.4-1.6 降到約 1.05-1.1,散熱電費大減,還能拆除風扇、大幅降低噪音與故障率。</p></div>
<p>走進一座傳統機房,最先感受到的是風:上千顆風扇的轟鳴、冷通道的寒意、熱通道撲面而來的熱浪。走進一座浸沒式液冷機房,卻安靜得像圖書館,伺服器整台泡在清澈的液體裡,只剩泵浦低鳴。這不是科幻場景,而是 AI 時代高密度 GPU 機房正在發生的散熱革命。這篇文章用顧問的視角,把浸沒式液冷伺服器的原理、單相與兩相的差異、PUE 電費帳本、與氣冷及冷板方案的取捨,以及台灣機房的導入現況,一次講清楚。</p><h2>當機櫃功率衝破 30kW:氣冷正在逼近物理極限</h2><p>十年前,一座標準機櫃裝滿伺服器,總功率大約 3 到 5kW,機房空調吹一吹就能應付。今天一台八卡的 AI 訓練伺服器,滿載功率就可能超過 10kW;疊四台進同一櫃,單櫃輕鬆突破 40kW。NVIDIA 新世代 GPU 平台的參考架構,單櫃功率更已規劃到 100kW 以上。業界的共識很直白:AI 機櫃的功率密度在五年內成長了一個數量級,而且還在往上爬。</p><p>麻煩在於,空氣本質上是很差的導熱介質:熱容量低、導熱係數低,要帶走同樣的熱量,需要非常大的體積流量。機房因此塞滿風扇、空調箱與冷熱通道封閉設施,整棟建築有相當比例的電力不是拿來運算,而是拿來吹風。當單櫃功率超過大約 20 到 30kW,氣冷開始捉襟見肘:風量再大,晶片熱點依舊壓不住,GPU 為了自保觸發降頻,你買來的算力就這樣悄悄打了折。風扇本身也吃電、也會壞,密度越高,這條路就越走越窄。</p><p>許多機房的第一反應是「攤開放」:一櫃只裝三分之一,把熱源稀釋。代價是機位租金與樓地板面積翻倍,叢集節點被迫拉遠,網路佈線與延遲一起惡化。如果你正在規劃 AI 訓練或高效能運算叢集,這道散熱天花板遲早會撞上;想先補齊運算架構的基礎,可參考這篇 <a href='https://www.nss.com.tw/hpc-gpu-computing-guide'>HPC 高效能運算入門指南</a>,本文則聚焦散熱這一側的解法。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-16-data-20260714.jpg" alt="浸沒式液冷伺服器是什麼?高密度 GPU 機房的散熱革命與台灣現況" loading="lazy"/><figcaption>▲ 氣冷機房 PUE 1.4-1.6;浸沒式液冷讓散熱電費大減</figcaption></figure>
<h2>浸沒式液冷伺服器是什麼?單相與兩相的差別</h2><p>浸沒式液冷(immersion cooling)的做法非常直觀:把整台伺服器泡進裝滿「不導電冷卻液」的液槽。這種液體是絕緣的介電流體,主機板、記憶體、GPU 全部浸在裡面也不會短路。液體的導熱與帶熱能力遠勝空氣,晶片的熱量直接傳給緊貼表面的液體,不必再經過散熱鰭片、風扇、空氣這一長串低效率的接力賽。</p><p>依照冷卻液是否沸騰,浸沒式分成兩條技術路線:</p><ul><li><strong>單相浸沒(single-phase)</strong>:冷卻液全程維持液態、不沸騰,靠泵浦與自然對流循環,把熱帶到熱交換器,再由水迴路送出機房。液體多為礦物油或合成碳氫流體,價格相對親民、系統簡單,是目前商用部署的主流。</li><li><strong>兩相浸沒(two-phase)</strong>:使用低沸點氟化液,液體直接在晶片表面沸騰汽化,蒸氣上升到液槽頂部的冷凝盤管,凝結後再滴回槽內形成封閉循環。汽化吸收的是潛熱,單位質量帶走的熱量遠高於單純升溫,散熱效率更高、可支撐更極端的功率密度;代價是氟化液昂貴、槽體要處理蒸氣密封,工程複雜度與成本都高一截。</li></ul><p>一個好記的比喻:單相像把發燙的鐵塊放進不斷攪拌的油鍋,靠油的流動持續帶走熱;兩相像把水灑上燒紅的鐵板,水在瞬間汽化,那一刻吸走的熱量大得多。</p><p>浸沒式還有一項常被低估的紅利:風扇全數拆除。風扇通常吃掉伺服器本身約一成電力,也是機房裡最常故障的機械零件;拆掉之後,故障點減少,震動與灰塵問題一併消失,機房從 85 分貝的轟鳴變成 60 分貝以下的低鳴,運維人員終於不必戴著耳罩巡檢。</p><p>至於大家最擔心的維護:設備要先吊出液槽、瀝液之後才能動手,液槽上方通常配有導軌或小型吊臂輔助,流程與氣冷確實不同。冷卻液本身反而不嬌貴,單相液體的使用壽命常見規劃 8 到 10 年以上,期間定期檢測黏度、含水量與酸值即可;真正的消耗是設備進出時帶走的少量液體,屬於可預估、可編列的營運成本,而不是隱藏地雷。</p><h2>PUE 是什麼?從 1.5 到 1.1 的電費帳本</h2><p>評估機房能效,業界通用的指標是 PUE(Power Usage Effectiveness,電力使用效率):機房總用電除以 IT 設備用電,數字越接近 1 越好。PUE 1.5 代表 IT 設備每用 1 度電,空調、風扇、供電損耗等非 IT 開銷還要再吃 0.5 度。</p><p>傳統氣冷資料中心的 PUE 多落在 1.4 到 1.6;把冷熱通道封閉與氣流管理做到位,壓到 1.3 出頭已屬佳作。浸沒式液冷把散熱主力交給液體,幾乎不需要壓縮機制冷,冷卻迴路可接受 40 度上下的較高水溫,多數時間靠乾式冷卻塔就能把熱排掉,PUE 因此可壓到約 1.05 到 1.1。</p><p>帳本攤開來算最有感。假設一座 IT 負載 1,000kW 的 AI 機房:</p><ul><li>PUE 1.5:總用電 1,500kW,非 IT 耗電 500kW;</li><li>PUE 1.1:總用電 1,100kW,非 IT 耗電僅 100kW,直接砍掉八成;</li><li>兩者差距 400kW,乘上一年 8,760 小時,約省下 350 萬度電;以工業電價每度 NT$3.5 元估算,一年電費差距約 NT$1,200 萬元。</li></ul><p>還有一個行家才會注意的細節:伺服器內建風扇的用電,在 PUE 公式裡是算在 IT 設備那一側的。浸沒式把風扇整批拆掉,等於連分母裡的無效用電也一併省下,實際節能幅度比 PUE 數字表面呈現的更漂亮。省下的也不只是電費:散熱負擔變小,不斷電系統與發電機的容量需求跟著下降,同一棟建築的供電餘裕可以再塞進更多算力,這對受限於契約容量的台灣機房尤其關鍵。同樣的算力,只因散熱方式不同,一年就是千萬元等級的差距;機房規模越大、電價越高,這筆帳越驚人。</p><h2>三條散熱路線對照:氣冷、冷板、浸沒式</h2><p>液冷不是只有浸沒式一條路。另一條更漸進的路線是直接晶片液冷(Direct-to-Chip,簡稱 D2C,俗稱冷板式):在 GPU、CPU 等主要發熱晶片上鎖一塊內部有水道的冷板(cold plate),冷卻液只流經冷板、不接觸其他零件,其餘元件仍靠風扇散熱。D2C 對機房的改造幅度較小,拉水路、加裝冷卻液分配單元(CDU)後即可沿用現有機櫃型態,因此成為多數大型資料中心導入液冷的第一步。</p><p>浸沒式則是最徹底的方案:散熱效果最好、密度上限最高,但機房要改成液槽型態、樓板承重要重新計算、冷卻液要採購與管理、維運流程也得重新訓練。三條路線的取捨,一張表看得最清楚:</p><table><tr><th>比較項目</th><th>傳統氣冷</th><th>直接晶片液冷(D2C 冷板)</th><th>浸沒式液冷</th></tr><tr><td>典型 PUE</td><td>約 1.4-1.6</td><td>約 1.15-1.3</td><td>約 1.05-1.1</td></tr><tr><td>可支援單櫃功率</td><td>常見 10-20kW,優化後約 30kW 接近極限</td><td>約 50-100kW</td><td>100kW 以上,兩相潛力更高</td></tr><tr><td>導入成本</td><td>低,沿用既有設施</td><td>中,需水路管線與 CDU</td><td>高,需液槽、冷卻液與機房改造</td></tr><tr><td>維護難度</td><td>低,人員最熟悉</td><td>中,需管理接頭與防漏</td><td>較高,設備進出需吊掛與瀝液</td></tr><tr><td>噪音與風扇</td><td>風扇多、噪音大</td><td>風扇減少</td><td>幾乎無風扇,近乎安靜</td></tr></table><p>選擇邏輯大致是:單櫃 20kW 以下、預算有限,把氣冷優化到位即可;30 到 80kW 的 AI 機櫃,D2C 冷板是目前的主流解;要一次到位支撐 100kW 級機櫃、機房空間極度受限、或對噪音與能效有硬性要求,才值得直上浸沒式。也有不少案場採混合策略:訓練叢集用液冷,儲存與網路設備留在氣冷區,各取所長。</p><h2>台灣機房為什麼開始認真看液冷?</h2><p>把場景拉回台灣,幾個在地條件讓液冷的投資報酬率比多數國家更好算。</p><ul><li><strong>電價持續走揚</strong>:台灣工業電價每度約 NT$3 到 4 元,夏月(6 到 9 月)費率更高;近年數次調漲後,大用電戶感受最深。機房是 7×24 滿載的用電大戶,PUE 每降 0.1,都直接反映在每月的電費單上。</li><li><strong>土地與空間昂貴</strong>:雙北與桃園的機房空間寸土寸金,氣冷被迫攤開放以稀釋熱源,浸沒式讓同樣算力塞進約三分之一的樓地板面積,省下的租金與土建成本相當可觀。</li><li><strong>氣候先天不利氣冷</strong>:台灣夏季室外動輒 35 度以上、相對濕度 70% 起跳,自然冷卻可用時數短,空調壓縮機幾乎整年重載;液冷迴路可接受較高水溫,盛夏也能靠乾式冷卻塔運轉,對台灣的高溫高濕特別對症。</li><li><strong>ESG 與能效法規</strong>:上市櫃公司要做碳盤查與淨零承諾,主管機關對新建大型資料中心的用電申請也訂出能效門檻,PUE 大致要壓在 1.4 以下才容易取得供電核可;氣冷達標吃力,液冷是最直接的工程解。</li></ul><p>實際動起來的不只科技巨頭:北部已有電信與雲端業者在既有機房劃出液冷專區,中南部新建的資料中心在設計階段就預留液冷管路與樓板承重;台灣的伺服器代工與散熱供應鏈(液槽、冷板、CDU、快接頭)本來就是全球要角,在地取得方案與技術支援相對容易。門檻同樣真實:冷卻液的初次填充與後續補充成本、既有機房的結構與消防改造、維運團隊的重新訓練,都是評估時必須誠實面對的項目;兩相浸沒使用的氟化液,更因主要供應商淡出市場而面臨供應與價格的雙重壓力。務實的建議是分階段走:先用一到兩座液槽驗證業務負載與維運流程,電費與故障率的數字對了,再放大規模,風險最可控。</p><h2>一個 AI 機房的決策實例:氣冷擴充撞牆之後</h2><p>一家台北的 AI 影像分析公司,2025 年接下大型智慧交通專案,需要把訓練算力擴充四倍。他們原本在北部某資料中心租用 12 櫃氣冷機位、每櫃約 8kW;新方案規劃 8 櫃 H100 等級伺服器,單櫃功率 60kW,合計 IT 負載約 480kW,而且客戶要求六個月內上線,時程壓力不小。</p><p>第一輪先評估氣冷擴充。機房方回覆:現有樓層每櫃供電與散熱上限 15kW,若維持氣冷,60kW 的設計得拆成 32 櫃低密度部署,機位租金翻倍,而且同樓層機位不足、必須跨兩個樓層,叢集網路的佈線成本與延遲都會惡化。第二輪評估列間空調加封閉通道改造:單櫃上限可拉到約 25kW,仍然不夠,且改造後 PUE 預估僅從 1.55 降到 1.35,電費改善有限。</p><p>最終拍板與機房業者合作導入單相浸沒式:8 櫃改為 6 座液槽,上線後 PUE 實測落在 1.08 到 1.12。用 PUE 1.5 對比 1.1 估算:480kW 的 IT 負載,非 IT 耗電從約 240kW 降到 48kW,一年省下約 168 萬度電,以每度 NT$3.5 元計,每年電費省下約 NT$590 萬元;加上省下的機位租金與免去的空調改造費,財務端估算整套液冷投資約 3 年半可回收。附帶的驚喜是噪音:機房從 85 分貝降到 60 分貝以下,維運同仁的評語是「終於能在機房裡好好講電話」。</p><p>這類高密度需求並不限於 AI 訓練。雲端遊戲與 VR 串流這種延遲敏感、又需要大量 GPU 併發的服務,同樣往高密度機櫃演進,可延伸閱讀 <a href='https://www.nss.com.tw/cloud-gaming-vr-gpu'>雲端遊戲與 VR 串流的 GPU 應用解析</a>。而對多數還不需要自建機房的團隊來說,直接租用散熱與電力都已打點好的 <a href='https://www.nss.com.tw/gpu/'>GPU 主機</a>,往往是更快、財務上也更輕盈的起點。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-16-points-20260714.jpg" alt="浸沒式液冷伺服器是什麼?高密度 GPU 機房的散熱革命與台灣現況" loading="lazy"/><figcaption>▲ 高密度 GPU 機房散熱革命</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2><p>看完浸沒式液冷的原理與帳本,你會發現高密度 GPU 部署的真正門檻,從來不只是買幾張卡,而是電力、散熱、機房與維運的整套工程。如果你的團隊需要的是穩定算力,而不是一座機房,把這些難題交給專業夥伴是務實的選擇。戰國策 GPU 主機部署於台灣在地機房,提供 NVIDIA H100 與 RTX 系列多種規格,月租 NT$15,000 元起,電力、散熱與網路由機房團隊打理,搭配 7×24 中文技術支援,讓你把心力留給模型與產品。詳情請見官網 <a href='https://www.nss.com.tw/gpu'>https://www.nss.com.tw/gpu</a>,或加入 LINE 帳號 @119m 洽詢,免費專線 0800-003-191。</p>

<h2>常見問題 FAQ</h2><h3>浸沒式液冷伺服器需要特製機型嗎?現有伺服器能直接泡進去嗎?</h3><p>不能直接泡。既有伺服器要先改造:拆除全部風扇、把散熱膏更換為不溶於冷卻液的介面材料、確認硬碟為密封式或改用 SSD,線材與標籤也要確認相容。多數液槽廠商提供改機服務,單台費用常見 NT$1 到 3 萬元;新採購時直接選液冷就緒機型最省事。</p><h3>單相與兩相浸沒式液冷,實務上該選哪一種?</h3><p>現階段商用主流是單相:礦物油或合成油價格較低、系統簡單、維護直觀,PUE 約 1.05 到 1.1 已能滿足絕大多數需求。兩相散熱密度更高,但氟化液每公升價格可達數千元,且主要供應商淡出、供應趨緊,多見於實驗性或極端密度場景。一般企業建議從單相入手。</p><h3>浸沒式液冷的 PUE 真的能做到 1.1 以下嗎?</h3><p>設計良好的案場可以。風扇全拆、冷卻迴路可用 40 度上下的較高水溫,多數時間靠乾式冷卻塔散熱,不依賴壓縮機制冷,業界實測常落在 1.03 到 1.1 之間。台灣高溫高濕環境下保守估 1.08 到 1.12,仍遠優於氣冷常見的 1.4 到 1.6,省電幅度依然可觀。</p><h3>冷卻液會不會損壞硬體?原廠保固怎麼辦?</h3><p>合格的介電冷卻液不導電、對金屬呈惰性,不會腐蝕電路;要留意部分塑膠、橡膠與標籤長期浸泡可能軟化,硬碟與光模組需選相容型號。保固方面,部分品牌已正式支援浸沒式,部分仍視為改裝;建議導入前要求供應商提供相容性清單與至少 3 年的材料測試報告。</p><h3>一櫃 100kW 是什麼概念?我的專案需要浸沒式嗎?</h3><p>100kW 約可容納 10 台上下的八卡 H100 等級伺服器,屬於超大規模 AI 訓練的密度。多數企業的單櫃需求落在 20 到 60kW:20kW 內優化氣冷即可,30kW 以上建議評估冷板式,超過 80kW 或空間受限再考慮浸沒式。先盤點實際功率再選散熱路線,順序不要顛倒。</p><h3>導入浸沒式液冷,機房要做哪些改造?</h3><p>重點有四項:樓板承重(滿液的液槽單座常超過 1 噸,荷重要重新計算)、水路與熱交換系統(乾冷塔或冷卻水塔)、消防與環安(冷卻液防漏與回收動線)、維運工具(吊掛設備與瀝液架)。既有機房改造工期常見 3 到 6 個月,新建案在設計期就納入的成本最低。</p><h3>浸沒式液冷會讓日常維護變得很麻煩嗎?</h3><p>是變不同,不一定變難。更換記憶體或介面卡要先吊出設備、瀝液 10 到 30 分鐘,單次作業比氣冷慢;但最大故障源風扇消失,灰塵、濕度與震動問題也沒了,業界常見回報整體硬體故障率下降三成上下。關鍵是重寫維運流程、培訓人員並備妥專用工具。</p><h3>台灣現在租得到高密度或液冷等級的 GPU 算力嗎?</h3><p>可以。台灣北中南都有資料中心建置或評估液冷專區,電信與雲端業者也陸續推出高密度機櫃方案。若不想自建,直接租用 GPU 主機是門檻最低的路:例如戰國策的 GPU 主機部署於台灣機房,月租 NT$15,000 元起,散熱與電力由機房打理,可撥免費專線 0800-003-191 詢問。</p><h3>自建液冷機房與租用 GPU 主機,成本怎麼比較?</h3><p>自建浸沒式的液槽、冷卻液、管路與機房改造,單座液槽的初期投資常見數百萬元等級,加上維運人力,適合長期滿載、規模達數十櫃的用戶,回收期約 3 到 5 年。若需求只是幾張到十幾張卡、或專案期不到 2 年,租用月付 NT$15,000 元起的方案幾乎必然更划算,還能隨時升級新卡。</p><h3>液冷對 GPU 效能與壽命有實際幫助嗎?</h3><p>有。液冷讓晶片溫度更低也更穩定,GPU 不易觸發熱降頻,長時間訓練的有效算力常比氣冷高 5% 到 10%;溫度波動小可減緩焊點疲勞,風扇震動歸零,業界普遍觀察年故障率可下降兩到三成。對 7×24 滿載的訓練叢集來說,穩定度本身就是產能。</p>"
                    ["post_title"]=>
                    string(84) "浸沒式液冷伺服器是什麼?高密度 GPU 機房的散熱革命與台灣現況"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(28) "immersion-cooling-gpu-server"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 10:58:04"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 02:58:04"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(51) "https://www.nss.com.tw/immersion-cooling-gpu-server"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [9]=>
                  object(WP_Post)#36615 (24) {
                    ["ID"]=>
                    int(125222)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:16:08"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:16:08"
                    ["post_content"]=>
                    string(17645) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:GPU 與 CPU 的差異是什麼,為什麼 AI 訓練都用 GPU?</p><p style="margin:0">CPU 只有數個到數十個強大核心,擅長複雜邏輯、分支判斷與一步接一步的序列任務,像幾位十項全能的大廚;GPU 有數千到上萬個小核心,能同時對大量資料做一模一樣的簡單運算,像整條工廠流水線。AI 訓練的本質是巨量矩陣乘加,幾乎沒有分支,正好能拆給幾千個核心同時算,所以 GPU 常比 CPU 快數十倍。兩者是分工:CPU 負責指揮與邏輯,GPU 負責平行算力。</p></div>
<h2>為什麼一講到 AI,大家都在搶 GPU?</h2><p>如果你最近看過任何一則科技新聞,大概都遇過同一句話:「AI 需要大量 GPU。」奇怪的是,你的筆電裡明明有一顆不便宜的 CPU,課本還說它是電腦的大腦,為什麼一算 AI,大家卻搶著要另一種晶片?這篇文章用最白話的方式,把 GPU 與 CPU 差異一次講清楚,也順便回答另一個常被搜尋的問題:什麼是 GPU 伺服器。你不需要資工背景,只要想像過餐廳的廚房和工廠的流水線,就能看懂現代運算世界最重要的一次分工。讀完之後,下次家人問起新聞裡的 AI 晶片之亂,你可以用一頓晚餐的時間講給他們聽。</p><p>先給最短版本的答案:<strong>CPU 像幾位十項全能的大廚</strong>,人數少,但再刁鑽的菜都做得出來;<strong>GPU 像幾千名只負責一道簡單工序的作業員</strong>,單看一個人不起眼,整條線動起來的產量卻嚇死人。難的菜交給大廚,大量重複的簡單工作交給流水線,這就是兩顆晶片的分工。接下來我們把比喻拆開,看看它們在晶片層面各自對應什麼。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-15-data-20260714.jpg" alt="GPU 與 CPU 到底差在哪?用工廠流水線一次講懂平行運算【圖解】" loading="lazy"/><figcaption>▲ CPU 擅長邏輯與序列;GPU 同時對巨量資料做相同運算</figcaption></figure>
<h2>CPU:少而精的十項全能大廚</h2><p>一顆現代 CPU 通常只有數個到數十個核心:家用桌機常見 6 到 16 核,伺服器等級可以到 64 核、96 核,頂多一百出頭。但每個核心都非常強:時脈動輒 3 到 5 GHz,等於每秒數十億個節拍;核心旁邊配了層層快取(L1、L2、L3),容量從幾十 KB 到上百 MB,讓最常用的資料幾乎不用等待就能取用,延遲極低;再加上分支預測、亂序執行這類聰明機制,專門對付「充滿判斷與跳轉」的程式。</p><p>換成廚房語言:CPU 核心就是米其林等級的大廚。客人臨時改單,他當場改流程,這叫<strong>分支判斷</strong>;一道功夫菜十個步驟環環相扣,少一步都不行,這叫<strong>序列任務</strong>;煮到一半要嚐味道再決定加不加鹽,這叫<strong>邏輯控制</strong>。作業系統的排程、資料庫的交易、網站後端的商業邏輯、程式裡一層又一層的條件式,都是「下一步取決於上一步結果」的工作,天生屬於 CPU。你隨手開個網頁、切個視窗,背後就是 CPU 在毫秒之間完成成千上萬次這種判斷,這也是它被稱為電腦大腦的原因。</p><p>但大廚再神,人數就是少。假設今天的任務是把一萬顆馬鈴薯削皮,五位大廚削得再快,也贏不了五百個人同時動手。這就是 CPU 的天花板:單筆極快、延遲極低,但同一時刻能並行的工作數量有限。</p><h2>GPU:幾千人同時開工的工廠流水線</h2><p>GPU 走完全相反的路線。一張現代 GPU 塞了數千到上萬個小核心:消費級旗艦卡有超過 16,000 個 CUDA 核心,資料中心等級的 NVIDIA H100 也有上萬個運算單元。每個核心都比 CPU 核心弱:時脈多半只有 1 到 2 GHz,不擅長複雜判斷,分到的快取也小。但它的設計哲學是人海戰術:同一道指令,讓成千上萬個執行緒同時套用在不同的資料上。這個模式的正式名稱叫 <strong>SIMT(單指令、多執行緒)</strong>,更白話的說法是<strong>資料平行</strong>:資料被切成幾千份,每一份做的動作一模一樣。有趣的是,GPU 一開始只是為了畫遊戲畫面而生,直到 2007 年前後通用運算框架普及,工程師才發現這支流水線大軍拿來算科學與 AI 一樣好用,從此顯卡不再只是遊戲配件。</p><p>回到比喻,GPU 像操場上集合了幾千名學生,老師在黑板寫一題「把你手上的兩個數字相加」,哨音一響,幾千人同時算完各自那題。我們做個粗略算術:一位大廚一分鐘能完成 30 筆複雜計算,五位大廚就是每分鐘 150 筆;一名學生一分鐘只能算 5 筆簡單加法,但 3,000 名學生同時動手,每分鐘就是 15,000 筆,是大廚隊的 100 倍。這就是<strong>延遲與吞吐量</strong>的差別:問單筆多快,大廚贏;問整批多快,流水線壓倒性獲勝,而 GPU 的世界在乎的通常是整批。不過人多還得餵得飽:幾千名學生同時伸手要考卷,發卷的速度就成了關鍵,所以 GPU 都配上超寬的記憶體通道,像一條一次能開進幾十台餐車的超大走道。</p><p>巧的是,世界上有一大類重要工作,正好就是大量一模一樣的簡單計算。螢幕上幾百萬個像素的顏色要同時算出來,這是 GPU 名字的由來(圖形處理器);影像濾鏡、影片轉檔、3D 遊戲的幾何與光影,全是同類;現在最紅的 AI 更是如此:深度學習的核心是矩陣乘法,把幾十億個數字排成表格反覆做乘加,幾乎沒有分支,一張卡上萬個核心一起算,一秒可完成數十兆次浮點運算。這也是近十年<a href='https://www.nss.com.tw/hpc-gpu-computing-guide'>HPC 高效能運算</a>大量改用 GPU 加速的原因:氣象模擬、分子動力學、金融風險計算,骨子裡都是巨量數值運算。</p><h2>一張表看懂 GPU 與 CPU 差異</h2><p>把故事整理成一張球員卡,兩邊的取捨一目了然:</p><table><tr><th>項目</th><th>CPU(大廚隊)</th><th>GPU(流水線)</th></tr><tr><td>核心數量</td><td>數個到數十個,伺服器級可破百核</td><td>數千到上萬個,旗艦卡逾 16,000 個 CUDA 核心</td></tr><tr><td>單核能力</td><td>極強,會處理複雜邏輯與分支</td><td>較弱,只做簡單重複運算</td></tr><tr><td>時脈</td><td>約 3 到 5 GHz</td><td>約 1 到 2 GHz</td></tr><tr><td>快取與延遲</td><td>多層大快取,延遲極低</td><td>快取小,靠每秒數 TB 高頻寬記憶體餵資料</td></tr><tr><td>擅長任務</td><td>作業系統、資料庫、邏輯控制、序列程式</td><td>矩陣運算、影像繪圖、AI 訓練與推論</td></tr><tr><td>不擅長</td><td>巨量重複的簡單運算</td><td>分支多、步步相依、資料量小的工作</td></tr><tr><td>一句話比喻</td><td>幾位十項全能的大廚</td><td>幾千名同時算加法的學生</td></tr></table><p>要提醒的是,表格裡的弱項不是設計失誤,而是取捨。你可能會問:為什麼不造一顆又聰明、人又多的晶片?因為晶片面積與功耗是硬預算,大快取與分支預測這些聰明機制非常占地方,塞了聰明就塞不下人海。工程沒有魔法,只有取捨:CPU 把預算花在深度,GPU 把預算花在寬度,兩者從來不是誰淘汰誰,而是一組互補的分工。</p><h2>什麼是 GPU 伺服器?跟你桌機的顯卡差在哪</h2><p>講完晶片,來定義另一個主角。<strong>所謂 GPU 伺服器,就是安裝了一張以上專業級 GPU 的伺服器</strong>:在 CPU、記憶體、硬碟這些標準配備之外,再裝上 NVIDIA H100 或 RTX 專業系列這類加速卡,搭配高速記憶體、數千瓦等級的供電與強化散熱,通常放在資料中心全年無休運轉,使用者透過網路遠端連線使用,就像租了一間隨時開火的雲端廚房:你在自己的筆電上寫程式、按下執行,真正流汗的是機房裡那台機器,筆電只負責當遙控器。一台典型的 GPU 伺服器包含:</p><ul><li>運算卡:1 到 8 張專業 GPU,單張 H100 的功耗就達 700 W</li><li>顯示記憶體:資料中心卡動輒 80 GB 起跳,頻寬達每秒 2 到 3 TB,餵得飽上萬個核心</li><li>供電與散熱:數千瓦電源加上強力風道或液冷,確保全年滿載不降速</li><li>高速通道:PCIe 或 NVLink 互連,讓 CPU 與多張卡之間的資料搬運不塞車</li><li>機房環境:恆溫恆濕、不斷電系統與備援網路,這是一般辦公室給不了的</li></ul><p>對照之下,桌機消費卡通常只有 16 到 24 GB 記憶體,不支援 ECC 錯誤修正與 NVLink 高速串接,電源與散熱也不是為 7 天 24 小時滿載設計。打遊戲、學習、跑小模型,消費卡綽綽有餘;要長時間訓練大模型或對外提供服務,就是資料中心等級的主場。</p><p>這裡有個很多台灣團隊都踩過的坑。不少中小企業或個人開發者一聽到 AI 要用 GPU,第一反應是自己買顯卡,結果要嘛發現記憶體不夠、模型載不進去,要嘛專案結束後卡就閒置,利用率不到兩成。電費也很實際:台灣工業電價每度約 NT$3 到 4 元,夏季更貴,一台八卡伺服器滿載功耗可達 10 kW,一個月電費就可能落在 NT$2 到 3 萬,空調還要另計。大學實驗室也有類似難處:研究計畫經費一年常常只有幾十萬到一兩百萬元,一次砸在買卡上,兩三年後規格落伍、經費卻已用罄。所以愈來愈多台灣團隊選擇先租<a href='https://www.nss.com.tw/gpu/'>GPU 主機</a>把需求跑清楚,再決定要不要自建,風險低得多。從新竹的 IC 設計公司、台中的精密機械廠到台北的軟體新創,許多團隊的第一個 AI 專案都是這樣起步的。</p><h2>常見迷思:不是所有工作丟給 GPU 都會變快</h2><p>這是全文最重要的澄清:<strong>GPU 不是萬靈丹</strong>,它只擅長能切成大量獨立小塊的運算。三種情況用 CPU 反而更快:一、高度序列相依的任務,下一步要等上一步的答案,幾千個核心只能排隊乾等;二、分支判斷很多的程式,GPU 同一批執行緒被迫走同一條路,遇到岔路整批停擺;三、資料量太小的工作,把資料從主記憶體搬進 GPU 再搬回來的時間,比計算本身還久,得不償失。舉個例子:熬一鍋高湯要先熬骨、再過濾、然後調味,順序綁死了,找一萬個廚師來也無法把三小時縮成一秒,因為每一步都在等上一步。工程師之間有個經驗法則:程式中無法平行化的部分,決定了加速的天花板;如果有一半的工作註定要排隊,核心再多整體頂多快兩倍。</p><p>所以實務的標準答案是<strong>異質運算</strong>:CPU 當指揮官,負責讀資料、做邏輯、發號施令;GPU 當算力大隊,接手矩陣運算這類重活。像<a href='https://www.nss.com.tw/cae-simulation-gpu-guide'>CAE 工程模擬</a>就是典型例子:求解器裡的大型矩陣交給 GPU,前處理與網格邏輯仍由 CPU 掌舵。你的手機、筆電、資料中心,全都是這種混合編制。下次不確定任務該給誰,用三個問題快速判斷:</p><ul><li>這件事能切成幾千份同時做嗎?能,GPU 加分</li><li>資料量夠大嗎?大到值得搬進顯示記憶體再算,GPU 加分</li><li>過程要不斷判斷、等待前一步結果嗎?是的話,乖乖交給 CPU</li></ul><p>舉一個真實感十足的例子。去年一位剛接觸 AI 的資工系大四學生來諮詢,他想微調一個 70 億參數的開源語言模型當畢業專題,原本的計畫是花 NT$15,000 把桌機 CPU 從 8 核升級到 16 核。顧問只問了三個問題:程式大部分時間在做什麼?答案是矩陣運算;需要多少顯示記憶體?粗估就算用省記憶體的微調技巧也要 20 GB 上下,而他那張舊卡只有 8 GB;要用多久?專題期間約 3 個月。診斷立刻清楚:瓶頸在 GPU,升級 CPU 幾乎無感。兩條路擺在眼前:買一張 24 GB 的新消費卡加電源升級,一次噴掉近 NT$8 萬,專題結束後多半閒置;或租一台資料中心等級的 GPU 主機,月租 NT$15,000 元起,3 個月總花費不到 NT$5 萬,結案就退租。他選了後者,單輪訓練時間從舊卡估算的十幾天縮到 3 天上下,總預算省下超過三成,還不用煩惱夏天機殼過熱當機。這個案例的重點不是租用一定贏,而是先搞清楚瓶頸在哪,再讓每一塊錢花在刀口上;那三個問題,你也可以照抄拿去問自己的專案。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-15-points-20260714.jpg" alt="GPU 與 CPU 到底差在哪?用工廠流水線一次講懂平行運算【圖解】" loading="lazy"/><figcaption>▲ 用工廠流水線一次講懂</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2><p>看懂 GPU 與 CPU 的分工之後,下一個問題往往是:我的任務適合哪種卡、要幾張、租還是買?這時候,有一個講中文、在台灣、隨時找得到人的夥伴很重要。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種規格,主機放在台灣機房,連線延遲低、資料不出境,月租 NT$15,000 元起,搭配 7×24 中文技術支援,從選卡、環境安裝到模型上線都有工程師陪你走。歡迎到官網 <a href='https://www.nss.com.tw/gpu'>https://www.nss.com.tw/gpu</a> 查看方案,或加 LINE 帳號 @119m 線上諮詢,也可撥打免費專線 0800-003-191,讓顧問幫你判斷:你的預算,該花在大廚,還是流水線。</p>

<h2>常見問題 FAQ</h2><h3>GPU 與 CPU 差異最簡單的說法是什麼?</h3><p>CPU 是少數強者:通常只有 6 到 64 個核心,每個都很聰明,擅長邏輯判斷與一步接一步的序列工作;GPU 是人海戰術:塞進數千到上萬個小核心,同時對大量資料做一模一樣的簡單運算。所以作業系統與商業邏輯靠 CPU,矩陣運算、影像與 AI 訓練靠 GPU,兩者是分工不是取代。</p><h3>什麼是 GPU 伺服器?</h3><p>GPU 伺服器是安裝了一張以上專業級 GPU 的伺服器,例如 NVIDIA H100 或 RTX 專業卡,搭配大容量高頻寬記憶體、數千瓦等級供電與強化散熱,通常放在資料中心全天候運轉。以八卡機種為例,滿載功耗可達 10 kW,遠超過一般辦公室電力能負荷,所以多數團隊用租用方式取得。</p><h3>打電動的顯卡和 AI 用的資料中心 GPU 一樣嗎?</h3><p>架構同源但定位不同。消費卡顯示記憶體多為 16 到 24 GB,不支援 ECC 與 NVLink,設計上也不是為全年無休滿載;資料中心卡如 H100 有 80 GB 高頻寬記憶體、頻寬每秒 2 到 3 TB,可多卡高速互連,適合長時間訓練。學習階段消費卡足夠,正式服務建議用資料中心等級。</p><h3>為什麼 AI 訓練用 GPU 比 CPU 快這麼多?</h3><p>深度學習九成以上的計算是矩陣乘加,屬於大量重複、彼此獨立的簡單運算,正好能拆給 GPU 上數千到上萬個核心同時做。CPU 核心雖強,但數量通常不到 100 個,吞吐量差了好幾個數量級。同一個訓練任務,GPU 常比純 CPU 快數十倍,訓練時間可從數週縮成數天。</p><h3>是不是所有程式搬到 GPU 上都會變快?</h3><p>不是。GPU 只對可平行的大量運算有效;高度序列相依、分支判斷多、或資料量太小的任務,搬上 GPU 反而因為資料搬運與啟動成本變慢。經驗上,若程式中可平行的部分不到五成,整體加速上限連 2 倍都不到;先分析任務型態再決定,比直接砸錢買卡重要得多。</p><h3>CPU 核心數一直增加,能不能取代 GPU?</h3><p>很難。伺服器 CPU 目前頂多一百多核,GPU 單卡就有上萬個運算單元,吞吐量差距是數十倍到百倍等級;而且 GPU 搭配的高頻寬記憶體每秒可搬 2 到 3 TB 資料,是一般 CPU 記憶體頻寬的 10 倍以上。反過來,GPU 也取代不了 CPU 的邏輯控制角色,實務是兩者協同的異質運算。</p><h3>學生想入門 AI,該先買顯卡還是租 GPU 主機?</h3><p>看使用時間與規模。若只是學框架、跑小模型,一張 8 到 16 GB 的消費卡或免費雲端資源就夠;要微調數十億參數的模型、專題只有 2 到 3 個月,租用通常更划算:月租 NT$15,000 元起,三個月約 NT$4.5 萬,不必一次掏 NT$6 萬以上買卡,結束退租、零閒置成本。</p><h3>GPU 伺服器在台灣的電費大概是多少?</h3><p>台灣工業電價每度約 NT$3 到 4 元,夏季較高。以一台八卡伺服器滿載 10 kW 估算,一個月用電約 7,200 度,電費約 NT$2 到 3 萬,機房空調通常還要再多三到五成。這是自建機房最常被低估的成本;改租 GPU 主機時,電費與空調多半已包含在月租費內。</p><h3>GPU 的幾千個核心和 CPU 核心是同一種東西嗎?</h3><p>不是,別被同一個「核心」字眼騙了。CPU 核心是完整的通用處理器,有大快取與分支預測,時脈約 3 到 5 GHz,可獨立執行複雜程式;GPU 的核心是精簡的運算單元,時脈約 1 到 2 GHz,必須成群結隊、由同一道指令帶著大批資料一起跑,單獨拿出來幾乎做不了事。</p><h3>租一台 GPU 主機在台灣大概多少錢?</h3><p>依卡的等級與數量差很大。入門的 RTX 系列單卡主機月租約 NT$15,000 元起,中階專業卡月租數萬元,H100 等級單卡月租常見十幾萬元起。相比自購:一張 H100 卡價超過 NT$100 萬,還要加伺服器、機房與電費,若使用期不滿 1 年,租用幾乎都比較划算。</p>"
                    ["post_title"]=>
                    string(82) "GPU 與 CPU 到底差在哪?用工廠流水線一次講懂平行運算【圖解】"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(20) "gpu-vs-cpu-explained"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 10:57:08"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 02:57:08"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(43) "https://www.nss.com.tw/gpu-vs-cpu-explained"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [10]=>
                  object(WP_Post)#36613 (24) {
                    ["ID"]=>
                    int(125221)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:16:06"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:16:06"
                    ["post_content"]=>
                    string(18333) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:雲端遊戲和 VR 串流的延遲要壓到多少毫秒才不會有感?</p><p style="margin:0">雲端遊戲從按鍵到畫面反應的總延遲壓在 100 毫秒以內即可順暢遊玩,50 毫秒以下多數玩家已感覺不出與本機差異;VR 串流更嚴苛,從轉頭到畫面更新需低於約 20 毫秒,否則容易暈眩。實務作法是三管齊下:把 GPU 放在靠近玩家的在地邊緣機房,將網路來回時間從跨海的 40 毫秒壓到 10 毫秒內;用 NVENC 硬體編碼把壓縮延遲降到毫秒級;再以 90 到 120Hz 高更新率縮短每格等待時間。</p></div>
<p>想像你在台北家裡按下手把的攻擊鍵,而真正算出那一刀畫面的顯示卡,其實在幾十公里外的機房裡。它必須在你眨一次眼的十分之一時間內,把指令收進來、畫面算出來、壓縮成影片、傳回你的螢幕。這就是雲端遊戲每秒鐘重複六十次以上的魔術,而魔術成敗只有一位評審:延遲。</p><p>人類對延遲的忍耐力,比多數工程師想像的低。實務經驗指向幾個門檻:總延遲超過 100 毫秒,玩家會覺得手感「怪怪的」;壓到 50 毫秒以下,多數人分不出雲端與本機的差別;而戴上頭盔的虛擬實境(VR)更殘酷,從你轉頭到畫面跟上若超過 20 毫秒,內耳前庭系統就會抗議,輕則出戲,重則暈眩想吐。這篇文章用顧問視角拆開整條延遲鏈:每一毫秒花在哪裡、怎麼省回來,以及為什麼對台灣團隊而言,機房位置比算力大小更關鍵。</p><h2>雲端遊戲的架構:GPU 在機房,手把在你家</h2><p>先把管線攤開。雲端遊戲的本質是「把遊戲主機搬進資料中心」:伺服器端的 GPU 即時算出遊戲畫面,再由 GPU 內建的硬體編碼器 NVENC 把每張畫面壓縮成影像串流,格式可用 H.264、HEVC 或最新的 AV1,經網路送到玩家的手機、電視或筆電;終端裝置解碼顯示,玩家的按鍵與搖桿輸入則反向回傳雲端,驅動下一張畫面。這條迴圈每秒要跑 60 到 120 次,任何一站塞車,整條線就跟著慢。</p><p>這個架構的美妙之處在於終端可以很弱:三年前的中階手機也能玩 3A 大作,因為它只負責解影片。難處則全部集中到伺服器與網路上——GPU 要算得快、編碼要壓得快、封包要跑得快,任何一環拖慢,玩家的手感就會像「隔著一層果凍出拳」。至於 GPU 為什麼天生擅長這種每秒上百張的即時算圖工作,可以參考我們寫過的 <a href='https://www.nss.com.tw/gpu-vs-cpu-explained'>GPU 與 CPU 差異解析</a>,這裡不重複展開。</p><p>值得單獨介紹的是 NVENC 這顆低調的功臣。它是獨立於算圖核心之外的專用編碼電路,工作時幾乎不佔遊戲效能,把一張 1080p 畫面壓縮成串流片段只需 1 到 5 毫秒;新一代 GPU 的 AV1 編碼,還能在同樣畫質下比 H.264 省下約三到四成頻寬。對行動網路或頻寬受限的家庭用戶,這直接決定了畫質上限與流量成本。</p><figure class="wp-block-image size-full"><img title="戰國策集團雲端遊戲與 VR 串流背後的 GPU 架構:延遲怎麼壓到人類無感?" src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-14-data-20260714.jpg" alt="雲端遊戲與 VR 串流背後的 GPU 架構:延遲怎麼壓到人類無感?" loading="lazy"/><figcaption>▲ 雲端遊戲 &lt;100ms 可順玩,50ms 以下與本機無異</figcaption></figure>
<h2>延遲預算:每一毫秒都要記帳</h2><p>顧問看延遲的方式跟財務長看預算一樣:先列科目,再逐項砍。從玩家按鍵到畫面亮起,業界稱為 click-to-photon(VR 則稱 motion-to-photon),中間至少經過八個環節。下表是一份典型的延遲帳本,中欄是常見配置的數字,右欄是各環節優化後可達的水準:</p><table><tr><th>延遲環節</th><th>一般配置(毫秒)</th><th>優化後(毫秒)</th><th>主要優化手段</th></tr><tr><td>輸入取樣與上行傳送</td><td>5-10</td><td>2-4</td><td>高輪詢率、精簡協定</td></tr><tr><td>網路來回(RTT)</td><td>30-50(跨海)</td><td>5-12(在地邊緣)</td><td>機房靠近玩家</td></tr><tr><td>伺服器排隊與調度</td><td>5-10</td><td>1-3</td><td>專屬實例、避免超賣</td></tr><tr><td>GPU 算圖</td><td>16.7(60fps)</td><td>8.3(120fps)</td><td>提高更新率</td></tr><tr><td>硬體編碼(NVENC)</td><td>5-10</td><td>1-4</td><td>低延遲模式、AV1</td></tr><tr><td>傳輸與抖動緩衝</td><td>10-20</td><td>3-6</td><td>自適應碼率、邊緣節點</td></tr><tr><td>終端解碼</td><td>4-8</td><td>2-4</td><td>硬體解碼器</td></tr><tr><td>顯示掃描輸出</td><td>8-16</td><td>4-8</td><td>高更新率螢幕</td></tr><tr><td><strong>合計</strong></td><td><strong>約 84 到 141</strong></td><td><strong>約 26 到 49</strong></td><td>環環相扣、逐項優化</td></tr></table><p>這張表講了兩件殘酷的事。第一,世界上沒有一個單獨的零件叫「延遲」,它是八筆小帳的總和,只優化其中一項的方案多半是安慰劑。第二,帳本裡最肥的科目是網路 RTT:跨海連線動輒 30 到 50 毫秒起跳,一口氣吃掉 100 毫秒預算的三分之一以上;更麻煩的是,這筆帳付給的是光在光纖裡的飛行時間,再貴的 GPU 都買不回來。</p><p>想知道自家產品的帳本長怎樣,方法比想像中平民:拿一支支援 240fps 慢動作錄影的手機,同框拍下手把與螢幕,從按鍵瞬間數到畫面反應,影格數乘以 4.17 毫秒就是總延遲。工程端再用時間戳記把每個環節拆開,先量測、再優化,順序不能反過來——沒有量測就動手優化,跟閉著眼睛減肥一樣,只是心裡舒服。</p><h2>把延遲壓到無感的四種武器</h2><p>知道錢花在哪,接下來是省錢。業界實戰中最有效的手段有四種,而且效果可以彼此疊加:</p><ul><li><strong>邊緣機房</strong>:把 GPU 搬到離玩家夠近的地方,是唯一能大砍 RTT 的方法。台灣本島內任兩點的網路來回多在 5 到 10 毫秒,跨海到東京則要 32 到 45 毫秒——選址一次做對,勝過後面所有微調。</li><li><strong>硬體編碼</strong>:開啟 NVENC 的低延遲模式、關閉 B 幀,讓編碼從「等一批畫面再壓」變成「來一張壓一張」,單張延遲可以壓進 1 到 4 毫秒。</li><li><strong>高更新率</strong>:60fps 時每張畫面間隔 16.7 毫秒,提高到 120fps 就縮成 8.3 毫秒,玩家的輸入平均少等一半時間,體感立刻變「跟手」。</li><li><strong>畫格預測與插補</strong>:用客戶端預測先畫出最可能的下一格,或在終端做畫格插補補足中間影格,遮蔽網路抖動造成的空窗。</li></ul><p>預測那一招值得多講一句,它的直覺跟棒球外野手一樣:好的外野手不是看球落地才跑,而是在擊球瞬間就預判落點。系統拿玩家最近的操作軌跡預測下一步,猜對了就白賺幾十毫秒,猜錯了再用新資料快速修正——只要修正幅度夠小,玩家幾乎察覺不到。</p><p>另一個常被忽略的敵人是抖動:平均延遲 40 毫秒但忽快忽慢的線路,體感往往比穩定的 60 毫秒更糟,因為畫面會一頓一頓地跳。解法是自適應碼率搭配小而聰明的緩衝——網路變差時先降畫質保流暢,而不是死守解析度讓畫面凍結;緩衝只留 1 到 2 格就好,每多留一格,就是預先欠下 8 到 16 毫秒的債。</p><h2>VR 串流:20 毫秒的生死線</h2><p>VR 是這門學問的極限運動,門檻直接砍到五分之一。原因藏在你的內耳:半規管感知頭部轉動幾乎零延遲,當眼睛看到的畫面落後身體感覺超過約 20 毫秒,大腦會判定「環境不對勁」,動暈症狀隨之而來——這就是許多人玩 VR 十分鐘就冒冷汗的原因。所以 VR 的 motion-to-photon 預算不是 100 毫秒,而是 20 毫秒。</p><p>預算砍到五分之一,工作量卻更大:更新率要 90 到 120Hz,每張畫面只剩 8.3 到 11.1 毫秒可算;而且要同時渲染左右兩眼,單眼解析度動輒 2K 等級,總像素量是 1080p 平面遊戲的三到四倍,對 GPU 算力與傳輸頻寬都是加倍嚴苛的考驗。下表把兩種場景的需求並排,差距一目了然:</p><table><tr><th>項目</th><th>雲端遊戲</th><th>VR 串流</th></tr><tr><td>延遲門檻</td><td>低於 100 毫秒,理想低於 50</td><td>低於約 20 毫秒</td></tr><tr><td>更新率</td><td>60 到 120fps</td><td>90 到 120Hz</td></tr><tr><td>解析度</td><td>單畫面 1080p 到 4K</td><td>雙眼各約 2K</td></tr><tr><td>GPU 負載</td><td>中到高</td><td>極高(像素量三到四倍)</td></tr><tr><td>合理部署距離</td><td>同國家或區域邊緣節點</td><td>同城市甚至同棟建築</td></tr></table><p>頻寬也要一起算:雙眼 2K、90Hz 的 VR 串流,即使用 HEVC 或 AV1 壓縮,碼率也常落在 50 到 100Mbps 等級,是 1080p 平面串流的三到五倍。這也是為什麼 VR 串流對無線環境特別挑剔,實務上會建議 Wi-Fi 6 以上或乾脆走有線回程,把不確定性留給可以控制的環節。</p><p>工程上的救命招是「先斬後奏」:頭盔端的非同步時間扭曲(ATW)拿最新的頭部姿態,把上一張畫面重新投影,讓轉頭的視覺回饋幾乎即時;雲端只需負責內容本身的更新。這一招把「轉頭暈不暈」跟「網路快不快」部分解耦,是雲端 VR 得以成立的關鍵。但它救不了跨海:台灣到美西來回約 110 到 150 毫秒,是暈眩門檻的六倍以上,物理上就不成立。</p><h2>vGPU 與 MIG:把一張卡切給多位玩家</h2><p>談完體驗,回到成本。一張資料中心等級的 GPU 對單條 1080p 串流來說太大了,整張卡服務一個玩家,像租一輛遊覽車只載一位乘客。NVIDIA 給了兩條路:vGPU 在軟體層把實體卡虛擬成多張,分配給不同虛擬機各跑各的遊戲;MIG(Multi-Instance GPU)更徹底,直接在硬體層把 H100、A100 這類卡切成最多 7 個彼此隔離的實例,算力與記憶體物理分割,一個實例出狀況也不影響鄰居。</p><p>對營運方而言,這是單位經濟學的分水嶺:同一張卡從服務 1 人變成同時服務 3 到 7 人,每條串流的攤提成本直接除以好幾倍;再搭配尖離峰調度——白天把卡撥給 AI 推論或算圖農場,晚上切回遊戲串流——一張卡的稼動率能從三成拉到七成以上。高密度部署隨之而來的散熱壓力,業界也已有成熟解法,可延伸閱讀<a href='https://www.nss.com.tw/immersion-cooling-gpu-server'>浸沒式液冷 GPU 伺服器</a>一文。切卡之前也要想清楚服務等級:試玩活動可以接受尖峰時段排隊 30 秒,訂閱制服務就不行——密度與體驗的平衡點,最好用實際玩家數據回推,而不是拍腦袋決定。</p><h2>台灣戰場:機房位置比算力更關鍵</h2><p>回到台灣。我們手上其實有兩張好牌:一是網路底子,光纖到府普及、行動網路覆蓋完整,本島內 RTT 普遍在 5 到 10 毫秒;二是社群能量,電競文化成熟、獨立遊戲開發活躍,從台北電玩展到各地 Game Jam,測試玩家與開發人才都不難找。這兩張牌對雲端遊戲與 VR 串流都是天生優勢,加上台灣玩家付費意願高、對新形態遊戲體驗接受度強,願意做在地優化的團隊,面對的是一個回報率很好的市場。</p><p>但不少團隊選基礎設施時犯同一個錯:打開海外雲的價目表比較 GPU 型號與時租,卻忘了把地理放進延遲帳本。數字很直白:台灣到東京 RTT 約 32 到 45 毫秒、到新加坡約 45 到 60 毫秒、到美國西岸約 110 到 150 毫秒。對照前面的帳本,光「跨海」這一個決定就花掉 100 毫秒預算的三到五成,之後每個環節都得勒緊褲帶;反過來,把 GPU 放進台灣在地機房,RTT 科目從 40 毫秒變 8 毫秒,白撿 30 幾毫秒,等於整個系統免費升級一輪。評估<a href='https://www.nss.com.tw/gpu/'>台灣在地的 GPU 主機方案</a>時,建議把「機房到主要玩家群的實測 RTT」列為第一個問題,規格表反而可以晚點再看。</p><p>一個實際案例:台北一個 12 人的獨立遊戲團隊,去年為了線上遊戲展檔期推出雲端試玩——玩家點開網頁就能直接玩 15 分鐘,免下載免安裝。他們做的是節奏明快的動作遊戲,內部把規格訂死:台灣玩家 click-to-photon 中位數必須低於 50 毫秒,否則手感盡失,試玩反而扣分。團隊先用東京區域的雲端 GPU 實例做原型,實測台灣玩家總延遲中位數約 92 毫秒,參數怎麼調都降不進 70;改租台灣在地機房的 RTX 等級 GPU 主機後,同一套軟體堆疊實測中位數 48 毫秒,一次達標。成本同樣有感:活動檔期兩個月,租 6 張卡、以 vGPU 每卡切 3 條 1080p 串流,同時容納 18 位玩家,總支出約 NT$25 萬;若自購同級硬體得一次投入超過 NT$120 萬,活動結束設備還會閒置。附帶一提,台灣工業電價每度約 NT$3 到 4 元、夏季更貴,自建機房的電費與空調成本常被低估,租用方案把這些全包進月費,對短期專案友善許多。</p><h2>找台灣在地的 GPU 主機夥伴</h2><p>延遲這門生意,說到底是地理與工程的乘積:算力可以用錢加購,光速沒得談判。如果你的玩家在台灣,GPU 就應該在台灣。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種規格,機器就放在台灣機房,天生把 RTT 壓到個位數毫秒;月租 NT$15,000 元起,可短租、可隨活動檔期彈性擴充,搭配 7×24 中文技術支援,從串流架構、NVENC 編碼參數到頻寬調校,都有工程師能用中文直接對話。想讓你的雲端試玩、遊戲伺服器或 VR 專案把延遲壓到玩家無感,歡迎到 <a href='https://www.nss.com.tw/gpu'>https://www.nss.com.tw/gpu</a> 了解方案,加 LINE 帳號 @119m 聊聊需求,或撥免費專線 0800-003-191,讓在地團隊陪你一起把每一毫秒省回來。</p>

<figure class="wp-block-image size-full"><img title="戰國策集團雲端遊戲與 VR 串流背後的 GPU 架構:延遲怎麼壓到人類無感?" src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-14-points-20260714.jpg" alt="雲端遊戲與 VR 串流背後的 GPU 架構:延遲怎麼壓到人類無感?" loading="lazy"/><figcaption>▲ 把延遲壓到人類無感的三招</figcaption></figure>
<h2>常見問題 FAQ</h2><h3>雲端遊戲跟一般線上遊戲的延遲有什麼不同?</h3><p>一般線上遊戲的畫面在本機算,網路只傳同步資料,延遲主要影響對戰判定;雲端遊戲連畫面都在雲端算,從按鍵、算圖、編碼到回傳全部走網路,總延遲要壓在 100 毫秒內、理想 50 毫秒以下才有好手感,對網路品質的敏感度高出一個量級。</p><h3>延遲要多低,玩家才真的感覺不出來?</h3><p>實務門檻大致是:總延遲 100 毫秒內可順暢遊玩,70 毫秒以下多數人不易察覺,50 毫秒以下幾乎與本機無異。格鬥、節奏音樂類對延遲最敏感,建議以 50 毫秒為目標;回合制與策略類寬鬆許多,120 毫秒內通常仍可接受。</p><h3>VR 為什麼要求 20 毫秒?超過會怎樣?</h3><p>內耳前庭系統感知頭部轉動幾乎零延遲,若眼前畫面落後體感超過約 20 毫秒,視覺與平衡訊號打架,就會出現冒冷汗、暈眩、噁心等動暈症狀。因此 VR 串流除了壓低網路延遲,還要靠 90 到 120Hz 高更新率與時間扭曲重投影技術補救。</p><h3>NVENC 是什麼?跟用 CPU 壓縮影片差在哪?</h3><p>NVENC 是 NVIDIA GPU 內建的專用編碼電路,獨立於算圖核心,支援 H.264、HEVC 與 AV1,壓一張 1080p 畫面約 1 到 5 毫秒,且幾乎不吃遊戲效能;CPU 軟體編碼要達到同樣畫質往往需要數十毫秒,還會佔用遊戲本身的運算資源,因此即時串流服務幾乎一律採用硬體編碼,讓 CPU 專心處理遊戲邏輯與網路封包。</p><h3>台灣玩家連海外伺服器,延遲大概多少?</h3><p>概略實測值:台灣到東京網路來回約 32 到 45 毫秒,到新加坡約 45 到 60 毫秒,到美國西岸約 110 到 150 毫秒。這還只是 RTT 一個科目,加上算圖、編碼、解碼之後,跨海方案很難把總延遲壓進 50 毫秒,想做好體驗幾乎必須在地部署。</p><h3>vGPU 和 MIG 有什麼差別?該怎麼選?</h3><p>vGPU 是軟體層虛擬化,把一張卡分時共享給多個虛擬機,密度與彈性高;MIG 是 H100、A100 等資料中心卡的硬體切分,最多切成 7 個實例,算力與記憶體物理隔離。追求串流密度與成本攤提用 vGPU,重視隔離與服務品質保證則選 MIG。</p><h3>做雲端試玩串流,需要什麼等級的 GPU?</h3><p>單條 1080p60 串流用 RTX 4000 系列等級即可,一張卡搭 vGPU 常可同時服務 2 到 4 條;要上 4K 或 120fps 則建議單卡專屬,避免多條串流互搶資源。選卡重點是新版 NVENC:支援 AV1 編碼的卡在同樣畫質下,可比 H.264 節省約 30 到 40% 頻寬,對行動網路玩家的畫質與流暢度影響非常明顯。</p><h3>自建 GPU 伺服器跟租用,哪個划算?</h3><p>短期活動或需求未明時租用明顯划算:台灣在地 GPU 主機月租約 NT$15,000 起,用多久付多久,不必養硬體與維運人力;自建一台高階 RTX 伺服器動輒 NT$20 到 40 萬,還要加上機房空間、頻寬與每度約 NT$3 到 4 元的電費。一般把 18 到 24 個月的使用期當作損益平衡參考點。</p><h3>5G 對雲端遊戲有幫助嗎?</h3><p>有,但它只解決無線最後一哩:5G 空中介面延遲可壓到 10 毫秒上下,比 4G 的 30 到 50 毫秒好很多。不過骨幹網路的距離延遲不會因 5G 消失,伺服器若在海外,總延遲照樣破 100 毫秒;5G 要搭配在地邊緣機房,價值才會真正兌現。</p><h3>一張 GPU 可以同時服務幾位玩家?</h3><p>看畫質與卡的等級:1080p60 串流下,高階 RTX 卡配 vGPU 常見切 2 到 4 條,資料中心卡用 MIG 最多切 7 個隔離實例。密度越高單位成本越低,但建議保留 20 到 30% 的效能餘裕吸收負載尖峰,否則玩家一多就開始排隊,體驗變差的代價會把省下的成本整個吃回去,得不償失。</p>"
                    ["post_title"]=>
                    string(77) "雲端遊戲與 VR 串流背後的 GPU 架構:延遲怎麼壓到人類無感?"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(19) "cloud-gaming-vr-gpu"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 11:10:45"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 03:10:45"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(42) "https://www.nss.com.tw/cloud-gaming-vr-gpu"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [11]=>
                  object(WP_Post)#36594 (24) {
                    ["ID"]=>
                    int(125220)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:16:03"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:16:03"
                    ["post_content"]=>
                    string(18144) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:大學實驗室做 AI 研究,GPU 應該自購還是租用?</p><p style="margin:0">關鍵看利用率:若 GPU 長期利用率能維持 70% 以上,自購攤提三到五年通常較省;若需求集中在計畫衝刺期、時有時無,租用免前期資本支出、可列經常門核銷,總成本反而更低。以四卡伺服器約 NT$200 萬的規模試算,利用率僅三到四成時,改採租用或小自購加租用的混合模式,三年可省下數十萬元,還能在衝刺期租到 80GB 的 H100 跑大模型微調。建議先以過去 12 個月的實際使用紀錄算出利用率再決策。</p></div>
<p>七月的核定通知寄到信箱,北部某大學資工系的教授盯著清單上的設備費額度,心裡盤算的不是要買哪一張卡,而是三年後這台機器還值多少錢、學生畢業後誰來管它。這幾乎是每一位投入 AI 研究的計畫主持人都躲不掉的課題:算力要用買的,還是用租的?這個問題沒有放諸四海皆準的答案,卻有一套清楚的計算框架——VRAM 需求、利用率、電費、折舊、經費科目,一項一項攤開來算,答案自然會浮現。本文以資深顧問的視角把這筆帳完整算一遍,並附上一份三年總持有成本(TCO)試算,供大專院校科學研究團隊在編列與執行計畫經費時參考。</p><h2>AI 研究要多少算力?先看 VRAM,再談卡數</h2><p>許多採購決策的第一個錯誤,是把算力簡化成卡的張數或每秒浮點運算次數。對 AI 研究而言,第一道門檻其實是 VRAM:它決定模型「放不放得進去」,算力才決定「跑得快不快」。訓練與推論的記憶體需求天差地遠——推論只需容納模型權重與少量啟動值,訓練卻要同時保存權重、梯度與最佳化器狀態,記憶體需求往往是推論的三到四倍以上。不少實驗室買卡時只算了推論的帳,開訓第一天就爆記憶體,這種故事每年都在校園裡上演。</p><p>具體門檻可以抓幾個錨點:7B 參數等級的語言模型,若採用 LoRA、QLoRA 這類參數高效微調方法,單張 24GB 的 RTX 4090 就能動工;13B 模型搭配 4-bit 量化也勉強可行,只是批次大小與序列長度會被壓縮。一旦要做全參數微調,7B 模型就需要 80GB 等級的 H100 或 A100,13B 以上動輒兩卡、四卡起跳,還得靠 NVLink 或高速網路把多卡串成一體。視覺大模型與擴散模型同理:研究原型可以在 24GB 上跑小解析度實驗,要重現論文等級的完整訓練排程,80GB 與多卡幾乎是標配。</p><p>換句話說,一間實驗室的算力需求天生是「兩層結構」:日常開發、除錯、小規模消融實驗,吃的是 24GB 級的卡;衝刺期的完整訓練與大模型微調,吃的是 80GB 級的多卡資源。把兩層需求硬塞進同一筆採購,正是經費浪費最常見的源頭。此外別忘了儲存與資料管線:大型資料集動輒數 TB,訓練節點與儲存之間的頻寬,常比多買一張卡更影響整體效率。至於多卡平行與分散式訓練背後的原理與規劃方法,可以參考這篇 <a href='https://www.nss.com.tw/hpc-gpu-computing-guide'>HPC 高效能運算入門指南</a>。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-13-data-20260714.jpg" alt="大專院校 AI 研究算力怎麼解?自購 vs 租用 GPU 的經費效益分析" loading="lazy"/><figcaption>▲ 長期滿載自購較省;衝刺型需求租用免前期資本支出</figcaption></figure>
<h2>自購的真實成本:發票金額只是頭期款</h2><p>自購的帳,遠不止硬體報價單上的數字。一台 4 卡伺服器從下單那一刻起,至少還有五筆成本默默起跳。</p><ul><li><strong>電力與散熱</strong>:4 卡伺服器滿載功耗約 2.5 到 3kW,加上空調負擔,實際耗電接近功耗的 1.5 到 1.8 倍。以台灣工業電價每度約 NT$3 到 4 元計、夏季費率更高,一台機器以五成負載全年運轉,電費加空調一年約 NT$6 萬到 8 萬。</li><li><strong>機房條件</strong>:穩定供電、UPS、獨立空調與門禁缺一不可。許多系所機房由舊教室改建,夏季冷房能力不足,GPU 過熱降頻甚至跳機時有所聞,停機維修期間研究進度直接歸零。</li><li><strong>維運人力</strong>:驅動與框架更新、排程管理、故障排除,多半落在博士生肩上;學生畢業、交接斷層,是實驗室機器「越用越慢、越修越怕」的常見原因。</li><li><strong>採購時程</strong>:大專院校設備採購要走規格書、招標、交機、驗收流程,從送件到真正開機常需 3 到 6 個月,對執行期只有 12 個月的年度計畫是不小的時間成本。</li><li><strong>折舊與過時</strong>:會計上設備多以 3 到 5 年攤提,但 GPU 世代約 18 到 24 個月更新一輪,新卡的 VRAM 容量與每瓦效能經常大幅躍進,三年前的旗艦卡可能連新一代模型的最低門檻都搆不著。</li></ul><p>這幾筆成本加總,三年常達硬體價格的兩到三成。保固也要留意:伺服器原廠保固常為 3 年,第 4、5 年的維修與零件成本自理,風險正好落在攤提後段。更關鍵的是風險不對稱:設備買定離手,規格就此凍結,而你的研究題目、模型規模與經費結構都還會變。</p><h2>租用的價值:把資本支出變成可調節的水龍頭</h2><p>租用的邏輯正好相反:免前期資本支出,月付即用;規格隨計畫階段調整,這個月用單卡主機開發,下個月訓練衝刺換成多卡 H100,結案就退租;電力、散熱、頻寬與硬體維運通常包含在月費內,實驗室不必自建機房,也不必指派專人顧機器。另一個常被低估的好處是「世代跟隨」:供應商會持續汰換機隊,租用者永遠用得到相對新的卡,不必背著三年前的規格做今年的題目。</p><p>對三種需求型態,租用幾乎是壓倒性划算:尖峰型,投稿前三個月火力全開、其餘時間閒置;短期型,一次性的模型重現、資料前處理或期末評測;計畫型,經費有明確起訖日,結案後不想留下資產與列管負擔。像 <a href='https://www.nss.com.tw/gpu/'>戰國策 GPU 主機租用方案</a> 這類台灣在地服務,從單卡入門機到多卡 H100 都能按月承租,對學研單位的核銷流程也相對友善。</p><p>租用的弱點同樣要攤開講:如果機器一年到頭滿載運轉,三年租金累積起來很可能超過買斷價。所以真正該問的不是「租與買哪個好」,而是「你的利用率到底是多少」。</p><h2>決策分水嶺:利用率 70% 是那條線</h2><p>把數字攤開最有感。假設一台約 NT$200 萬的 4 卡伺服器以 4 年攤提,每年折舊 NT$50 萬,加上電費約 NT$7 萬、維運雜支約 NT$6 萬,一年固定成本約 NT$63 萬,不管有沒有在用都照走。同級規格的租用月費若為 NT$9 萬,租滿 7 個月就與自購年成本打平,換算利用率約六成;再把資金成本、殘值與長租折扣一併納入,交叉點通常落在利用率 70% 到 80% 之間。長期站在這條線之上,自購的每小時算力成本較低;若使用型態是衝刺兩個月、閒置四個月,平均利用率掉到三、四成,租用會明顯便宜,因為閒置的月份一毛錢都不用付。</p><p>要誠實面對的正是利用率。多數實驗室都高估自己的使用強度:課程週期、審查週期、寒暑假與學生畢業潮,都會讓機器空轉。建議把過去 12 個月的 nvidia-smi 紀錄或排程系統報表撈出來實算一次;不少院級算力中心公布的使用率報表也顯示,「感覺一直在用」與「實際佔用」之間常有兩三成的落差。</p><p>若利用率不上不下,卡在五到六成,還有一個中間解:多實驗室合購分攤。帳面利用率確實拉得高,但排程衝突、優先權與維運責任的分攤,往往比想像中難談;真要走這條路,建議一開始就白紙黑字訂好使用規範與費用分攤辦法,否則省下的錢會用人情償還。</p><table><tr><th>比較項目</th><th>自購 GPU 伺服器</th><th>租用 GPU 主機</th></tr><tr><td>前期成本</td><td>數十萬到數百萬元資本支出</td><td>趨近於零,月付制</td></tr><tr><td>經費科目</td><td>多列資本門,需財產列管</td><td>多可列經常門,核銷較彈性</td></tr><tr><td>擴充彈性</td><td>規格買定離手,擴充需重新採購</td><td>可隨計畫階段升降規格</td></tr><tr><td>維運負擔</td><td>電力、散熱、人力全數自理</td><td>多由供應商含在月費內</td></tr><tr><td>折舊與過時</td><td>3 到 5 年攤提,過時風險自負</td><td>無折舊,可隨時換用新世代卡</td></tr><tr><td>適用情境</td><td>長期利用率 70% 以上的穩定負載</td><td>尖峰、短期、計畫型需求</td></tr></table><h2>台灣學研經費的眉角:資本門、經常門與國網中心</h2><p>在台灣,國科會(NSTC)研究計畫經費分為資本門與經常門兩個口袋,中間隔著一道不容易跨越的牆。自購 GPU 伺服器屬於大型設備,多列在資本門:申請階段就要寫入設備清單、金額經審查核定,購入後納入學校財產列管,移轉與報廢都有程序要走。萬一執行到一半才發現規格買錯或需求改變,追加與變更曠日廢時,經常緩不濟急。</p><p>租用服務則多可列在經常門(業務費)項下,比照雲端資源使用費、資訊服務費按月或按期核銷,計畫中途調整規模的彈性大得多;對設備費被核刪、或經費結構偏經常門的大專院校科學研究計畫而言,租用往往是唯一能即時取得算力的路徑。另外提醒:多數學校對計畫經費收取管理費,資本門設備在計畫結束後歸屬學校財產;若實驗室空間本就吃緊,再擺進一台滿載近三千瓦的發熱設備,電力與空調改造費也得先評估。</p><p>還有一條路是國網中心(NCHC)的補助型運算資源:對學研計畫收費遠低於市價,台灣杉等系統也提供大規模 GPU 算力,但採申請審查制,從送件到核配需要時間,熱門 GPU 資源在計畫季常要排隊。務實的組合是把國網當基載、商用租用當尖峰調節,兩邊並用、互補短長。生醫領域如何用這套組合支撐基因體與蛋白質結構運算,可延伸閱讀 <a href='https://www.nss.com.tw/life-science-gpu-computing'>生命科學 GPU 運算實務</a>。</p><h2>案例試算:一筆三年期計畫的 TCO 決策</h2><p>回到開頭那位教授。他主持的自然語言處理實驗室在 2025 年拿到一筆三年期計畫,可投入算力的總預算約 NT$300 萬,眼前兩個方案:方案 A 全自購,採購一台 4 卡 48GB 等級的 GPU 伺服器,報價約 NT$200 萬,系辦提醒他招標加交期至少 12 週;方案 B 混合配置,先自購一台約 NT$35 萬的雙卡 24GB 工作站,供日常開發與 LoRA 微調,訓練衝刺期再承租多卡 H100 主機。</p><p>試算假設如下:工業電價以每度 NT$3.5 元計、空調加成 1.6 倍;方案 A 伺服器滿載約 3kW;H100 等級租用主機每月 NT$8 萬到 10 萬,每年衝刺約 5 個月。最關鍵的變數是利用率:實驗室把過去兩年的排程紀錄撈出來,平均利用率只有約 35%,尖峰全數集中在兩次投稿截止前的三個月。</p><table><tr><th>成本項目</th><th>方案 A:全自購 4 卡</th><th>方案 B:小自購加租用</th></tr><tr><td>前期資本支出</td><td>約 NT$200 萬</td><td>約 NT$35 萬</td></tr><tr><td>三年電費與空調</td><td>約 NT$15 萬到 20 萬</td><td>約 NT$5 萬</td></tr><tr><td>三年維運人力</td><td>約 NT$15 萬到 20 萬</td><td>趨近於零,租用含維運</td></tr><tr><td>三年租用支出</td><td>0</td><td>約 NT$120 萬到 150 萬</td></tr><tr><td>三年總成本</td><td>約 NT$230 萬到 240 萬</td><td>約 NT$160 萬到 190 萬</td></tr><tr><td>尖峰算力上限</td><td>固定 4 卡 48GB</td><td>可承租 8 卡 H100 80GB</td></tr></table><p>在 35% 的真實利用率下,方案 B 三年省下約 NT$50 萬到 70 萬,而且衝刺期能租到 80GB 的 H100 執行全參數微調——這是方案 A 的 48GB 卡做不到的事。省下來的錢,教授加聘了一名專任助理,論文產出反而更快。反過來說,如果這是一間常年跑滿的服務型算力中心,利用率穩定站上 80%,同一張試算表就會反轉,自購攤提到第三年開始回本。數字不會騙人,前提是誠實輸入自己的利用率、電價與折舊假設。</p><p>還要提醒一件事:這張表不是簽了就永遠有效。試算結果對「每年承租月數」相當敏感——若衝刺期從 5 個月拉長到 7、8 個月,兩個方案的成本曲線就會開始交叉,屆時應重啟自購評估;反之,若計畫中途追加了 80GB 以上的模型需求,自購方案得整台換新,租用只需要改一張訂單。把 TCO 表當成活文件,每年隨電價、卡價與研究路線滾動更新,才能真正把經費效益握在手上。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-13-points-20260714.jpg" alt="大專院校 AI 研究算力怎麼解?自購 vs 租用 GPU 的經費效益分析" loading="lazy"/><figcaption>▲ 自購 vs 租用的經費效益</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2><p>把利用率與經費科目算清楚之後,若答案指向租用或混合配置,下一步就是找一個懂學研生態的供應商。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種規格,台灣機房在地服務,延遲低、研究資料不出境,月租 NT$15,000 元起,並提供 7×24 中文技術支援,從計畫申請階段的規格建議、TCO 試算到核銷單據都能配合學研流程。歡迎造訪 <a href='https://www.nss.com.tw/gpu'>https://www.nss.com.tw/gpu</a>,或加入 LINE 帳號 @119m、撥打免費專線 0800-003-191,讓顧問陪你把三年的算力帳一次算清楚。</p>

<h2>常見問題 FAQ</h2><h3>用 LoRA 微調大型語言模型,24GB 的顯示卡夠嗎?</h3><p>多數場景夠用。7B 參數模型以 LoRA 或 QLoRA 微調,單張 24GB 的 RTX 4090 即可執行;13B 模型搭配 4-bit 量化也能進行,但批次大小與序列長度會受限。若目標是全參數微調或 13B 以上模型的完整訓練,建議直接規劃 80GB 等級的 H100 或多卡方案,省下反覆碰壁的時間。</p><h3>全參數微調一個 7B 模型,需要什麼等級的 GPU?</h3><p>全參數微調要同時保存權重、梯度與最佳化器狀態,記憶體需求約為推論的 3 到 4 倍,實務上 7B 模型需要 80GB 等級的 H100 或 A100,並常搭配記憶體分攤技術;13B 以上通常 2 到 4 卡起跳。預算有限時,先用參數高效微調驗證研究想法,確認方向再投入多卡資源最划算。</p><h3>自購一台 4 卡 GPU 伺服器,每年隱藏成本大約多少?</h3><p>以滿載功耗約 3kW、台灣工業電價每度 NT$3 到 4 元、空調加成 1.5 到 1.8 倍估算,五成負載下一年電費約 NT$6 萬到 8 萬;再加上維運人力與備品零件,一年隱藏成本常落在 NT$10 萬到 15 萬。三年累積可達硬體價格的兩到三成,編列計畫預算時務必一併計入。</p><h3>GPU 設備的折舊年限應該抓幾年?</h3><p>會計攤提多採 3 到 5 年,但 GPU 的技術壽命更短:產品世代約 18 到 24 個月更新一輪,新卡的 VRAM 容量與每瓦效能經常大幅躍進。務實建議以 3 年作為決策基準,三年後殘值常只剩兩到三成;若研究題目變動快,應把過時風險折算進總持有成本,或改用租用來迴避。</p><h3>利用率要多高,自購 GPU 才划算?</h3><p>經驗法則是長期平均利用率站上 70% 到 80% 再考慮自購。自購的折舊、電費與維運屬固定支出,機器閒置成本照走;租用則用多少付多少。建議先撈過去 12 個月的排程或 nvidia-smi 紀錄實際計算,多數實驗室的真實利用率僅 30% 到 50%,比自我感覺低得多。</p><h3>國科會計畫經費可以核銷 GPU 租用費用嗎?</h3><p>多數情況可以。GPU 租用屬服務性支出,通常列在經常門(業務費)項下核銷,比照雲端資源使用費處理,不需財產列管;自購設備一般以單價 NT$1 萬元以上、使用年限 2 年以上者列資本門,要事先編列、經審查核定並納入財產列管。各校主計室認定略有差異,建議編列前先確認一次。</p><h3>國網中心的算力資源便宜,為什麼還要租商用主機?</h3><p>國網中心對學研計畫的補助費率確實遠低於市價,但採申請審查制,從送件到核配常需數週,熱門 GPU 資源在計畫季還要排隊。務實作法是雙軌並行:可預期的長期工作放國網,投稿截止前 1 到 3 個月的衝刺改用商用租用即開即用,避免研究死線卡在排隊上。</p><h3>4 張 RTX 4090 和 1 張 H100,研究用途該怎麼選?</h3><p>先看模型放不放得進單卡。RTX 4090 單卡 24GB,四張合計 96GB,但跨卡頻寬遠低於 H100 的 NVLink,大模型全參數訓練效率吃虧;H100 單卡 80GB,能直接容納 7B 級全參數微調。要平行跑多個小模型實驗選多張 4090,要訓練大模型選 H100,兩種需求都有就考慮租用彈性切換。</p><h3>研究資料放在租用的 GPU 主機上,安全與法規可行嗎?</h3><p>選擇台灣在地機房可大幅降低疑慮:資料不出境,較能符合計畫與研究倫理審查對敏感資料的要求,連線延遲也僅數毫秒。簽約時確認四件事:資料落地位置、備份與銷毀機制、是否為獨享主機、存取紀錄能否留存 1 年以上;涉及個資時再加上傳輸與靜態加密。</p><h3>租用 GPU 主機每個月大概要多少錢?</h3><p>台灣市場的入門級 GPU 主機月租約 NT$15,000 元起,適合開發與推論;48GB 等級專業卡主機約數萬元;多卡 H100 等級依規格與租期,每月約 NT$8 萬到數十萬元。多數供應商租期越長單價越低,計畫型需求可用 3 到 6 個月的短租控制總支出。</p>"
                    ["post_title"]=>
                    string(80) "大專院校 AI 研究算力怎麼解?自購 vs 租用 GPU 的經費效益分析"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(26) "university-ai-research-gpu"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 10:55:11"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 02:55:11"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(49) "https://www.nss.com.tw/university-ai-research-gpu"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                }
                ["post_count"]=>
                int(12)
                ["current_post"]=>
                int(-1)
                ["before_loop"]=>
                bool(true)
                ["in_the_loop"]=>
                bool(false)
                ["post"]=>
                object(WP_Post)#36597 (24) {
                  ["ID"]=>
                  int(125232)
                  ["post_author"]=>
                  string(1) "0"
                  ["post_date"]=>
                  string(19) "2026-07-14 10:21:11"
                  ["post_date_gmt"]=>
                  string(19) "2026-07-14 02:21:11"
                  ["post_content"]=>
                  string(16299) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:AI 模型訓練和推理的 GPU 需求差在哪裡?</p><p style="margin:0">訓練要同時保存權重、梯度、優化器狀態與激活值,顯存約權重的 8-10 倍:7B 全參數訓練要 110-140GB,還吃多卡互連,是 H100 的主場。推理只需權重加 KV cache:同個 7B 模型 FP16 只要 14-16GB,一張 RTX 4090 可服務,INT4 量化再省一半。搞混兩者最浪費預算。</p></div>
<p>「我們要導入 AI,該租什麼 GPU?」這個問題沒辦法直接回答,因為它少了一個關鍵前提:你要跑的是訓練,還是推理?這兩種工作負載對硬體的要求差異之大,大到同一筆預算可能差出十倍的效果。把推理的需求拿去租訓練級的 8 卡 H100,是把錢丟進水裡;拿一張消費卡硬跑全參數訓練,是把時間丟進水裡。這篇文章把兩種負載的本質差異、顯存計算方式、硬體選型邏輯一次講清楚,最後給出讓同一批 GPU 發揮兩倍價值的混合策略。不需要 ML 背景,看得懂乘法就能跟著算完每一筆帳。</p>

<h2>本質差異:一個在學習,一個在服務</h2>
<p>訓練是讓模型「學會」:資料前向傳播算出預測,跟標準答案比對出誤差,再反向傳播計算每個參數的梯度,由優化器更新權重——這個迴圈重複數萬到數百萬步。推理是讓模型「工作」:只有前向傳播,權重完全不動,吃進 prompt、吐出 token,一次一步。</p>
<p>這個差異決定了一切。訓練是吞吐導向的批次作業:在乎「多久跑完一輪」,可以中斷續跑,對延遲無感,但要為梯度與優化器狀態付出巨額顯存,多卡之間還要頻繁同步。推理是延遲導向的線上服務:在乎「使用者等多久」,全年無休不能斷,顯存需求小得多,但要面對併發起伏與尖峰。用一句話記:訓練買的是算力與互連,推理買的是顯存容量與穩定服務。</p>
<p>營運節奏的差異同樣關鍵:訓練是「專案」,有開始有結束,排程可以彈性挪動,失敗的代價是重跑;推理是「營運」,有 SLA、有使用者體驗、半夜掛掉要有人爬起來處理,失敗的代價是商譽。這決定了兩者連租賃形態都不同——訓練適合短租衝刺,用完即退;推理適合長租加備援設計。把這兩種節奏塞進同一台機器、同一張預算表,就是多數 GPU 規劃失敗的起點。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-24-data-20260714.jpg" alt="AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯" loading="lazy"/><figcaption>▲ 7B 全參數訓練 110-140GB;推理 FP16 只要 14-16GB</figcaption></figure>
<h2>顯存帳怎麼算:8-10 倍的差距從哪來</h2>
<p>同一個 7B 模型,為什麼訓練要 110-140GB、推理只要 14-16GB?把顯存內容攤開就懂。訓練時,卡上要同時放四樣:FP16 權重(每參數 2 bytes,7B 約 14GB)、梯度(再 2 bytes)、AdamW 優化器狀態(FP32 動量與變異數,8 bytes,約 56GB)、外加隨 batch 與序列長度成長的激活值。合計每參數約 16-20 bytes,是純權重的 8-10 倍。</p>
<p>推理時,卡上只有 FP16 權重(14GB)加 KV cache(隨併發與 context 成長,單人使用約 1-2GB)。而且推理還有訓練沒有的省錢大招:INT4 量化把權重壓到四分之一,7B 從 14GB 縮到 5-6GB,品質損失多在 1-3% 內。這就是為什麼 LoRA 這類參數高效微調這麼受歡迎——它凍結原模型、只訓練低秩適配層,把「訓練帳」的梯度與優化器項目縮到趨近推理等級,7B 的 LoRA 訓練只要 18-24GB,詳細做法見 <a href="https://www.nss.com.tw/llm-finetuning-lora-gpu">LLM 微調實戰</a>。</p>
<p>推理端還有一個跟訓練相反的槓桿:批次。訓練的 batch 是為了學習效率,推理的 batching 則是把多個使用者的請求交錯塞進同一次運算,GPU 使用率從 20-30% 拉到 80% 以上,單卡吞吐翻好幾倍——代價是個別請求的延遲略升。這也是為什麼生產環境一定要用支援 continuous batching 的推論引擎:同樣的硬體、同樣的模型,服務容量差 5-10 倍,等於直接把月租除以五。</p>
<p>拿 7B 走一遍完整算式,你就再也不會忘記這個差距:權重 7B 參數乘 2 bytes 等於 14GB;訓練再加梯度 14GB、優化器狀態 56GB、激活值 10-50GB(隨 batch 與序列長度),合計 94-134GB。推理則是 14GB 權重加 KV cache——單人對話 1-2GB、20 路併發 10-20GB,合計 15-35GB。同一個模型,兩張預算表差出一個數量級;而且推理還能用 INT4 把權重壓到 5-6GB,訓練卻必須維持高精度,差距進一步拉大。</p>

<h2>硬體選型:兩種負載看的規格完全不同</h2>
<p>訓練機的三個關鍵規格:HBM 顯存頻寬(反向傳播是頻寬飢渴型運算)、卡間互連(NVLink 900GB/s 對上 PCIe 的 64GB/s,多卡訓練差距立現)、以及 ECC 記憶體與散熱穩定性(一輪訓練跑七天,第六天當機等於重來)。這些正是 H100 這類資料中心卡貴的理由,錢花在你看不到但訓練跑不掉的地方。</p>
<p>推理機的邏輯不同:單卡顯存容量決定放得下多大的模型,每 token 成本決定毛利,而消費級的 RTX 4090 在這兩項的性價比極高——這也是它成為推理神卡的原因。多卡互連對推理重要性低(除非模型大到必須跨卡切分),反而是多開副本做負載均衡更實際。一個常見的錯誤採購:為了「以後可能要訓練」而全上 H100,結果 90% 的時間在跑 7B 推理,單位成本是 4090 方案的三四倍。</p>
<p>那推理什麼時候輪到 H100?三種情況:模型大到單卡裝不下且要 FP16 品質(70B 以上)、長 context 場景讓 KV cache 動輒數十 GB、或高併發對外服務需要單點高吞吐。多卡策略也跟訓練相反:訓練的多卡是「合力算一件事」,要 NVLink 緊耦合;推理的多卡多數時候是「各自服務、負載均衡」,兩台單卡主機常常比一台雙卡主機更好用——還順便有了備援。</p>
<p>穩定性的要求也值得一提:訓練跑七天,中途壞卡靠檢查點續命;推理是全年無休,看的是故障率與換修速度。租用方案在這裡有隱形價值——硬體故障是主機商的問題,備品與換機時間寫在合約裡,比自購機器壞了現找料件安心得多。</p>
<p>功耗與散熱同樣是選型的一部分:一張 4090 滿載約 450W,8 卡 H100 主機整機動輒上萬瓦,電力與空調是機房等級的需求,這也是「把訓練機放辦公室角落」幾乎都以跳電或過熱降頻收場的原因。租用台灣機房的主機,電費、散熱、UPS、消防都包在月租裡;把這些隱形成本攤回自建方案上比較,帳面月租其實比看起來便宜。</p>

<h2>對照表:同一個模型,兩種負載的配置</h2>
<table>
<thead><tr><th>模型規模</th><th>全參數訓練</th><th>LoRA 微調</th><th>FP16 推理</th><th>INT4 推理</th></tr></thead>
<tbody>
<tr><td>7B</td><td>110-140GB,2×H100</td><td>18-24GB,1×4090</td><td>14-16GB,1×4090</td><td>5-6GB,入門卡可跑</td></tr>
<tr><td>32B</td><td>500GB 上下,8×H100</td><td>75-95GB,2×H100</td><td>64-70GB,1×H100</td><td>18-20GB,1×4090</td></tr>
<tr><td>70B</td><td>700GB 以上,多節點</td><td>150-190GB,3×H100</td><td>140-150GB,2×H100</td><td>40-45GB,2×4090</td></tr>
</tbody>
</table>
<p>讀表的方式:橫著看是同一個模型從開發到上線的資源演變,直著看是你的預算能支撐的規模上限。多數企業的實際旅程是「租 H100 做一段時間的微調,上線後換成 4090 級推理機長期服務」——兩個階段、兩種規格、兩張報價單,合在一起才是專案的真實成本。</p>
<p>對照表也順便解釋了市場上一個常見的價格困惑:為什麼 H100 主機月租是 4090 的好幾倍,大家還是搶著租?因為它們根本不在同一個市場——H100 賣的是訓練與大模型推理的「能力」,4090 賣的是中小模型推理的「性價比」。拿 4090 的價格去砍 H100 的規格,或拿 H100 的規格去要求 4090 的價格,都是在浪費彼此的時間;先分清楚負載,報價單自然就看得懂了。</p>

<h2>台灣案例:電子廠把同一筆預算用出兩倍效果</h2>
<p>桃園一家電子組裝廠導入 AOI 瑕疵檢測的視覺模型加上產線知識問答的 LLM,最初的規劃是租一台 4×H100 主機包辦所有工作,月租七位數邊緣,財務直接退件。顧問重排後的架構:訓練需求(每月一次的瑕疵模型重訓、每季一次的 LLM 微調)改成短租 H100 主機,每次 3-5 天、月均成本約 NT$40,000-60,000;推理需求(產線 24 小時的即時檢測加辦公室的知識問答)交給兩台雙 4090 主機,月租合計約 NT$70,000。</p>
<p>結果是總月成本從原規劃砍掉超過一半,推理服務的 p95 延遲反而更好,因為推理機可以按產線位置就近部署、多副本分流。訓練短租的另一個好處是規格自由:下一季想試 32B 模型的微調,直接改租更大的配置,不用被自有硬體綁死。資料面也乾淨——檢測影像涉及客戶產品外觀,全程留在台灣機房,滿足客戶稽核的資料在地要求。</p>
<p>數字攤開更有說服力:原方案 4×H100 全年月租估 NT$180 萬年支出;新架構是訓練短租年約 NT$55-70 萬,加推理雙機年約 NT$84 萬,合計省下約四成,而且推理機的 p95 延遲從共用時代的不穩定,變成穩定壓在 0.8 秒內。財務長最買單的一句話是:「訓練的錢花在有訓練的月份,推理的錢才是固定成本。」預算結構跟著負載走,審預算的人也看得懂。</p>

<h2>混合策略:讓 GPU 不再有下班時間</h2>
<p>訓練與推理分開配置之後,還有一層進階玩法:時間分割。推理有明顯的日夜週期,辦公型應用晚上十點後使用率常掉到 10% 以下,這段時間正好拿來跑訓練:夜間排程啟動 LoRA 微調或資料處理,清晨完成後釋放顯存回到推理服務。一張 24GB 的卡,白天服務 10-20 路併發的問答,晚上跑 7B 的 QLoRA 迭代,等於一份月租買兩份產能。</p>
<p>落地這套策略的前提是服務層要俐落:推論引擎能快速卸載與重載模型、任務排程有優先權設計、監控能確認「早上八點推理服務一定回來」。這些工程細節在 <a href="https://www.nss.com.tw/ai-inference-api-hosting">AI 推論 API 自建教學</a> 有完整展開。原則只有一條:先分清楚你的每一個工作負載是訓練還是推理,再決定它該住在哪種 GPU 上、住多久。想清楚這題,GPU 預算的效率至少差一倍。</p>
<p>風險控管兩條底線要守住:混用的那張卡,推理服務的恢復要有自動檢核——訓練任務結束後服務沒起來就告警加自動重啟;訓練任務要設資源上限與最晚結束時間,寧可訓練慢一天,不要早上八點推理服務起不來。時間分割是省錢技巧,不是走鋼索,把保險機制寫好才有資格用。</p>
<p>把整篇的判斷濃縮成四個問題:這個負載是一次性專案還是長期服務?顯存需求是權重的十倍(訓練)還是一點多倍(推理)?它需要多卡緊耦合還是多副本分流?尖峰在白天還是可以排進夜間?四題答完,該租 H100 還是 4090、該短租還是長租、該一台還是兩台,答案基本上自動浮現。之後每次規劃卡關,回來把這四題重答一次,比翻任何規格表都快。</p>
<p>「先租後買」的節奏也順帶講清楚:前六個月用租的,把負載形狀量出來——尖峰、離峰、訓練頻率、顯存水位;若使用率長期在七成以上且規格已經穩定,再評估買斷或簽長約換折扣。反過來,負載還在變的階段就買硬體,等於把不確定性直接鎖進資產負債表,那是財務最不想看到的一種浪漫。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-24-points-20260714.jpg" alt="AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯" loading="lazy"/><figcaption>▲ 兩種工作負載的配置邏輯</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>訓練短租 H100、推理長租 RTX 系列,這種分離式配置需要主機商同時具備兩種產品線與彈性租期。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,訓練與推理可以分開租、隨階段調整。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問會依你的工作負載組合試算最省的架構。</p>

<h2>常見問題 FAQ</h2><h3>為什麼訓練需要的顯存是推理的近十倍?</h3><p>訓練時卡上同時放權重(FP16 每參數 2 bytes)、梯度(2 bytes)、AdamW 優化器狀態(8 bytes)與激活值,合計每參數 16-20 bytes;推理只要權重加 KV cache。7B 的對比就是 110-140GB 對 14-16GB,差距近十倍。</p><h3>RTX 4090 適合訓練還是推理?</h3><p>推理是它的主場:24GB 顯存能跑 7B FP16 或 32B INT4,每 token 成本遠低於資料中心卡。訓練方面,單卡跑 7B-14B 的 LoRA/QLoRA 沒問題,但缺 NVLink 與 ECC,多卡全參數訓練效率差、穩定性風險高,大型訓練還是交給 H100。</p><h3>H100 比 4090 貴好幾倍,貴在哪裡?</h3><p>貴在訓練需要的三樣東西:80GB HBM 高頻寬顯存(頻寬約 3.35TB/s,是 4090 GDDR6X 的 3 倍以上)、NVLink 900GB/s 卡間互連、以及 ECC 與資料中心級穩定性。若你的負載是中小模型推理,這些溢價用不到,選 RTX 系列性價比更高。</p><h3>推理的 KV cache 是什麼?會吃多少顯存?</h3><p>KV cache 是推理時暫存注意力鍵值的快取,讓模型不用重算前文,代價是顯存:依架構每路 4K token 約 0.5-2GB,與併發數、context 長度成正比。20 路併發、8K context 的服務,KV cache 可達 20-40GB,規劃時要在權重外預留 20-40% 空間。</p><h3>先租訓練機還是先租推理機?</h3><p>看專案階段。要微調自有模型:先短租訓練規格(如 H100,一次 3-7 天),模型定版後換長租推理規格(如 4090 主機月租 NT$15,000-25,000)服務使用者。直接用現成開源模型的話,跳過訓練段,從推理機開始,POC 兩週內就能上線。</p><h3>同一台主機可以白天推理、晚上訓練嗎?</h3><p>可以,而且是中小團隊最省錢的玩法。推理服務入夜後使用率常掉到 10% 以下,排程在深夜卸載推理、跑 LoRA 微調,清晨恢復服務,一張 24GB 卡等於當兩台用。前提是任務排程、模型快速重載與開機自檢都要自動化,避免早上服務沒回來。</p><h3>訓練和推理可以用同一種量化嗎?</h3><p>不行,方向相反。推理常態使用 INT8/INT4 量化,省一半以上顯存、品質損失多在 1-3%;訓練必須維持較高精度(FP16/BF16 混合精度)以保梯度品質,QLoRA 雖然把凍結底模壓到 4-bit,可訓練的適配層仍是高精度。拿 INT4 權重直接全參數訓練會學壞。</p><h3>推理服務要怎麼估需要幾張卡?</h3><p>公式:先定尖峰併發數與延遲目標,單卡容量 = 權重 + 併發×每路 KV cache + 20% 餘裕。例如 32B INT4(20GB)配 15 路併發(約 15-20GB),需 40GB 以上,即一張 48GB 卡或兩張 4090。上線後看佇列深度與 p95 延遲決定加卡時機。</p><h3>訓練短租真的比長租划算嗎?</h3><p>多數情況是。企業微調的節奏常是每月或每季一輪,每輪 3-7 天,短租 H100 的月均支出約 NT$40,000-80,000;同規格長租且大半時間閒置,月租是它的好幾倍。只有訓練排程滿到每月超過 20 天時,長租或買斷才開始划算。</p><h3>邊緣推理和機房推理怎麼選?</h3><p>延遲極敏感或斷網不可接受的場景(產線即時檢測、門店互動)放邊緣小型 GPU;需要大模型、集中管理與彈性擴充的(知識問答、文件處理)放台灣機房主機,網路往返 5ms 上下對多數應用無感。常見架構是邊緣跑小模型、機房跑大模型,各司其職。</p>"
                  ["post_title"]=>
                  string(85) "AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯"
                  ["post_excerpt"]=>
                  string(0) ""
                  ["post_status"]=>
                  string(7) "publish"
                  ["comment_status"]=>
                  string(6) "closed"
                  ["ping_status"]=>
                  string(6) "closed"
                  ["post_password"]=>
                  string(0) ""
                  ["post_name"]=>
                  string(28) "ai-training-vs-inference-gpu"
                  ["to_ping"]=>
                  string(0) ""
                  ["pinged"]=>
                  string(0) ""
                  ["post_modified"]=>
                  string(19) "2026-07-14 11:06:01"
                  ["post_modified_gmt"]=>
                  string(19) "2026-07-14 03:06:01"
                  ["post_content_filtered"]=>
                  string(0) ""
                  ["post_parent"]=>
                  int(0)
                  ["guid"]=>
                  string(51) "https://www.nss.com.tw/ai-training-vs-inference-gpu"
                  ["menu_order"]=>
                  int(0)
                  ["post_type"]=>
                  string(4) "post"
                  ["post_mime_type"]=>
                  string(0) ""
                  ["comment_count"]=>
                  string(1) "0"
                  ["filter"]=>
                  string(3) "raw"
                }
                ["comment_count"]=>
                int(0)
                ["current_comment"]=>
                int(-1)
                ["found_posts"]=>
                int(1669)
                ["max_num_pages"]=>
                float(140)
                ["max_num_comment_pages"]=>
                int(0)
                ["is_single"]=>
                bool(false)
                ["is_preview"]=>
                bool(false)
                ["is_page"]=>
                bool(false)
                ["is_archive"]=>
                bool(false)
                ["is_date"]=>
                bool(false)
                ["is_year"]=>
                bool(false)
                ["is_month"]=>
                bool(false)
                ["is_day"]=>
                bool(false)
                ["is_time"]=>
                bool(false)
                ["is_author"]=>
                bool(false)
                ["is_category"]=>
                bool(false)
                ["is_tag"]=>
                bool(false)
                ["is_tax"]=>
                bool(false)
                ["is_search"]=>
                bool(false)
                ["is_feed"]=>
                bool(true)
                ["is_comment_feed"]=>
                bool(false)
                ["is_trackback"]=>
                bool(false)
                ["is_home"]=>
                bool(true)
                ["is_privacy_policy"]=>
                bool(false)
                ["is_404"]=>
                bool(false)
                ["is_embed"]=>
                bool(false)
                ["is_paged"]=>
                bool(false)
                ["is_admin"]=>
                bool(false)
                ["is_attachment"]=>
                bool(false)
                ["is_singular"]=>
                bool(false)
                ["is_robots"]=>
                bool(false)
                ["is_favicon"]=>
                bool(false)
                ["is_posts_page"]=>
                bool(false)
                ["is_post_type_archive"]=>
                bool(false)
                ["query_vars_hash":"WP_Query":private]=>
                string(32) "afed949ddc44bda5a704cf3b30d61301"
                ["query_vars_changed":"WP_Query":private]=>
                bool(false)
                ["thumbnails_cached"]=>
                bool(false)
                ["allow_query_attachment_by_filename":protected]=>
                bool(false)
                ["stopwords":"WP_Query":private]=>
                NULL
                ["compat_fields":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(15) "query_vars_hash"
                  [1]=>
                  string(18) "query_vars_changed"
                }
                ["compat_methods":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(16) "init_query_flags"
                  [1]=>
                  string(15) "parse_tax_query"
                }
              }
            }
          }
        }
        [7]=>
        array(4) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(1881)
          ["function"]=>
          string(19) "do_action_ref_array"
          ["args"]=>
          array(1) {
            [0]=>
            string(13) "pre_get_posts"
          }
        }
        [8]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3800)
          ["function"]=>
          string(9) "get_posts"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [9]=>
        array(5) {
          ["file"]=>
          string(37) "/var/www/web/wp-includes/class-wp.php"
          ["line"]=>
          int(662)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [10]=>
        array(5) {
          ["file"]=>
          string(37) "/var/www/web/wp-includes/class-wp.php"
          ["line"]=>
          int(782)
          ["function"]=>
          string(11) "query_posts"
          ["class"]=>
          string(2) "WP"
          ["type"]=>
          string(2) "->"
        }
        [11]=>
        array(5) {
          ["file"]=>
          string(38) "/var/www/web/wp-includes/functions.php"
          ["line"]=>
          int(1335)
          ["function"]=>
          string(4) "main"
          ["class"]=>
          string(2) "WP"
          ["type"]=>
          string(2) "->"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(16)
          ["function"]=>
          string(2) "wp"
        }
        [13]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(7)
  }
  [37]=>
  array(7) {
    [0]=>
    string(125) "SELECT DISTINCT post_id 
		         FROM tD6qv_postmeta 
		         WHERE meta_key = 'wp_protect_password_multiple_passwords'"
    [1]=>
    float(0.0005190372467041)
    [2]=>
    string(482) "require('wp-blog-header.php'), wp, WP->main, WP->query_posts, WP_Query->query, WP_Query->get_posts, do_action_ref_array('pre_get_posts'), WP_Hook->do_action, WP_Hook->apply_filters, um\core\Access->exclude_posts, um\core\Access->exclude_posts_array, get_posts, WP_Query->query, WP_Query->get_posts, do_action_ref_array('pre_get_posts'), WP_Hook->do_action, WP_Hook->apply_filters, PPW_Admin->ppwp_exclude_protected_items_from_qry, PPW_Admin->ppwp_get_all_protected_ids, QM_DB->query"
    [3]=>
    float(1784046907.417)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#35969 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(22) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3088)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1299)
          ["function"]=>
          string(7) "get_col"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1251)
          ["function"]=>
          string(26) "ppwp_get_all_protected_ids"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(37) "ppwp_exclude_protected_items_from_qry"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            bool(false)
          }
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(565)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              object(WP_Query)#35967 (52) {
                ["query"]=>
                array(16) {
                  ["numberposts"]=>
                  int(-1)
                  ["category"]=>
                  int(0)
                  ["orderby"]=>
                  string(4) "date"
                  ["order"]=>
                  string(4) "DESC"
                  ["include"]=>
                  array(0) {
                  }
                  ["exclude"]=>
                  array(0) {
                  }
                  ["meta_key"]=>
                  string(0) ""
                  ["meta_value"]=>
                  string(0) ""
                  ["post_type"]=>
                  array(2) {
                    [0]=>
                    string(4) "post"
                    [1]=>
                    string(4) "page"
                  }
                  ["suppress_filters"]=>
                  bool(false)
                  ["fields"]=>
                  string(3) "ids"
                  ["post_status"]=>
                  string(3) "any"
                  ["meta_query"]=>
                  array(1) {
                    [0]=>
                    array(2) {
                      ["key"]=>
                      string(22) "um_content_restriction"
                      ["compare"]=>
                      string(6) "EXISTS"
                    }
                  }
                  ["posts_per_page"]=>
                  int(-1)
                  ["ignore_sticky_posts"]=>
                  bool(true)
                  ["no_found_rows"]=>
                  bool(true)
                }
                ["query_vars"]=>
                array(72) {
                  ["numberposts"]=>
                  int(-1)
                  ["category"]=>
                  int(0)
                  ["orderby"]=>
                  string(4) "date"
                  ["order"]=>
                  string(4) "DESC"
                  ["include"]=>
                  array(0) {
                  }
                  ["exclude"]=>
                  array(0) {
                  }
                  ["meta_key"]=>
                  string(0) ""
                  ["meta_value"]=>
                  string(0) ""
                  ["post_type"]=>
                  array(2) {
                    [0]=>
                    string(4) "post"
                    [1]=>
                    string(4) "page"
                  }
                  ["suppress_filters"]=>
                  bool(false)
                  ["fields"]=>
                  string(3) "ids"
                  ["post_status"]=>
                  string(3) "any"
                  ["meta_query"]=>
                  array(1) {
                    [0]=>
                    array(2) {
                      ["key"]=>
                      string(22) "um_content_restriction"
                      ["compare"]=>
                      string(6) "EXISTS"
                    }
                  }
                  ["posts_per_page"]=>
                  int(-1)
                  ["ignore_sticky_posts"]=>
                  bool(true)
                  ["no_found_rows"]=>
                  bool(true)
                  ["error"]=>
                  string(0) ""
                  ["m"]=>
                  string(0) ""
                  ["p"]=>
                  int(0)
                  ["post_parent"]=>
                  string(0) ""
                  ["subpost"]=>
                  string(0) ""
                  ["subpost_id"]=>
                  string(0) ""
                  ["attachment"]=>
                  string(0) ""
                  ["attachment_id"]=>
                  int(0)
                  ["name"]=>
                  string(0) ""
                  ["pagename"]=>
                  string(0) ""
                  ["page_id"]=>
                  int(0)
                  ["second"]=>
                  string(0) ""
                  ["minute"]=>
                  string(0) ""
                  ["hour"]=>
                  string(0) ""
                  ["day"]=>
                  int(0)
                  ["monthnum"]=>
                  int(0)
                  ["year"]=>
                  int(0)
                  ["w"]=>
                  int(0)
                  ["category_name"]=>
                  string(0) ""
                  ["tag"]=>
                  string(0) ""
                  ["cat"]=>
                  string(0) ""
                  ["tag_id"]=>
                  string(0) ""
                  ["author"]=>
                  string(0) ""
                  ["author_name"]=>
                  string(0) ""
                  ["feed"]=>
                  string(0) ""
                  ["tb"]=>
                  string(0) ""
                  ["paged"]=>
                  int(0)
                  ["preview"]=>
                  string(0) ""
                  ["s"]=>
                  string(0) ""
                  ["sentence"]=>
                  string(0) ""
                  ["title"]=>
                  string(0) ""
                  ["menu_order"]=>
                  string(0) ""
                  ["embed"]=>
                  string(0) ""
                  ["category__in"]=>
                  array(0) {
                  }
                  ["category__not_in"]=>
                  array(0) {
                  }
                  ["category__and"]=>
                  array(0) {
                  }
                  ["post__in"]=>
                  array(0) {
                  }
                  ["post__not_in"]=>
                  array(0) {
                  }
                  ["post_name__in"]=>
                  array(0) {
                  }
                  ["tag__in"]=>
                  array(0) {
                  }
                  ["tag__not_in"]=>
                  array(0) {
                  }
                  ["tag__and"]=>
                  array(0) {
                  }
                  ["tag_slug__in"]=>
                  array(0) {
                  }
                  ["tag_slug__and"]=>
                  array(0) {
                  }
                  ["post_parent__in"]=>
                  array(0) {
                  }
                  ["post_parent__not_in"]=>
                  array(0) {
                  }
                  ["author__in"]=>
                  array(0) {
                  }
                  ["author__not_in"]=>
                  array(0) {
                  }
                  ["search_columns"]=>
                  array(0) {
                  }
                  ["cache_results"]=>
                  bool(true)
                  ["update_post_term_cache"]=>
                  bool(true)
                  ["update_menu_item_cache"]=>
                  bool(false)
                  ["lazy_load_term_meta"]=>
                  bool(true)
                  ["update_post_meta_cache"]=>
                  bool(true)
                  ["nopaging"]=>
                  bool(true)
                  ["comments_per_page"]=>
                  string(2) "50"
                }
                ["tax_query"]=>
                object(WP_Tax_Query)#35971 (6) {
                  ["queries"]=>
                  array(0) {
                  }
                  ["relation"]=>
                  string(3) "AND"
                  ["table_aliases":protected]=>
                  array(0) {
                  }
                  ["queried_terms"]=>
                  array(0) {
                  }
                  ["primary_table"]=>
                  string(11) "tD6qv_posts"
                  ["primary_id_column"]=>
                  string(2) "ID"
                }
                ["meta_query"]=>
                object(WP_Meta_Query)#35970 (9) {
                  ["queries"]=>
                  array(2) {
                    [0]=>
                    array(2) {
                      ["key"]=>
                      string(22) "um_content_restriction"
                      ["compare"]=>
                      string(6) "EXISTS"
                    }
                    ["relation"]=>
                    string(2) "OR"
                  }
                  ["relation"]=>
                  string(3) "AND"
                  ["meta_table"]=>
                  string(14) "tD6qv_postmeta"
                  ["meta_id_column"]=>
                  string(7) "post_id"
                  ["primary_table"]=>
                  string(11) "tD6qv_posts"
                  ["primary_id_column"]=>
                  string(2) "ID"
                  ["table_aliases":protected]=>
                  array(1) {
                    [0]=>
                    string(14) "tD6qv_postmeta"
                  }
                  ["clauses":protected]=>
                  array(1) {
                    ["tD6qv_postmeta"]=>
                    array(5) {
                      ["key"]=>
                      string(22) "um_content_restriction"
                      ["compare"]=>
                      string(6) "EXISTS"
                      ["compare_key"]=>
                      string(1) "="
                      ["alias"]=>
                      string(14) "tD6qv_postmeta"
                      ["cast"]=>
                      string(4) "CHAR"
                    }
                  }
                  ["has_or_relation":protected]=>
                  bool(false)
                }
                ["date_query"]=>
                bool(false)
                ["request"]=>
                string(2686) "
			SELECT   tD6qv_posts.ID
			FROM tD6qv_posts  INNER JOIN tD6qv_postmeta ON ( tD6qv_posts.ID = tD6qv_postmeta.post_id )
			WHERE 1=1  AND ( 
  tD6qv_postmeta.meta_key = 'um_content_restriction'
) AND tD6qv_posts.post_type IN ('post', 'page') AND ((tD6qv_posts.post_status <> 'trash' AND tD6qv_posts.post_status <> 'auto-draft')) AND tD6qv_posts.ID NOT IN ( 31016, 31017, 31018, 31019, 31020, 31021, 31023, 31047, 31048, 31049, 31050, 31051, 31052, 31053, 31054, 31061, 31062, 31063, 31064, 31065, 31074, 31075, 31076, 31077, 31078, 31079, 31094, 31095, 31096, 31097, 31098, 31103, 31104, 31105, 31110, 31111, 31113, 31115, 31117, 31119, 31121, 31123, 31125, 31127, 31129, 31131, 31133, 31135, 31137, 31140, 31142, 31144, 31150, 31152, 31155, 31157, 31159, 31161, 31163, 31165, 31167, 31169, 31171, 31173, 31176, 31178, 31180, 31189, 31199, 31200, 31201, 31202, 31203, 31210, 31211, 31212, 31213, 31214, 31222, 31223, 31224, 31225, 31226, 31233, 31234, 31235, 31237, 31238, 31239, 31242, 31243, 31245, 31247, 31249, 31257, 31258, 31260, 31261, 31262, 31263, 31264, 31265, 31287, 31288, 31289, 31290, 31339, 31342, 32291, 32570, 32694, 33157, 33302, 33304, 33981, 34831, 34832, 35549, 35551, 35586, 35590, 35591, 35592, 35593, 35594, 35595, 35659, 35660, 35661, 35662, 35663, 35664, 35665, 35666, 35668, 35672, 35676, 35679, 35680, 35681, 35682, 35683, 35684, 35685, 35689, 35694, 35696, 35697, 35698, 35702, 35703, 35704, 35706, 35713, 35720, 35742, 35743, 35744, 35746, 35747, 35748, 35749, 35750, 35751, 35752, 35753, 35754, 35755, 35756, 35757, 48063, 48070, 48071, 48072, 48074, 48075, 48184, 48188, 48189, 49076, 49099, 49104, 49106, 49455, 49457, 49459, 49461, 49463, 49465, 49467, 49469, 49676, 49681, 49682, 49683, 49727, 49729, 49731, 49733, 49735, 49737, 49739, 49854, 49969, 50452, 50455, 50457, 50459, 50461, 50463, 50465, 50709, 50711, 50713, 50715, 50717, 50719, 50721, 50723, 50725, 50727, 50729, 50731, 50733, 50735, 50737, 50739, 50741, 50743, 50745, 50749, 50753, 50755, 50756, 50758, 50760, 50762, 50764, 50766, 51313, 51345, 51347, 51349, 51405, 51511, 51513, 51952, 52094, 54373, 54375, 54377, 54379, 54382, 54384, 54387, 54389, 54391, 54393, 54396, 54400, 55813, 57567, 57569, 57579, 57582, 57586, 57591, 60450, 60718, 60842, 60974, 60977, 89588, 89591, 89593, 89595, 89597, 89601, 91915, 91916, 91918, 93992, 93994, 109831, 109911, 110004, 110006, 110011, 110015, 110018, 110020, 110024, 110028, 110030, 110032, 110034, 110039, 110041, 110043, 110045, 110047, 110051, 110122, 110124, 110126, 110128, 110131, 110134, 110137, 110139, 110142, 110144, 110146, 110148 ) 
			GROUP BY tD6qv_posts.ID
			ORDER BY tD6qv_posts.menu_order, tD6qv_posts.post_date DESC
			
		"
                ["posts"]=>
                array(658) {
                  [0]=>
                  int(125144)
                  [1]=>
                  int(123630)
                  [2]=>
                  int(123646)
                  [3]=>
                  int(123644)
                  [4]=>
                  int(123640)
                  [5]=>
                  int(123560)
                  [6]=>
                  int(123451)
                  [7]=>
                  int(123453)
                  [8]=>
                  int(123455)
                  [9]=>
                  int(123457)
                  [10]=>
                  int(123323)
                  [11]=>
                  int(123325)
                  [12]=>
                  int(123327)
                  [13]=>
                  int(123329)
                  [14]=>
                  int(123264)
                  [15]=>
                  int(123220)
                  [16]=>
                  int(123218)
                  [17]=>
                  int(123216)
                  [18]=>
                  int(123214)
                  [19]=>
                  int(122826)
                  [20]=>
                  int(122587)
                  [21]=>
                  int(122224)
                  [22]=>
                  int(122120)
                  [23]=>
                  int(122103)
                  [24]=>
                  int(122089)
                  [25]=>
                  int(18482)
                  [26]=>
                  int(24508)
                  [27]=>
                  int(121599)
                  [28]=>
                  int(105681)
                  [29]=>
                  int(31818)
                  [30]=>
                  int(111639)
                  [31]=>
                  int(66091)
                  [32]=>
                  int(121512)
                  [33]=>
                  int(121393)
                  [34]=>
                  int(121175)
                  [35]=>
                  int(121170)
                  [36]=>
                  int(121164)
                  [37]=>
                  int(121156)
                  [38]=>
                  int(121142)
                  [39]=>
                  int(121132)
                  [40]=>
                  int(121122)
                  [41]=>
                  int(121105)
                  [42]=>
                  int(121082)
                  [43]=>
                  int(121074)
                  [44]=>
                  int(121067)
                  [45]=>
                  int(121059)
                  [46]=>
                  int(121047)
                  [47]=>
                  int(121040)
                  [48]=>
                  int(121029)
                  [49]=>
                  int(121009)
                  [50]=>
                  int(120998)
                  [51]=>
                  int(120960)
                  [52]=>
                  int(120964)
                  [53]=>
                  int(120936)
                  [54]=>
                  int(120937)
                  [55]=>
                  int(120700)
                  [56]=>
                  int(120697)
                  [57]=>
                  int(120694)
                  [58]=>
                  int(120689)
                  [59]=>
                  int(120685)
                  [60]=>
                  int(120682)
                  [61]=>
                  int(120679)
                  [62]=>
                  int(120675)
                  [63]=>
                  int(120672)
                  [64]=>
                  int(120669)
                  [65]=>
                  int(120422)
                  [66]=>
                  int(120417)
                  [67]=>
                  int(120413)
                  [68]=>
                  int(120410)
                  [69]=>
                  int(120406)
                  [70]=>
                  int(120380)
                  [71]=>
                  int(120047)
                  [72]=>
                  int(120341)
                  [73]=>
                  int(120330)
                  [74]=>
                  int(120314)
                  [75]=>
                  int(120309)
                  [76]=>
                  int(120305)
                  [77]=>
                  int(120295)
                  [78]=>
                  int(120146)
                  [79]=>
                  int(120139)
                  [80]=>
                  int(120132)
                  [81]=>
                  int(120124)
                  [82]=>
                  int(120112)
                  [83]=>
                  int(120068)
                  [84]=>
                  int(120082)
                  [85]=>
                  int(120045)
                  [86]=>
                  int(120029)
                  [87]=>
                  int(119913)
                  [88]=>
                  int(119966)
                  [89]=>
                  int(119957)
                  [90]=>
                  int(119950)
                  [91]=>
                  int(119938)
                  [92]=>
                  int(119898)
                  [93]=>
                  int(119874)
                  [94]=>
                  int(119868)
                  [95]=>
                  int(119857)
                  [96]=>
                  int(119741)
                  [97]=>
                  int(119754)
                  [98]=>
                  int(119720)
                  [99]=>
                  int(119299)
                  [100]=>
                  int(119516)
                  [101]=>
                  int(119459)
                  [102]=>
                  int(119352)
                  [103]=>
                  int(119357)
                  [104]=>
                  int(119254)
                  [105]=>
                  int(119282)
                  [106]=>
                  int(119196)
                  [107]=>
                  int(119257)
                  [108]=>
                  int(119236)
                  [109]=>
                  int(119222)
                  [110]=>
                  int(119219)
                  [111]=>
                  int(119198)
                  [112]=>
                  int(119111)
                  [113]=>
                  int(119075)
                  [114]=>
                  int(119061)
                  [115]=>
                  int(119048)
                  [116]=>
                  int(119041)
                  [117]=>
                  int(119032)
                  [118]=>
                  int(118959)
                  [119]=>
                  int(118984)
                  [120]=>
                  int(118990)
                  [121]=>
                  int(118963)
                  [122]=>
                  int(118945)
                  [123]=>
                  int(118939)
                  [124]=>
                  int(117998)
                  [125]=>
                  int(117251)
                  [126]=>
                  int(117170)
                  [127]=>
                  int(92743)
                  [128]=>
                  int(117040)
                  [129]=>
                  int(117031)
                  [130]=>
                  int(116894)
                  [131]=>
                  int(116889)
                  [132]=>
                  int(116884)
                  [133]=>
                  int(116874)
                  [134]=>
                  int(116868)
                  [135]=>
                  int(116329)
                  [136]=>
                  int(116192)
                  [137]=>
                  int(116185)
                  [138]=>
                  int(116164)
                  [139]=>
                  int(116155)
                  [140]=>
                  int(116042)
                  [141]=>
                  int(116009)
                  [142]=>
                  int(115957)
                  [143]=>
                  int(114871)
                  [144]=>
                  int(114906)
                  [145]=>
                  int(114891)
                  [146]=>
                  int(114865)
                  [147]=>
                  int(114846)
                  [148]=>
                  int(114787)
                  [149]=>
                  int(114811)
                  [150]=>
                  int(114797)
                  [151]=>
                  int(114756)
                  [152]=>
                  int(114750)
                  [153]=>
                  int(114710)
                  [154]=>
                  int(114733)
                  [155]=>
                  int(114128)
                  [156]=>
                  int(113228)
                  [157]=>
                  int(113483)
                  [158]=>
                  int(113326)
                  [159]=>
                  int(113290)
                  [160]=>
                  int(113354)
                  [161]=>
                  int(113322)
                  [162]=>
                  int(113289)
                  [163]=>
                  int(113215)
                  [164]=>
                  int(113190)
                  [165]=>
                  int(113176)
                  [166]=>
                  int(113162)
                  [167]=>
                  int(113132)
                  [168]=>
                  int(113128)
                  [169]=>
                  int(113090)
                  [170]=>
                  int(113120)
                  [171]=>
                  int(113113)
                  [172]=>
                  int(113105)
                  [173]=>
                  int(113100)
                  [174]=>
                  int(113050)
                  [175]=>
                  int(113069)
                  [176]=>
                  int(113064)
                  [177]=>
                  int(113059)
                  [178]=>
                  int(113013)
                  [179]=>
                  int(112863)
                  [180]=>
                  int(112549)
                  [181]=>
                  int(112601)
                  [182]=>
                  int(112410)
                  [183]=>
                  int(112224)
                  [184]=>
                  int(112259)
                  [185]=>
                  int(112159)
                  [186]=>
                  int(111989)
                  [187]=>
                  int(112086)
                  [188]=>
                  int(111896)
                  [189]=>
                  int(111877)
                  [190]=>
                  int(111800)
                  [191]=>
                  int(111786)
                  [192]=>
                  int(111740)
                  [193]=>
                  int(111746)
                  [194]=>
                  int(111734)
                  [195]=>
                  int(111720)
                  [196]=>
                  int(111706)
                  [197]=>
                  int(111696)
                  [198]=>
                  int(111625)
                  [199]=>
                  int(111672)
                  [200]=>
                  int(111659)
                  [201]=>
                  int(111644)
                  [202]=>
                  int(111627)
                  [203]=>
                  int(111615)
                  [204]=>
                  int(111602)
                  [205]=>
                  int(111527)
                  [206]=>
                  int(111587)
                  [207]=>
                  int(111579)
                  [208]=>
                  int(111562)
                  [209]=>
                  int(111544)
                  [210]=>
                  int(111526)
                  [211]=>
                  int(111513)
                  [212]=>
                  int(111494)
                  [213]=>
                  int(111476)
                  [214]=>
                  int(111469)
                  [215]=>
                  int(111463)
                  [216]=>
                  int(111403)
                  [217]=>
                  int(111397)
                  [218]=>
                  int(111391)
                  [219]=>
                  int(111378)
                  [220]=>
                  int(111367)
                  [221]=>
                  int(111357)
                  [222]=>
                  int(111341)
                  [223]=>
                  int(111344)
                  [224]=>
                  int(111337)
                  [225]=>
                  int(111324)
                  [226]=>
                  int(111297)
                  [227]=>
                  int(111287)
                  [228]=>
                  int(111280)
                  [229]=>
                  int(111281)
                  [230]=>
                  int(111255)
                  [231]=>
                  int(111204)
                  [232]=>
                  int(111147)
                  [233]=>
                  int(111202)
                  [234]=>
                  int(111190)
                  [235]=>
                  int(111173)
                  [236]=>
                  int(111168)
                  [237]=>
                  int(111153)
                  [238]=>
                  int(111097)
                  [239]=>
                  int(111066)
                  [240]=>
                  int(111057)
                  [241]=>
                  int(110997)
                  [242]=>
                  int(110998)
                  [243]=>
                  int(110928)
                  [244]=>
                  int(110983)
                  [245]=>
                  int(32224)
                  [246]=>
                  int(110955)
                  [247]=>
                  int(110932)
                  [248]=>
                  int(110945)
                  [249]=>
                  int(110938)
                  [250]=>
                  int(110930)
                  [251]=>
                  int(110893)
                  [252]=>
                  int(110870)
                  [253]=>
                  int(110805)
                  [254]=>
                  int(110779)
                  [255]=>
                  int(110778)
                  [256]=>
                  int(110772)
                  [257]=>
                  int(110765)
                  [258]=>
                  int(110753)
                  [259]=>
                  int(110747)
                  [260]=>
                  int(110735)
                  [261]=>
                  int(110729)
                  [262]=>
                  int(110705)
                  [263]=>
                  int(110687)
                  [264]=>
                  int(110671)
                  [265]=>
                  int(110656)
                  [266]=>
                  int(110644)
                  [267]=>
                  int(110650)
                  [268]=>
                  int(110643)
                  [269]=>
                  int(110556)
                  [270]=>
                  int(20364)
                  [271]=>
                  int(110557)
                  [272]=>
                  int(110518)
                  [273]=>
                  int(110510)
                  [274]=>
                  int(110480)
                  [275]=>
                  int(57375)
                  [276]=>
                  int(110453)
                  [277]=>
                  int(110410)
                  [278]=>
                  int(110434)
                  [279]=>
                  int(110415)
                  [280]=>
                  int(110417)
                  [281]=>
                  int(110386)
                  [282]=>
                  int(110377)
                  [283]=>
                  int(110368)
                  [284]=>
                  int(110287)
                  [285]=>
                  int(110344)
                  [286]=>
                  int(110260)
                  [287]=>
                  int(110246)
                  [288]=>
                  int(110212)
                  [289]=>
                  int(110210)
                  [290]=>
                  int(110105)
                  [291]=>
                  int(110199)
                  [292]=>
                  int(110108)
                  [293]=>
                  int(110086)
                  [294]=>
                  int(110078)
                  [295]=>
                  int(110064)
                  [296]=>
                  int(110036)
                  [297]=>
                  int(110023)
                  [298]=>
                  int(109988)
                  [299]=>
                  int(109968)
                  [300]=>
                  int(109932)
                  [301]=>
                  int(109894)
                  [302]=>
                  int(109813)
                  [303]=>
                  int(109884)
                  [304]=>
                  int(109853)
                  [305]=>
                  int(109865)
                  [306]=>
                  int(109855)
                  [307]=>
                  int(109848)
                  [308]=>
                  int(109842)
                  [309]=>
                  int(109800)
                  [310]=>
                  int(109781)
                  [311]=>
                  int(109774)
                  [312]=>
                  int(109731)
                  [313]=>
                  int(31793)
                  [314]=>
                  int(109667)
                  [315]=>
                  int(109658)
                  [316]=>
                  int(109652)
                  [317]=>
                  int(109639)
                  [318]=>
                  int(109626)
                  [319]=>
                  int(109557)
                  [320]=>
                  int(81181)
                  [321]=>
                  int(108910)
                  [322]=>
                  int(75360)
                  [323]=>
                  int(24987)
                  [324]=>
                  int(108867)
                  [325]=>
                  int(108520)
                  [326]=>
                  int(52172)
                  [327]=>
                  int(68135)
                  [328]=>
                  int(108452)
                  [329]=>
                  int(108271)
                  [330]=>
                  int(108223)
                  [331]=>
                  int(108215)
                  [332]=>
                  int(99144)
                  [333]=>
                  int(74526)
                  [334]=>
                  int(52040)
                  [335]=>
                  int(64258)
                  [336]=>
                  int(68926)
                  [337]=>
                  int(107296)
                  [338]=>
                  int(106740)
                  [339]=>
                  int(106717)
                  [340]=>
                  int(106605)
                  [341]=>
                  int(106504)
                  [342]=>
                  int(106245)
                  [343]=>
                  int(106237)
                  [344]=>
                  int(106209)
                  [345]=>
                  int(106188)
                  [346]=>
                  int(106179)
                  [347]=>
                  int(106065)
                  [348]=>
                  int(105956)
                  [349]=>
                  int(105920)
                  [350]=>
                  int(105877)
                  [351]=>
                  int(105776)
                  [352]=>
                  int(105715)
                  [353]=>
                  int(105707)
                  [354]=>
                  int(105671)
                  [355]=>
                  int(105656)
                  [356]=>
                  int(105603)
                  [357]=>
                  int(105592)
                  [358]=>
                  int(105429)
                  [359]=>
                  int(105313)
                  [360]=>
                  int(105263)
                  [361]=>
                  int(105250)
                  [362]=>
                  int(105090)
                  [363]=>
                  int(104858)
                  [364]=>
                  int(104817)
                  [365]=>
                  int(104739)
                  [366]=>
                  int(104462)
                  [367]=>
                  int(104420)
                  [368]=>
                  int(104382)
                  [369]=>
                  int(104361)
                  [370]=>
                  int(104343)
                  [371]=>
                  int(104298)
                  [372]=>
                  int(104280)
                  [373]=>
                  int(104268)
                  [374]=>
                  int(104237)
                  [375]=>
                  int(104241)
                  [376]=>
                  int(104226)
                  [377]=>
                  int(104177)
                  [378]=>
                  int(104149)
                  [379]=>
                  int(104155)
                  [380]=>
                  int(103942)
                  [381]=>
                  int(103926)
                  [382]=>
                  int(103810)
                  [383]=>
                  int(103709)
                  [384]=>
                  int(103790)
                  [385]=>
                  int(103614)
                  [386]=>
                  int(103547)
                  [387]=>
                  int(103526)
                  [388]=>
                  int(103391)
                  [389]=>
                  int(103238)
                  [390]=>
                  int(103222)
                  [391]=>
                  int(103072)
                  [392]=>
                  int(103069)
                  [393]=>
                  int(103019)
                  [394]=>
                  int(103000)
                  [395]=>
                  int(102952)
                  [396]=>
                  int(102891)
                  [397]=>
                  int(102893)
                  [398]=>
                  int(102819)
                  [399]=>
                  int(102791)
                  [400]=>
                  int(102751)
                  [401]=>
                  int(101908)
                  [402]=>
                  int(101868)
                  [403]=>
                  int(101807)
                  [404]=>
                  int(101782)
                  [405]=>
                  int(103545)
                  [406]=>
                  int(101416)
                  [407]=>
                  int(101399)
                  [408]=>
                  int(101395)
                  [409]=>
                  int(101389)
                  [410]=>
                  int(101281)
                  [411]=>
                  int(101232)
                  [412]=>
                  int(101153)
                  [413]=>
                  int(101125)
                  [414]=>
                  int(101113)
                  [415]=>
                  int(101002)
                  [416]=>
                  int(100927)
                  [417]=>
                  int(100923)
                  [418]=>
                  int(100840)
                  [419]=>
                  int(100644)
                  [420]=>
                  int(100622)
                  [421]=>
                  int(100522)
                  [422]=>
                  int(100267)
                  [423]=>
                  int(100130)
                  [424]=>
                  int(99650)
                  [425]=>
                  int(99641)
                  [426]=>
                  int(99055)
                  [427]=>
                  int(98961)
                  [428]=>
                  int(98472)
                  [429]=>
                  int(98399)
                  [430]=>
                  int(98306)
                  [431]=>
                  int(98143)
                  [432]=>
                  int(98088)
                  [433]=>
                  int(97997)
                  [434]=>
                  int(97922)
                  [435]=>
                  int(97519)
                  [436]=>
                  int(95137)
                  [437]=>
                  int(95637)
                  [438]=>
                  int(95811)
                  [439]=>
                  int(94923)
                  [440]=>
                  int(94446)
                  [441]=>
                  int(57370)
                  [442]=>
                  int(93161)
                  [443]=>
                  int(93084)
                  [444]=>
                  int(93077)
                  [445]=>
                  int(92802)
                  [446]=>
                  int(91707)
                  [447]=>
                  int(91710)
                  [448]=>
                  int(91335)
                  [449]=>
                  int(90718)
                  [450]=>
                  int(90568)
                  [451]=>
                  int(90342)
                  [452]=>
                  int(90297)
                  [453]=>
                  int(90137)
                  [454]=>
                  int(89566)
                  [455]=>
                  int(87683)
                  [456]=>
                  int(87576)
                  [457]=>
                  int(87532)
                  [458]=>
                  int(87507)
                  [459]=>
                  int(87316)
                  [460]=>
                  int(87428)
                  [461]=>
                  int(87124)
                  [462]=>
                  int(87095)
                  [463]=>
                  int(86712)
                  [464]=>
                  int(86709)
                  [465]=>
                  int(84800)
                  [466]=>
                  int(84819)
                  [467]=>
                  int(84849)
                  [468]=>
                  int(84689)
                  [469]=>
                  int(84287)
                  [470]=>
                  int(84326)
                  [471]=>
                  int(83138)
                  [472]=>
                  int(83017)
                  [473]=>
                  int(81174)
                  [474]=>
                  int(80492)
                  [475]=>
                  int(80467)
                  [476]=>
                  int(80486)
                  [477]=>
                  int(66164)
                  [478]=>
                  int(28719)
                  [479]=>
                  int(80474)
                  [480]=>
                  int(70567)
                  [481]=>
                  int(80513)
                  [482]=>
                  int(80510)
                  [483]=>
                  int(77057)
                  [484]=>
                  int(55405)
                  [485]=>
                  int(79892)
                  [486]=>
                  int(79744)
                  [487]=>
                  int(80508)
                  [488]=>
                  int(79711)
                  [489]=>
                  int(78634)
                  [490]=>
                  int(77974)
                  [491]=>
                  int(77610)
                  [492]=>
                  int(77382)
                  [493]=>
                  int(77313)
                  [494]=>
                  int(77071)
                  [495]=>
                  int(75957)
                  [496]=>
                  int(75320)
                  [497]=>
                  int(74531)
                  [498]=>
                  int(70591)
                  [499]=>
                  int(70570)
                  [500]=>
                  int(69919)
                  [501]=>
                  int(69315)
                  [502]=>
                  int(68918)
                  [503]=>
                  int(68912)
                  [504]=>
                  int(68867)
                  [505]=>
                  int(68114)
                  [506]=>
                  int(68099)
                  [507]=>
                  int(66777)
                  [508]=>
                  int(66769)
                  [509]=>
                  int(58947)
                  [510]=>
                  int(58360)
                  [511]=>
                  int(57424)
                  [512]=>
                  int(57418)
                  [513]=>
                  int(57405)
                  [514]=>
                  int(57397)
                  [515]=>
                  int(57390)
                  [516]=>
                  int(57366)
                  [517]=>
                  int(56858)
                  [518]=>
                  int(55869)
                  [519]=>
                  int(55583)
                  [520]=>
                  int(55415)
                  [521]=>
                  int(55382)
                  [522]=>
                  int(54354)
                  [523]=>
                  int(54351)
                  [524]=>
                  int(54347)
                  [525]=>
                  int(54340)
                  [526]=>
                  int(54336)
                  [527]=>
                  int(54327)
                  [528]=>
                  int(54316)
                  [529]=>
                  int(54303)
                  [530]=>
                  int(54297)
                  [531]=>
                  int(54293)
                  [532]=>
                  int(54288)
                  [533]=>
                  int(54283)
                  [534]=>
                  int(54271)
                  [535]=>
                  int(54268)
                  [536]=>
                  int(54246)
                  [537]=>
                  int(54241)
                  [538]=>
                  int(54238)
                  [539]=>
                  int(54235)
                  [540]=>
                  int(54223)
                  [541]=>
                  int(54211)
                  [542]=>
                  int(54130)
                  [543]=>
                  int(54125)
                  [544]=>
                  int(53504)
                  [545]=>
                  int(53040)
                  [546]=>
                  int(53038)
                  [547]=>
                  int(53044)
                  [548]=>
                  int(53046)
                  [549]=>
                  int(53048)
                  [550]=>
                  int(53029)
                  [551]=>
                  int(52956)
                  [552]=>
                  int(52871)
                  [553]=>
                  int(52862)
                  [554]=>
                  int(52859)
                  [555]=>
                  int(52855)
                  [556]=>
                  int(52851)
                  [557]=>
                  int(52848)
                  [558]=>
                  int(52846)
                  [559]=>
                  int(52838)
                  [560]=>
                  int(52835)
                  [561]=>
                  int(52228)
                  [562]=>
                  int(52190)
                  [563]=>
                  int(52051)
                  [564]=>
                  int(52027)
                  [565]=>
                  int(51965)
                  [566]=>
                  int(51447)
                  [567]=>
                  int(51442)
                  [568]=>
                  int(50876)
                  [569]=>
                  int(50830)
                  [570]=>
                  int(50659)
                  [571]=>
                  int(50204)
                  [572]=>
                  int(49742)
                  [573]=>
                  int(49096)
                  [574]=>
                  int(48849)
                  [575]=>
                  int(48033)
                  [576]=>
                  int(35255)
                  [577]=>
                  int(35249)
                  [578]=>
                  int(35242)
                  [579]=>
                  int(35226)
                  [580]=>
                  int(35221)
                  [581]=>
                  int(35209)
                  [582]=>
                  int(35207)
                  [583]=>
                  int(35191)
                  [584]=>
                  int(35189)
                  [585]=>
                  int(35185)
                  [586]=>
                  int(34017)
                  [587]=>
                  int(33214)
                  [588]=>
                  int(32441)
                  [589]=>
                  int(32230)
                  [590]=>
                  int(32220)
                  [591]=>
                  int(31859)
                  [592]=>
                  int(31851)
                  [593]=>
                  int(31848)
                  [594]=>
                  int(31842)
                  [595]=>
                  int(31833)
                  [596]=>
                  int(31830)
                  [597]=>
                  int(31825)
                  [598]=>
                  int(31822)
                  [599]=>
                  int(31810)
                  [600]=>
                  int(31805)
                  [601]=>
                  int(31799)
                  [602]=>
                  int(31796)
                  [603]=>
                  int(31785)
                  [604]=>
                  int(31771)
                  [605]=>
                  int(28837)
                  [606]=>
                  int(28654)
                  [607]=>
                  int(28603)
                  [608]=>
                  int(28597)
                  [609]=>
                  int(28417)
                  [610]=>
                  int(27929)
                  [611]=>
                  int(27973)
                  [612]=>
                  int(27926)
                  [613]=>
                  int(27744)
                  [614]=>
                  int(28444)
                  [615]=>
                  int(28407)
                  [616]=>
                  int(28214)
                  [617]=>
                  int(28263)
                  [618]=>
                  int(28222)
                  [619]=>
                  int(27270)
                  [620]=>
                  int(27615)
                  [621]=>
                  int(27598)
                  [622]=>
                  int(27316)
                  [623]=>
                  int(26915)
                  [624]=>
                  int(26869)
                  [625]=>
                  int(26506)
                  [626]=>
                  int(26059)
                  [627]=>
                  int(25706)
                  [628]=>
                  int(25358)
                  [629]=>
                  int(25114)
                  [630]=>
                  int(25029)
                  [631]=>
                  int(25025)
                  [632]=>
                  int(25009)
                  [633]=>
                  int(24662)
                  [634]=>
                  int(24306)
                  [635]=>
                  int(24069)
                  [636]=>
                  int(24042)
                  [637]=>
                  int(23922)
                  [638]=>
                  int(23889)
                  [639]=>
                  int(23854)
                  [640]=>
                  int(23761)
                  [641]=>
                  int(23714)
                  [642]=>
                  int(23340)
                  [643]=>
                  int(20350)
                  [644]=>
                  int(19179)
                  [645]=>
                  int(18363)
                  [646]=>
                  int(17253)
                  [647]=>
                  int(17075)
                  [648]=>
                  int(11786)
                  [649]=>
                  int(11715)
                  [650]=>
                  int(11688)
                  [651]=>
                  int(10364)
                  [652]=>
                  int(8298)
                  [653]=>
                  int(8163)
                  [654]=>
                  int(8151)
                  [655]=>
                  int(8054)
                  [656]=>
                  int(8052)
                  [657]=>
                  int(12229)
                }
                ["post_count"]=>
                int(658)
                ["current_post"]=>
                int(-1)
                ["before_loop"]=>
                bool(true)
                ["in_the_loop"]=>
                bool(false)
                ["comment_count"]=>
                int(0)
                ["current_comment"]=>
                int(-1)
                ["found_posts"]=>
                int(0)
                ["max_num_pages"]=>
                int(0)
                ["max_num_comment_pages"]=>
                int(0)
                ["is_single"]=>
                bool(false)
                ["is_preview"]=>
                bool(false)
                ["is_page"]=>
                bool(false)
                ["is_archive"]=>
                bool(false)
                ["is_date"]=>
                bool(false)
                ["is_year"]=>
                bool(false)
                ["is_month"]=>
                bool(false)
                ["is_day"]=>
                bool(false)
                ["is_time"]=>
                bool(false)
                ["is_author"]=>
                bool(false)
                ["is_category"]=>
                bool(false)
                ["is_tag"]=>
                bool(false)
                ["is_tax"]=>
                bool(false)
                ["is_search"]=>
                bool(false)
                ["is_feed"]=>
                bool(false)
                ["is_comment_feed"]=>
                bool(false)
                ["is_trackback"]=>
                bool(false)
                ["is_home"]=>
                bool(true)
                ["is_privacy_policy"]=>
                bool(false)
                ["is_404"]=>
                bool(false)
                ["is_embed"]=>
                bool(false)
                ["is_paged"]=>
                bool(false)
                ["is_admin"]=>
                bool(false)
                ["is_attachment"]=>
                bool(false)
                ["is_singular"]=>
                bool(false)
                ["is_robots"]=>
                bool(false)
                ["is_favicon"]=>
                bool(false)
                ["is_posts_page"]=>
                bool(false)
                ["is_post_type_archive"]=>
                bool(false)
                ["query_vars_hash":"WP_Query":private]=>
                string(32) "af407c88c47dfbb472d7ed5309feca7a"
                ["query_vars_changed":"WP_Query":private]=>
                bool(true)
                ["thumbnails_cached"]=>
                bool(false)
                ["allow_query_attachment_by_filename":protected]=>
                bool(false)
                ["stopwords":"WP_Query":private]=>
                NULL
                ["compat_fields":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(15) "query_vars_hash"
                  [1]=>
                  string(18) "query_vars_changed"
                }
                ["compat_methods":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(16) "init_query_flags"
                  [1]=>
                  string(15) "parse_tax_query"
                }
              }
            }
          }
        }
        [7]=>
        array(4) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(1881)
          ["function"]=>
          string(19) "do_action_ref_array"
          ["args"]=>
          array(1) {
            [0]=>
            string(13) "pre_get_posts"
          }
        }
        [8]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3800)
          ["function"]=>
          string(9) "get_posts"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [9]=>
        array(5) {
          ["file"]=>
          string(33) "/var/www/web/wp-includes/post.php"
          ["line"]=>
          int(2443)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [10]=>
        array(3) {
          ["file"]=>
          string(78) "/var/www/web/wp-content/plugins/ultimate-member/includes/core/class-access.php"
          ["line"]=>
          int(206)
          ["function"]=>
          string(9) "get_posts"
        }
        [11]=>
        array(5) {
          ["file"]=>
          string(78) "/var/www/web/wp-content/plugins/ultimate-member/includes/core/class-access.php"
          ["line"]=>
          int(459)
          ["function"]=>
          string(19) "exclude_posts_array"
          ["class"]=>
          string(14) "um\core\Access"
          ["type"]=>
          string(2) "->"
        }
        [12]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(13) "exclude_posts"
          ["class"]=>
          string(14) "um\core\Access"
          ["type"]=>
          string(2) "->"
        }
        [13]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            object(WP_Query)#26160 (55) {
              ["query"]=>
              array(1) {
                ["xml_sitemap"]=>
                string(7) "params="
              }
              ["query_vars"]=>
              array(66) {
                ["xml_sitemap"]=>
                string(7) "params="
                ["error"]=>
                string(0) ""
                ["m"]=>
                string(0) ""
                ["p"]=>
                int(0)
                ["post_parent"]=>
                string(0) ""
                ["subpost"]=>
                string(0) ""
                ["subpost_id"]=>
                string(0) ""
                ["attachment"]=>
                string(0) ""
                ["attachment_id"]=>
                int(0)
                ["name"]=>
                string(0) ""
                ["pagename"]=>
                string(0) ""
                ["page_id"]=>
                int(0)
                ["second"]=>
                string(0) ""
                ["minute"]=>
                string(0) ""
                ["hour"]=>
                string(0) ""
                ["day"]=>
                int(0)
                ["monthnum"]=>
                int(0)
                ["year"]=>
                int(0)
                ["w"]=>
                int(0)
                ["category_name"]=>
                string(0) ""
                ["tag"]=>
                string(0) ""
                ["cat"]=>
                string(0) ""
                ["tag_id"]=>
                string(0) ""
                ["author"]=>
                string(0) ""
                ["author_name"]=>
                string(0) ""
                ["feed"]=>
                string(0) ""
                ["tb"]=>
                string(0) ""
                ["paged"]=>
                int(0)
                ["meta_key"]=>
                string(0) ""
                ["meta_value"]=>
                string(0) ""
                ["preview"]=>
                string(0) ""
                ["s"]=>
                string(0) ""
                ["sentence"]=>
                string(0) ""
                ["title"]=>
                string(0) ""
                ["fields"]=>
                string(0) ""
                ["menu_order"]=>
                string(0) ""
                ["embed"]=>
                string(0) ""
                ["category__in"]=>
                array(0) {
                }
                ["category__not_in"]=>
                array(0) {
                }
                ["category__and"]=>
                array(0) {
                }
                ["post__in"]=>
                array(0) {
                }
                ["post__not_in"]=>
                array(0) {
                }
                ["post_name__in"]=>
                array(0) {
                }
                ["tag__in"]=>
                array(0) {
                }
                ["tag__not_in"]=>
                array(0) {
                }
                ["tag__and"]=>
                array(0) {
                }
                ["tag_slug__in"]=>
                array(0) {
                }
                ["tag_slug__and"]=>
                array(0) {
                }
                ["post_parent__in"]=>
                array(0) {
                }
                ["post_parent__not_in"]=>
                array(0) {
                }
                ["author__in"]=>
                array(0) {
                }
                ["author__not_in"]=>
                array(0) {
                }
                ["search_columns"]=>
                array(0) {
                }
                ["ignore_sticky_posts"]=>
                bool(false)
                ["suppress_filters"]=>
                bool(false)
                ["cache_results"]=>
                bool(true)
                ["update_post_term_cache"]=>
                bool(true)
                ["update_menu_item_cache"]=>
                bool(false)
                ["lazy_load_term_meta"]=>
                bool(true)
                ["update_post_meta_cache"]=>
                bool(true)
                ["post_type"]=>
                string(0) ""
                ["posts_per_page"]=>
                int(12)
                ["nopaging"]=>
                bool(false)
                ["comments_per_page"]=>
                string(2) "50"
                ["no_found_rows"]=>
                bool(false)
                ["order"]=>
                string(4) "DESC"
              }
              ["tax_query"]=>
              object(WP_Tax_Query)#37285 (6) {
                ["queries"]=>
                array(0) {
                }
                ["relation"]=>
                string(3) "AND"
                ["table_aliases":protected]=>
                array(0) {
                }
                ["queried_terms"]=>
                array(0) {
                }
                ["primary_table"]=>
                string(11) "tD6qv_posts"
                ["primary_id_column"]=>
                string(2) "ID"
              }
              ["meta_query"]=>
              object(WP_Meta_Query)#37283 (9) {
                ["queries"]=>
                array(0) {
                }
                ["relation"]=>
                NULL
                ["meta_table"]=>
                NULL
                ["meta_id_column"]=>
                NULL
                ["primary_table"]=>
                NULL
                ["primary_id_column"]=>
                NULL
                ["table_aliases":protected]=>
                array(0) {
                }
                ["clauses":protected]=>
                array(0) {
                }
                ["has_or_relation":protected]=>
                bool(false)
              }
              ["date_query"]=>
              bool(false)
              ["queried_object"]=>
              NULL
              ["queried_object_id"]=>
              NULL
              ["request"]=>
              string(2564) "
					SELECT SQL_CALC_FOUND_ROWS  tD6qv_posts.ID
					FROM tD6qv_posts 
					WHERE 1=1  AND ((tD6qv_posts.post_type = 'post' AND (tD6qv_posts.post_status = 'publish' OR tD6qv_posts.post_status = 'acf-disabled'))) AND tD6qv_posts.ID NOT IN ( 31016, 31017, 31018, 31019, 31020, 31021, 31023, 31047, 31048, 31049, 31050, 31051, 31052, 31053, 31054, 31061, 31062, 31063, 31064, 31065, 31074, 31075, 31076, 31077, 31078, 31079, 31094, 31095, 31096, 31097, 31098, 31103, 31104, 31105, 31110, 31111, 31113, 31115, 31117, 31119, 31121, 31123, 31125, 31127, 31129, 31131, 31133, 31135, 31137, 31140, 31142, 31144, 31150, 31152, 31155, 31157, 31159, 31161, 31163, 31165, 31167, 31169, 31171, 31173, 31176, 31178, 31180, 31189, 31199, 31200, 31201, 31202, 31203, 31210, 31211, 31212, 31213, 31214, 31222, 31223, 31224, 31225, 31226, 31233, 31234, 31235, 31237, 31238, 31239, 31242, 31243, 31245, 31247, 31249, 31257, 31258, 31260, 31261, 31262, 31263, 31264, 31265, 31287, 31288, 31289, 31290, 31339, 31342, 32291, 32570, 32694, 33157, 33302, 33304, 33981, 34831, 34832, 35549, 35551, 35586, 35590, 35591, 35592, 35593, 35594, 35595, 35659, 35660, 35661, 35662, 35663, 35664, 35665, 35666, 35668, 35672, 35676, 35679, 35680, 35681, 35682, 35683, 35684, 35685, 35689, 35694, 35696, 35697, 35698, 35702, 35703, 35704, 35706, 35713, 35720, 35742, 35743, 35744, 35746, 35747, 35748, 35749, 35750, 35751, 35752, 35753, 35754, 35755, 35756, 35757, 48063, 48070, 48071, 48072, 48074, 48075, 48184, 48188, 48189, 49076, 49099, 49104, 49106, 49455, 49457, 49459, 49461, 49463, 49465, 49467, 49469, 49676, 49681, 49682, 49683, 49727, 49729, 49731, 49733, 49735, 49737, 49739, 49854, 49969, 50452, 50455, 50457, 50459, 50461, 50463, 50465, 50709, 50711, 50713, 50715, 50717, 50719, 50721, 50723, 50725, 50727, 50729, 50731, 50733, 50735, 50737, 50739, 50741, 50743, 50745, 50749, 50753, 50755, 50756, 50758, 50760, 50762, 50764, 50766, 51313, 51345, 51347, 51349, 51405, 51511, 51513, 51952, 52094, 54373, 54375, 54377, 54379, 54382, 54384, 54387, 54389, 54391, 54393, 54396, 54400, 55813, 57567, 57569, 57579, 57582, 57586, 57591, 60450, 60718, 60842, 60974, 60977, 89588, 89591, 89593, 89595, 89597, 89601, 91915, 91916, 91918, 93992, 93994, 109831, 109911, 110004, 110006, 110011, 110015, 110018, 110020, 110024, 110028, 110030, 110032, 110034, 110039, 110041, 110043, 110045, 110047, 110051, 110122, 110124, 110126, 110128, 110131, 110134, 110137, 110139, 110142, 110144, 110146, 110148 ) 
					
					ORDER BY tD6qv_posts.menu_order, tD6qv_posts.post_date DESC
					LIMIT 0, 12
				"
              ["posts"]=>
              &array(12) {
                [0]=>
                object(WP_Post)#36597 (24) {
                  ["ID"]=>
                  int(125232)
                  ["post_author"]=>
                  string(1) "0"
                  ["post_date"]=>
                  string(19) "2026-07-14 10:21:11"
                  ["post_date_gmt"]=>
                  string(19) "2026-07-14 02:21:11"
                  ["post_content"]=>
                  string(16299) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:AI 模型訓練和推理的 GPU 需求差在哪裡?</p><p style="margin:0">訓練要同時保存權重、梯度、優化器狀態與激活值,顯存約權重的 8-10 倍:7B 全參數訓練要 110-140GB,還吃多卡互連,是 H100 的主場。推理只需權重加 KV cache:同個 7B 模型 FP16 只要 14-16GB,一張 RTX 4090 可服務,INT4 量化再省一半。搞混兩者最浪費預算。</p></div>
<p>「我們要導入 AI,該租什麼 GPU?」這個問題沒辦法直接回答,因為它少了一個關鍵前提:你要跑的是訓練,還是推理?這兩種工作負載對硬體的要求差異之大,大到同一筆預算可能差出十倍的效果。把推理的需求拿去租訓練級的 8 卡 H100,是把錢丟進水裡;拿一張消費卡硬跑全參數訓練,是把時間丟進水裡。這篇文章把兩種負載的本質差異、顯存計算方式、硬體選型邏輯一次講清楚,最後給出讓同一批 GPU 發揮兩倍價值的混合策略。不需要 ML 背景,看得懂乘法就能跟著算完每一筆帳。</p>

<h2>本質差異:一個在學習,一個在服務</h2>
<p>訓練是讓模型「學會」:資料前向傳播算出預測,跟標準答案比對出誤差,再反向傳播計算每個參數的梯度,由優化器更新權重——這個迴圈重複數萬到數百萬步。推理是讓模型「工作」:只有前向傳播,權重完全不動,吃進 prompt、吐出 token,一次一步。</p>
<p>這個差異決定了一切。訓練是吞吐導向的批次作業:在乎「多久跑完一輪」,可以中斷續跑,對延遲無感,但要為梯度與優化器狀態付出巨額顯存,多卡之間還要頻繁同步。推理是延遲導向的線上服務:在乎「使用者等多久」,全年無休不能斷,顯存需求小得多,但要面對併發起伏與尖峰。用一句話記:訓練買的是算力與互連,推理買的是顯存容量與穩定服務。</p>
<p>營運節奏的差異同樣關鍵:訓練是「專案」,有開始有結束,排程可以彈性挪動,失敗的代價是重跑;推理是「營運」,有 SLA、有使用者體驗、半夜掛掉要有人爬起來處理,失敗的代價是商譽。這決定了兩者連租賃形態都不同——訓練適合短租衝刺,用完即退;推理適合長租加備援設計。把這兩種節奏塞進同一台機器、同一張預算表,就是多數 GPU 規劃失敗的起點。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-24-data-20260714.jpg" alt="AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯" loading="lazy"/><figcaption>▲ 7B 全參數訓練 110-140GB;推理 FP16 只要 14-16GB</figcaption></figure>
<h2>顯存帳怎麼算:8-10 倍的差距從哪來</h2>
<p>同一個 7B 模型,為什麼訓練要 110-140GB、推理只要 14-16GB?把顯存內容攤開就懂。訓練時,卡上要同時放四樣:FP16 權重(每參數 2 bytes,7B 約 14GB)、梯度(再 2 bytes)、AdamW 優化器狀態(FP32 動量與變異數,8 bytes,約 56GB)、外加隨 batch 與序列長度成長的激活值。合計每參數約 16-20 bytes,是純權重的 8-10 倍。</p>
<p>推理時,卡上只有 FP16 權重(14GB)加 KV cache(隨併發與 context 成長,單人使用約 1-2GB)。而且推理還有訓練沒有的省錢大招:INT4 量化把權重壓到四分之一,7B 從 14GB 縮到 5-6GB,品質損失多在 1-3% 內。這就是為什麼 LoRA 這類參數高效微調這麼受歡迎——它凍結原模型、只訓練低秩適配層,把「訓練帳」的梯度與優化器項目縮到趨近推理等級,7B 的 LoRA 訓練只要 18-24GB,詳細做法見 <a href="https://www.nss.com.tw/llm-finetuning-lora-gpu">LLM 微調實戰</a>。</p>
<p>推理端還有一個跟訓練相反的槓桿:批次。訓練的 batch 是為了學習效率,推理的 batching 則是把多個使用者的請求交錯塞進同一次運算,GPU 使用率從 20-30% 拉到 80% 以上,單卡吞吐翻好幾倍——代價是個別請求的延遲略升。這也是為什麼生產環境一定要用支援 continuous batching 的推論引擎:同樣的硬體、同樣的模型,服務容量差 5-10 倍,等於直接把月租除以五。</p>
<p>拿 7B 走一遍完整算式,你就再也不會忘記這個差距:權重 7B 參數乘 2 bytes 等於 14GB;訓練再加梯度 14GB、優化器狀態 56GB、激活值 10-50GB(隨 batch 與序列長度),合計 94-134GB。推理則是 14GB 權重加 KV cache——單人對話 1-2GB、20 路併發 10-20GB,合計 15-35GB。同一個模型,兩張預算表差出一個數量級;而且推理還能用 INT4 把權重壓到 5-6GB,訓練卻必須維持高精度,差距進一步拉大。</p>

<h2>硬體選型:兩種負載看的規格完全不同</h2>
<p>訓練機的三個關鍵規格:HBM 顯存頻寬(反向傳播是頻寬飢渴型運算)、卡間互連(NVLink 900GB/s 對上 PCIe 的 64GB/s,多卡訓練差距立現)、以及 ECC 記憶體與散熱穩定性(一輪訓練跑七天,第六天當機等於重來)。這些正是 H100 這類資料中心卡貴的理由,錢花在你看不到但訓練跑不掉的地方。</p>
<p>推理機的邏輯不同:單卡顯存容量決定放得下多大的模型,每 token 成本決定毛利,而消費級的 RTX 4090 在這兩項的性價比極高——這也是它成為推理神卡的原因。多卡互連對推理重要性低(除非模型大到必須跨卡切分),反而是多開副本做負載均衡更實際。一個常見的錯誤採購:為了「以後可能要訓練」而全上 H100,結果 90% 的時間在跑 7B 推理,單位成本是 4090 方案的三四倍。</p>
<p>那推理什麼時候輪到 H100?三種情況:模型大到單卡裝不下且要 FP16 品質(70B 以上)、長 context 場景讓 KV cache 動輒數十 GB、或高併發對外服務需要單點高吞吐。多卡策略也跟訓練相反:訓練的多卡是「合力算一件事」,要 NVLink 緊耦合;推理的多卡多數時候是「各自服務、負載均衡」,兩台單卡主機常常比一台雙卡主機更好用——還順便有了備援。</p>
<p>穩定性的要求也值得一提:訓練跑七天,中途壞卡靠檢查點續命;推理是全年無休,看的是故障率與換修速度。租用方案在這裡有隱形價值——硬體故障是主機商的問題,備品與換機時間寫在合約裡,比自購機器壞了現找料件安心得多。</p>
<p>功耗與散熱同樣是選型的一部分:一張 4090 滿載約 450W,8 卡 H100 主機整機動輒上萬瓦,電力與空調是機房等級的需求,這也是「把訓練機放辦公室角落」幾乎都以跳電或過熱降頻收場的原因。租用台灣機房的主機,電費、散熱、UPS、消防都包在月租裡;把這些隱形成本攤回自建方案上比較,帳面月租其實比看起來便宜。</p>

<h2>對照表:同一個模型,兩種負載的配置</h2>
<table>
<thead><tr><th>模型規模</th><th>全參數訓練</th><th>LoRA 微調</th><th>FP16 推理</th><th>INT4 推理</th></tr></thead>
<tbody>
<tr><td>7B</td><td>110-140GB,2×H100</td><td>18-24GB,1×4090</td><td>14-16GB,1×4090</td><td>5-6GB,入門卡可跑</td></tr>
<tr><td>32B</td><td>500GB 上下,8×H100</td><td>75-95GB,2×H100</td><td>64-70GB,1×H100</td><td>18-20GB,1×4090</td></tr>
<tr><td>70B</td><td>700GB 以上,多節點</td><td>150-190GB,3×H100</td><td>140-150GB,2×H100</td><td>40-45GB,2×4090</td></tr>
</tbody>
</table>
<p>讀表的方式:橫著看是同一個模型從開發到上線的資源演變,直著看是你的預算能支撐的規模上限。多數企業的實際旅程是「租 H100 做一段時間的微調,上線後換成 4090 級推理機長期服務」——兩個階段、兩種規格、兩張報價單,合在一起才是專案的真實成本。</p>
<p>對照表也順便解釋了市場上一個常見的價格困惑:為什麼 H100 主機月租是 4090 的好幾倍,大家還是搶著租?因為它們根本不在同一個市場——H100 賣的是訓練與大模型推理的「能力」,4090 賣的是中小模型推理的「性價比」。拿 4090 的價格去砍 H100 的規格,或拿 H100 的規格去要求 4090 的價格,都是在浪費彼此的時間;先分清楚負載,報價單自然就看得懂了。</p>

<h2>台灣案例:電子廠把同一筆預算用出兩倍效果</h2>
<p>桃園一家電子組裝廠導入 AOI 瑕疵檢測的視覺模型加上產線知識問答的 LLM,最初的規劃是租一台 4×H100 主機包辦所有工作,月租七位數邊緣,財務直接退件。顧問重排後的架構:訓練需求(每月一次的瑕疵模型重訓、每季一次的 LLM 微調)改成短租 H100 主機,每次 3-5 天、月均成本約 NT$40,000-60,000;推理需求(產線 24 小時的即時檢測加辦公室的知識問答)交給兩台雙 4090 主機,月租合計約 NT$70,000。</p>
<p>結果是總月成本從原規劃砍掉超過一半,推理服務的 p95 延遲反而更好,因為推理機可以按產線位置就近部署、多副本分流。訓練短租的另一個好處是規格自由:下一季想試 32B 模型的微調,直接改租更大的配置,不用被自有硬體綁死。資料面也乾淨——檢測影像涉及客戶產品外觀,全程留在台灣機房,滿足客戶稽核的資料在地要求。</p>
<p>數字攤開更有說服力:原方案 4×H100 全年月租估 NT$180 萬年支出;新架構是訓練短租年約 NT$55-70 萬,加推理雙機年約 NT$84 萬,合計省下約四成,而且推理機的 p95 延遲從共用時代的不穩定,變成穩定壓在 0.8 秒內。財務長最買單的一句話是:「訓練的錢花在有訓練的月份,推理的錢才是固定成本。」預算結構跟著負載走,審預算的人也看得懂。</p>

<h2>混合策略:讓 GPU 不再有下班時間</h2>
<p>訓練與推理分開配置之後,還有一層進階玩法:時間分割。推理有明顯的日夜週期,辦公型應用晚上十點後使用率常掉到 10% 以下,這段時間正好拿來跑訓練:夜間排程啟動 LoRA 微調或資料處理,清晨完成後釋放顯存回到推理服務。一張 24GB 的卡,白天服務 10-20 路併發的問答,晚上跑 7B 的 QLoRA 迭代,等於一份月租買兩份產能。</p>
<p>落地這套策略的前提是服務層要俐落:推論引擎能快速卸載與重載模型、任務排程有優先權設計、監控能確認「早上八點推理服務一定回來」。這些工程細節在 <a href="https://www.nss.com.tw/ai-inference-api-hosting">AI 推論 API 自建教學</a> 有完整展開。原則只有一條:先分清楚你的每一個工作負載是訓練還是推理,再決定它該住在哪種 GPU 上、住多久。想清楚這題,GPU 預算的效率至少差一倍。</p>
<p>風險控管兩條底線要守住:混用的那張卡,推理服務的恢復要有自動檢核——訓練任務結束後服務沒起來就告警加自動重啟;訓練任務要設資源上限與最晚結束時間,寧可訓練慢一天,不要早上八點推理服務起不來。時間分割是省錢技巧,不是走鋼索,把保險機制寫好才有資格用。</p>
<p>把整篇的判斷濃縮成四個問題:這個負載是一次性專案還是長期服務?顯存需求是權重的十倍(訓練)還是一點多倍(推理)?它需要多卡緊耦合還是多副本分流?尖峰在白天還是可以排進夜間?四題答完,該租 H100 還是 4090、該短租還是長租、該一台還是兩台,答案基本上自動浮現。之後每次規劃卡關,回來把這四題重答一次,比翻任何規格表都快。</p>
<p>「先租後買」的節奏也順帶講清楚:前六個月用租的,把負載形狀量出來——尖峰、離峰、訓練頻率、顯存水位;若使用率長期在七成以上且規格已經穩定,再評估買斷或簽長約換折扣。反過來,負載還在變的階段就買硬體,等於把不確定性直接鎖進資產負債表,那是財務最不想看到的一種浪漫。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-24-points-20260714.jpg" alt="AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯" loading="lazy"/><figcaption>▲ 兩種工作負載的配置邏輯</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>訓練短租 H100、推理長租 RTX 系列,這種分離式配置需要主機商同時具備兩種產品線與彈性租期。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,訓練與推理可以分開租、隨階段調整。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問會依你的工作負載組合試算最省的架構。</p>

<h2>常見問題 FAQ</h2><h3>為什麼訓練需要的顯存是推理的近十倍?</h3><p>訓練時卡上同時放權重(FP16 每參數 2 bytes)、梯度(2 bytes)、AdamW 優化器狀態(8 bytes)與激活值,合計每參數 16-20 bytes;推理只要權重加 KV cache。7B 的對比就是 110-140GB 對 14-16GB,差距近十倍。</p><h3>RTX 4090 適合訓練還是推理?</h3><p>推理是它的主場:24GB 顯存能跑 7B FP16 或 32B INT4,每 token 成本遠低於資料中心卡。訓練方面,單卡跑 7B-14B 的 LoRA/QLoRA 沒問題,但缺 NVLink 與 ECC,多卡全參數訓練效率差、穩定性風險高,大型訓練還是交給 H100。</p><h3>H100 比 4090 貴好幾倍,貴在哪裡?</h3><p>貴在訓練需要的三樣東西:80GB HBM 高頻寬顯存(頻寬約 3.35TB/s,是 4090 GDDR6X 的 3 倍以上)、NVLink 900GB/s 卡間互連、以及 ECC 與資料中心級穩定性。若你的負載是中小模型推理,這些溢價用不到,選 RTX 系列性價比更高。</p><h3>推理的 KV cache 是什麼?會吃多少顯存?</h3><p>KV cache 是推理時暫存注意力鍵值的快取,讓模型不用重算前文,代價是顯存:依架構每路 4K token 約 0.5-2GB,與併發數、context 長度成正比。20 路併發、8K context 的服務,KV cache 可達 20-40GB,規劃時要在權重外預留 20-40% 空間。</p><h3>先租訓練機還是先租推理機?</h3><p>看專案階段。要微調自有模型:先短租訓練規格(如 H100,一次 3-7 天),模型定版後換長租推理規格(如 4090 主機月租 NT$15,000-25,000)服務使用者。直接用現成開源模型的話,跳過訓練段,從推理機開始,POC 兩週內就能上線。</p><h3>同一台主機可以白天推理、晚上訓練嗎?</h3><p>可以,而且是中小團隊最省錢的玩法。推理服務入夜後使用率常掉到 10% 以下,排程在深夜卸載推理、跑 LoRA 微調,清晨恢復服務,一張 24GB 卡等於當兩台用。前提是任務排程、模型快速重載與開機自檢都要自動化,避免早上服務沒回來。</p><h3>訓練和推理可以用同一種量化嗎?</h3><p>不行,方向相反。推理常態使用 INT8/INT4 量化,省一半以上顯存、品質損失多在 1-3%;訓練必須維持較高精度(FP16/BF16 混合精度)以保梯度品質,QLoRA 雖然把凍結底模壓到 4-bit,可訓練的適配層仍是高精度。拿 INT4 權重直接全參數訓練會學壞。</p><h3>推理服務要怎麼估需要幾張卡?</h3><p>公式:先定尖峰併發數與延遲目標,單卡容量 = 權重 + 併發×每路 KV cache + 20% 餘裕。例如 32B INT4(20GB)配 15 路併發(約 15-20GB),需 40GB 以上,即一張 48GB 卡或兩張 4090。上線後看佇列深度與 p95 延遲決定加卡時機。</p><h3>訓練短租真的比長租划算嗎?</h3><p>多數情況是。企業微調的節奏常是每月或每季一輪,每輪 3-7 天,短租 H100 的月均支出約 NT$40,000-80,000;同規格長租且大半時間閒置,月租是它的好幾倍。只有訓練排程滿到每月超過 20 天時,長租或買斷才開始划算。</p><h3>邊緣推理和機房推理怎麼選?</h3><p>延遲極敏感或斷網不可接受的場景(產線即時檢測、門店互動)放邊緣小型 GPU;需要大模型、集中管理與彈性擴充的(知識問答、文件處理)放台灣機房主機,網路往返 5ms 上下對多數應用無感。常見架構是邊緣跑小模型、機房跑大模型,各司其職。</p>"
                  ["post_title"]=>
                  string(85) "AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯"
                  ["post_excerpt"]=>
                  string(0) ""
                  ["post_status"]=>
                  string(7) "publish"
                  ["comment_status"]=>
                  string(6) "closed"
                  ["ping_status"]=>
                  string(6) "closed"
                  ["post_password"]=>
                  string(0) ""
                  ["post_name"]=>
                  string(28) "ai-training-vs-inference-gpu"
                  ["to_ping"]=>
                  string(0) ""
                  ["pinged"]=>
                  string(0) ""
                  ["post_modified"]=>
                  string(19) "2026-07-14 11:06:01"
                  ["post_modified_gmt"]=>
                  string(19) "2026-07-14 03:06:01"
                  ["post_content_filtered"]=>
                  string(0) ""
                  ["post_parent"]=>
                  int(0)
                  ["guid"]=>
                  string(51) "https://www.nss.com.tw/ai-training-vs-inference-gpu"
                  ["menu_order"]=>
                  int(0)
                  ["post_type"]=>
                  string(4) "post"
                  ["post_mime_type"]=>
                  string(0) ""
                  ["comment_count"]=>
                  string(1) "0"
                  ["filter"]=>
                  string(3) "raw"
                }
                [1]=>
                object(WP_Post)#36599 (24) {
                  ["ID"]=>
                  int(125231)
                  ["post_author"]=>
                  string(1) "0"
                  ["post_date"]=>
                  string(19) "2026-07-14 10:21:10"
                  ["post_date_gmt"]=>
                  string(19) "2026-07-14 02:21:10"
                  ["post_content"]=>
                  string(16477) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:怎麼把自己的 AI 模型架成推論 API 服務?</p><p style="margin:0">POC 用 Ollama,生產用 vLLM 或 SGLang,提供 OpenAI 相容 API,前端改 base_url 就能接。7B 權重約 14-16GB 顯存,每路 4K 對話的 KV cache 抓 0.5-2GB,10-20 路併發用一張 24GB 卡起步,台灣機房月租 NT$15,000-25,000。</p></div>
<p>模型選好了、也驗證過效果,接下來的問題才是工程的開始:怎麼讓全公司、甚至你的客戶,穩定地用到這個模型?答案就是把它包成推論 API。這一步的難度常被低估——單人測試跑得飛快的模型,一上線就延遲爆炸;或者為了扛併發把規格拉滿,月底看帳單才發現 GPU 大半時間在發呆。自建推論 API 本質上是在延遲、併發、成本三個角之間找平衡,這篇教學把三角關係拆開講,給你可以直接套用的估算方法與架構建議。</p>

<h2>為什麼要自建:三個過不去的檻</h2>
<p>用現成的雲端模型 API 沒什麼不對,直到你撞上三件事之一。資料敏感:客戶對話、病歷、財務數據不能送出境,個資法與行業主管機關的要求擺在那裡;成本失控:按 token 計費的帳單跟著用量線性長,月百萬次呼叫的產品,API 費用常常超過自建月租的兩三倍;客製需求:你微調過的模型、特殊的取樣參數、需要保證的回應時間,公有 API 都給不了。成本這條再講個常見劇本:產品加了「AI 摘要」按鈕,上線時每天 2,000 次呼叫,三個月後功能被預設開啟、變成每天 5 萬次,API 帳單從五位數跳到六位數,而訂閱定價早就鎖死——毛利被吃掉的速度比任何人的反應都快,自建的固定月租在這種「功能普及化」劇本裡就是定價保險。三者中一項成立,自建就值得認真評估;兩項成立,基本上是遲早的事。</p>
<p>反過來也要誠實:三種情況不建議自建。用量太小——每天幾百次呼叫,API 月費幾百塊,自建怎麼算都不划算;完全沒有維運人力——連 Linux 都沒人碰的團隊,先用 API 把產品驗證起來;以及任務非旗艦閉源模型不可——開源模型盲測過確實不夠力的少數場景。自建是工程決策不是信仰,拿你的用量、資料屬性與人力對照上面六條,答案通常很清楚。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-23-data-20260714.jpg" alt="AI 推論 API 自建教學:把模型變成服務,延遲、併發與 GPU 成本的三角習題" loading="lazy"/><figcaption>▲ 7B 權重 14-16GB,每路 4K 對話 KV cache 抓 0.5-2GB</figcaption></figure>
<h2>三角習題:延遲、併發、成本怎麼互相拉扯</h2>
<p>看懂三角關係,要先認識兩個延遲指標。TTFT(Time to First Token)是使用者按下送出到看到第一個字的時間,決定「有沒有在動」的體感,健康值在 0.5-2 秒;生成速度(token/s)決定字流出來的速度,單人閱讀場景 20 token/s 以上就順。併發是同時處理的請求路數,成本則是你為此付出的 GPU 月租。</p>
<p>三者的拉扯關係很具體:併發拉高,同一張卡上的請求互搶算力,TTFT 與生成速度都會掉;要守住延遲就得加卡,成本上升;要省成本就得接受排隊,延遲變長。工程上沒有三全其美,只有「依產品需求選兩個保、放掉一個」:內部工具保成本與併發、犧牲一點延遲;對客戶的付費服務保延遲、用超額配置換體驗。規格單一直搖擺的團隊,多半不是不會算,是還沒想清楚產品定位,先回去把定位吵完再來選卡。先寫下你的目標值(例如 p95 TTFT 低於 1.5 秒、尖峰 30 併發、月預算 NT$60,000),再開始選規格,順序不要反過來。</p>
<p>給一組實測的感覺:一張 4090 跑 7B FP16 配 vLLM,單人使用 TTFT 約 0.3 秒、生成 70-100 token/s;把併發灌到 10 路,TTFT 升到 0.8-1.2 秒、每路生成掉到 30-50 token/s;灌到 25 路,TTFT 破 2 秒、開始排隊。同一張卡,體驗從「飛快」到「將就」到「不可用」,差的只是併發數——這就是為什麼規格討論一定要從「尖峰有幾路」開始,而不是從「模型幾 B」開始。</p>
<p>TTFT 的組成也值得拆開看:排隊等資源、prefill(把整段輸入一次算完)、然後才開始逐字生成。長輸入的 prefill 很重——丟一份 8K token 的文件進去,光 prefill 就可能占掉一兩秒,這是文件型應用的 TTFT 永遠比聊天型難看的原因。對策有三:前綴快取讓相同的系統提示詞不重算、超長輸入先截斷或摘要、把文件批次任務改走非同步路徑,別讓它跟即時對話搶同一條佇列。</p>

<h2>推論引擎選型:效率差距可以到十倍</h2>
<table>
<thead><tr><th>引擎</th><th>定位</th><th>關鍵能力</th><th>適用階段</th></tr></thead>
<tbody>
<tr><td>Ollama</td><td>極簡部署</td><td>一行指令起服務、自動量化</td><td>POC、個人與小團隊</td></tr>
<tr><td>vLLM</td><td>生產標準</td><td>PagedAttention、continuous batching,吞吐高 5-10 倍</td><td>正式環境首選</td></tr>
<tr><td>SGLang</td><td>高階生產</td><td>RadixAttention 前綴快取,重複前綴場景更快</td><td>Agent、大量共用 prompt</td></tr>
<tr><td>TensorRT-LLM</td><td>極致效能</td><td>NVIDIA 深度優化、需編譯</td><td>極端吞吐需求、固定模型</td></tr>
</tbody>
</table>
<p>選擇邏輯很簡單:POC 用 Ollama 十分鐘上線;要對多人服務,直接上 vLLM——它的 continuous batching 會把不同請求的生成步驟交錯排進 GPU,同一張卡的有效吞吐是逐條處理的 5-10 倍,這一項就決定你要租一張卡還是五張卡。四個引擎都支援 OpenAI 相容 API,應用端程式碼可以完全不動,把 base_url 從商用服務換成自家端點即可,這也讓「先用商用 API 驗證產品、再切自建」的路徑幾乎零改寫成本。</p>
<p>引擎與量化的搭配有慣例可循:vLLM 生產部署搭 AWQ 或 GPTQ 的 4-bit 權重最順,顯存省一半以上、吞吐幾乎不折損;Ollama 用 GGUF 格式,拉檔即用。要留意的是不同引擎的預設參數差很多——最大併發數、KV cache 上限、context 長度都要按你的硬體明確設定,用預設值上線然後 OOM,是新手工程師的固定戲碼。</p>

<h2>顯存預算:權重之外,KV cache 才是變數</h2>
<p>推論顯存等於「模型權重加 KV cache 加少量開銷」。權重好算:7B FP16 約 14-16GB、32B INT4 約 18-20GB;KV cache 是每一路進行中的對話都要占用的快取,依模型架構,每路 4K token 大約 0.5-2GB,而且跟併發數與 context 長度成正比。這就是為什麼「單人測試沒問題,上線就 OOM」的劇本不斷重演:20 路併發、每路 8K context,KV cache 可能吃掉 20-40GB,比模型本體還大。</p>
<p>實用的估算流程:先定尖峰併發與平均 context,算 KV cache 總量,加上權重,再留 15-20% 餘裕。舉例:32B INT4(20GB)服務 15 路併發、平均 4K context(約 15-20GB KV cache),總需求 40-48GB,一張 L40S 48GB 剛好,或雙 4090 用張量平行分攤。若跑的是 DeepSeek R1 這類思考鏈很長的推理模型,context 消耗更兇,預留空間要再放大,各版本的具體數字見 <a href="https://www.nss.com.tw/deepseek-r1-gpu-requirements">DeepSeek R1 GPU 需求對照</a>。</p>
<p>好消息是新一代架構與引擎都在幫你省這筆錢:採用 GQA 的模型(Llama 3、Qwen2.5 世代)KV cache 比舊架構省 4-8 倍;vLLM 的 PagedAttention 把 cache 切成小分頁按需配置,傳統部署裡三到五成的顯存碎片浪費幾乎歸零。同樣一張 24GB 卡,2023 年的部署方式撐 4-5 路併發,2026 年的組合拳可以撐 15-20 路——選對引擎本身就是最大的一次降本。</p>

<h2>台灣案例:SaaS 團隊把月帳單砍掉六成</h2>
<p>一家台中的 HR SaaS 公司,產品內建履歷解析與面談摘要功能,原本走海外商用 API。用戶成長後兩個問題同時爆:月 API 帳單衝到 NT$90,000 出頭並持續上升;金融與醫療類客戶在資安問卷上直接問「求職者個資是否出境」,答不好就丟單。他們花了六週切換到自建:模型選 Qwen2.5-14B 微調版,INT4 量化後 9-11GB,跑在台灣機房一台雙 4090 主機上(月租約 NT$35,000),vLLM 做服務層,尖峰實測 22 路併發。</p>
<p>六週的切換時程值得拆開參考:第 1-2 週租單卡主機做離線評測,拿 500 筆歷史請求對比自建模型與原 API 的輸出品質,確認可接受;第 3 週建雙卡生產環境與監控;第 4 週用 5% 真實流量做灰度,發現兩個格式邊界問題,修 prompt 解決;第 5 週流量放到 50%,壓測驗證尖峰;第 6 週全量切換,原 API 降為備援。全程使用者無感,這是照劇本走的結果,不是運氣。</p>
<p>切換後的數字:月固定成本 NT$35,000,比原帳單省六成,而且不再隨用量成長;p95 TTFT 從 2.8 秒(含跨海往返)降到 1.1 秒,台灣機房到台灣用戶的網路往返只有 5ms 上下;資安問卷的資料出境欄位從此填「否」,當季就簽下兩家原本卡關的金融客戶。他們保留了原本的商用 API 作為 fallback:自建端點健康檢查失敗時自動切換,雙保險的月成本不到 NT$1,000,因為 99% 的流量都走自建。</p>
<p>壓測方法他們也走了標準流程:用開源壓測工具重放歷史流量的放大版(平常尖峰的 1.5 倍),連續打 30 分鐘,盯 p95 延遲與錯誤率;再單獨測「長文件」路徑——履歷有一頁的也有八頁的,長輸入是延遲長尾的主要來源,單獨設超時與截斷規則後,p99 才穩下來。切換這種事,九成的信心來自壓測,一成才來自祈禱。</p>

<h2>上線後才是重點:監控、SLA 與擴容節奏</h2>
<p>推論服務的維運圍繞四個數字:p50/p95 TTFT、生成速度、佇列深度、GPU 使用率。前三個顧體驗,最後一個顧錢包——GPU 使用率長期低於 30%,表示規格買太大或該把批次任務排進離峰;佇列深度常態大於零,表示該擴容了。告警設在使用者抱怨之前:p95 TTFT 超標 20% 就通知,而不是等客服工單進來。儀表板不用花俏,四個數字加一條佇列趨勢線,值班的人一眼能看懂,就是好儀表板。</p>
<p>成本也要有月報:每月統計 token 總量、GPU 平均與尖峰使用率、換算的單位成本(每百萬 token 幾塊錢),跟商用 API 的牌價對照一次。這張報表有兩個用途——向管理層證明自建的價值持續成立,以及在用量成長到需要擴容時,用數據而不是感覺去申請預算。自建服務最怕的不是壞掉,是沒人說得清它到底省了多少錢。</p>
<p>資安層的最低標配:API key 按應用發放、每季輪替;閘道做速率限制擋暴衝與濫用;請求日誌全留但個資欄位遮罩;管理介面只開內網。這四件事一天可以做完,卻是資安問卷與稽核的必考題,別等被問到才補。</p>
<p>擴容的節奏建議「垂直先、水平後」:先把量化等級、批次參數、context 上限調到位,再考慮換大卡,最後才是多卡多副本加負載均衡。另外,推論主機與訓練主機的規格邏輯完全不同,別拿訓練的配置思維來配推論——這個常見誤區在 <a href="https://www.nss.com.tw/ai-training-vs-inference-gpu">訓練與推理的 GPU 配置邏輯</a> 有完整拆解。把這些機制建立起來,自建 API 的穩定度可以做到跟商用服務同級,成本卻是自己可控的。</p>
<p>人力配置的真實答案:一套自建推論 API 的日常維運,由一位後端工程師兼任就夠,前提是監控與告警已經自動化;需要專注投入的是前兩個月的建置與調校期。很多團隊卡在「我們沒有 AI 工程師」的心理門檻,實際上推論服務的維運技能跟一般後端服務八成重疊,缺的那兩成——顯存邏輯與引擎參數——一週可以補起來,或者選一家願意陪你調參數的主機商,把學習曲線再砍一半。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-23-points-20260714.jpg" alt="AI 推論 API 自建教學:把模型變成服務,延遲、併發與 GPU 成本的三角習題" loading="lazy"/><figcaption>▲ 把模型變成服務的三步</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>推論 API 的規格會隨產品成長而演進:從單卡 POC、雙卡生產,到多副本高可用。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、使用者資料不出境,月租 NT$15,000 起,7×24 中文技術支援,擴容時可平滑升級不中斷服務。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問可依你的併發與延遲目標試算最省的配置。</p>

<h2>常見問題 FAQ</h2><h3>自建推論 API 和呼叫商用 API,成本怎麼比?</h3><p>商用 API 按 token 計費,量小便宜;月呼叫量到百萬次後,帳單常達 NT$80,000-200,000。自建是固定月租:雙 4090 主機約 NT$35,000、H100 約 NT$60,000-80,000,用量再大也不變。月 API 費穩定超過自建月租 1.5 倍,就該評估切換。</p><h3>TTFT 和 token/s 是什麼?目標值該設多少?</h3><p>TTFT 是送出請求到第一個字出現的時間,對話產品建議 p95 壓在 1.5-2 秒內;token/s 是後續生成速度,單人閱讀 20 token/s 以上就流暢,程式生成建議 40 以上。兩者都要在「尖峰併發」下量測才有意義,單人測試的數字不能當 SLA。</p><h3>一張 RTX 4090 能撐多少併發?</h3><p>以 7B FP16 加 vLLM 估:權重 14-16GB,剩 8-10GB 給 KV cache,每路 4K context 約 0.5-1GB,尖峰 10-20 路併發可維持每路 20 token/s。32B INT4 權重占 18-20GB,單卡空間有限,併發壓在 5-8 路或改雙卡。</p><h3>vLLM 為什麼比一般部署快這麼多?</h3><p>兩個機制:PagedAttention 把 KV cache 分頁管理,顯存利用率從常見的 20-40% 拉到 90% 以上;continuous batching 讓不同請求的生成步驟交錯執行,GPU 不再等最慢的請求。合計效果是同卡吞吐提升 5-10 倍,等於直接省下 5-10 倍的硬體租金。</p><h3>KV cache 到底要預留多少顯存?</h3><p>粗略公式:每路併發、每 4K token 的 context,依模型抓 0.5-2GB(GQA 架構的新模型較省)。例如 15 路併發、平均 4K context,預留 8-30GB。實務建議:總顯存 = 權重 + KV cache 估算 + 15-20% 餘裕,上線後再用實測數據修正。</p><h3>自建 API 的延遲可以比商用 API 低嗎?</h3><p>可以,而且低很多。台灣用戶呼叫海外 API,光網路往返就 60-150ms,加上排隊常見 p95 兩三秒;自建在台灣機房,網路往返 5ms 上下,搭配合理併發配置,p95 TTFT 壓在 1 秒上下是常態。對即時互動型產品,這是體感等級的差距。</p><h3>怎麼做到服務不中斷的模型更新?</h3><p>標準做法是藍綠部署:新模型先在第二個服務副本載入並通過煙霧測試,負載均衡器再把流量切過去,舊副本觀察 24-48 小時後下線。單卡預算做不了雙副本時,選離峰時段換模型,vLLM 重載一個 14B 模型約 3-8 分鐘,公告維護窗口即可。</p><h3>需要準備 fallback 機制嗎?怎麼設計?</h3><p>建議要。常見設計:自建端點健康檢查連續失敗 3 次,閘道自動把流量切到商用 API 或備用副本,並發告警。fallback 的月成本通常不到 NT$1,000(因為 99% 流量走自建),卻能把服務可用率從單機的 99% 拉到 99.9% 以上,對外服務尤其必要。</p><h3>推論 API 的資安要注意什麼?</h3><p>最少四件:API key 發放與輪替、請求與回應日誌(留存供稽核,注意個資遮罩)、輸入輸出的敏感內容過濾、以及網路層的 IP 白名單或 VPN。自建的意義是資料不出境,但機房內的存取控制與日誌若沒做,稽核一樣過不了,第一天就要納入架構。</p><h3>從零開始自建,合理的時程是多久?</h3><p>有經驗的團隊:第 1 週選型與 POC(Ollama 加內部測試),第 2-3 週建生產環境(vLLM、監控、日誌、fallback),第 4-6 週試營運與壓測,共 4-6 週。沒有 GPU 維運經驗的話,選有 7×24 中文支援的台灣主機商可以把前期環境問題的處理時間砍掉一半以上。</p>"
                  ["post_title"]=>
                  string(93) "AI 推論 API 自建教學:把模型變成服務,延遲、併發與 GPU 成本的三角習題"
                  ["post_excerpt"]=>
                  string(0) ""
                  ["post_status"]=>
                  string(7) "publish"
                  ["comment_status"]=>
                  string(6) "closed"
                  ["ping_status"]=>
                  string(6) "closed"
                  ["post_password"]=>
                  string(0) ""
                  ["post_name"]=>
                  string(24) "ai-inference-api-hosting"
                  ["to_ping"]=>
                  string(0) ""
                  ["pinged"]=>
                  string(0) ""
                  ["post_modified"]=>
                  string(19) "2026-07-14 11:05:05"
                  ["post_modified_gmt"]=>
                  string(19) "2026-07-14 03:05:05"
                  ["post_content_filtered"]=>
                  string(0) ""
                  ["post_parent"]=>
                  int(0)
                  ["guid"]=>
                  string(47) "https://www.nss.com.tw/ai-inference-api-hosting"
                  ["menu_order"]=>
                  int(0)
                  ["post_type"]=>
                  string(4) "post"
                  ["post_mime_type"]=>
                  string(0) ""
                  ["comment_count"]=>
                  string(1) "0"
                  ["filter"]=>
                  string(3) "raw"
                }
                [2]=>
                object(WP_Post)#36601 (24) {
                  ["ID"]=>
                  int(125230)
                  ["post_author"]=>
                  string(1) "0"
                  ["post_date"]=>
                  string(19) "2026-07-14 10:21:08"
                  ["post_date_gmt"]=>
                  string(19) "2026-07-14 02:21:08"
                  ["post_content"]=>
                  string(16169) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:商用部署 Stable Diffusion 需要什麼 GPU、出圖速度多快?</p><p style="margin:0">SD 1.5 只要 4-6GB 顯存,SDXL 建議 10-12GB,SD3.5 與 FLUX.1 要 16-24GB,一張 RTX 4090 通吃。4090 出一張 1024 的 SDXL 圖約 4-6 秒,批次月產能 15 萬張以上。台灣機房單卡月租約 NT$15,000-25,000,商用前務必逐版本確認授權。</p></div>
<p>生成式 AI 的討論度都被 LLM 占走了,但真正在台灣企業裡默默賺錢的,常常是圖像生成。電商去背改景、廣告素材 A/B 量產、遊戲美術概念圖、產品打樣視覺——這些工作流一旦導入 Stable Diffusion 系列模型,產能是用「倍」在算的。不過商用部署跟玩家在自己電腦上跑圖是兩回事:顯存要抓多少、出圖速度怎麼估產能、授權條款哪些版本能商用、服務怎麼撐住多人同時用,每一題都有具體答案。這篇指南一次講完。</p>

<h2>先盤點場景:你要的是「快」還是「多」</h2>
<p>商用圖像生成的需求分兩型。互動型:設計師在工作流裡即時生圖改圖,重點是單張延遲,最好 10 秒內出圖,不然創作節奏會斷;批次型:半夜排程量產上千張商品圖或素材變體,重點是每小時吞吐與單張成本,延遲無所謂。兩型的 GPU 配置邏輯不同——互動型值得上單卡效能最強的卡,批次型看的是「每萬張成本」,有時兩張中階卡比一張旗艦卡划算。訓練自家風格模型(LoRA)又是第三種負載,吃的資源結構不一樣,可參考 <a href="https://www.nss.com.tw/ai-training-vs-inference-gpu">訓練與推理的 GPU 配置邏輯</a>。</p>
<p>開需求會議時,把三個問題先問清楚,規格自然浮現:每月要產多少張、誰在什麼流程裡用(設計師即時創作還是系統自動批次)、素材與成品的保密等級。第三題常被跳過,卻最關鍵——未上市商品照、客戶提供的原始素材,一旦流進境外生圖服務,合約上的保密條款就破了。這也是為什麼台灣的電商、遊戲與代理商,這兩年紛紛把出圖工作流搬回自建或租用的在地主機。</p>
<p>台灣市場的需求輪廓大致是:電商與代營運要商品情境圖量產,遊戲與 IP 產業要概念圖與宣傳素材,製造業拿它做產品外觀提案與型錄視覺,行銷代理商則是廣告素材的 A/B 變體海量測試。共通點是量大、風格要穩、交期以天計——正好是自建 GPU 產線最擅長的三件事,也是按張計費的境外服務最貴的三件事。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-22-data-20260714.jpg" alt="Stable Diffusion 商用部署指南:出圖速度、顯存需求與 GPU 選型【2026】" loading="lazy"/><figcaption>▲ RTX 4090 批次月產能 15 萬張;FLUX.1 要 16-24GB</figcaption></figure>
<h2>模型版本與顯存需求:從 SD 1.5 到 FLUX</h2>
<p>2026 年還在商用戰場上的主力模型,顯存需求差距很大。SD 1.5 最老但生態最肥,512×512 原生解析度,推論只要 4-6GB,大量現成 LoRA 與 ControlNet 可用,適合量產小圖與風格固定的素材線。SDXL 是目前商用主流,1024×1024 原生解析度,推論建議 10-12GB,畫質與提示詞理解力都上一個檔次。SD 3.5 Large(8B 參數)與 FLUX.1(12B 參數)是畫質天花板,文字渲染與人手細節明顯進步,但 FP16 推論要 16-24GB,加上 ControlNet 或高解析修復流程,24GB 卡會逼近上限,FP8 量化可壓回 12-16GB,畫質損失輕微。</p>
<p>經驗上的配卡建議:純 SD 1.5 產線用 12-16GB 卡就夠;SDXL 為主、偶爾跑 FLUX,一張 RTX 4090(24GB)是甜蜜點;FLUX 全流程加訓練 LoRA,直上 48GB 的 L40S 或 RTX 6000 Ada,省去顯存調度的所有麻煩。</p>
<p>選版本時別只看畫質,要看「生態資產」。SDXL 的社群累積最厚:上千個風格 checkpoint、數萬個 LoRA、成熟的 ControlNet 全家桶(姿勢、深度、線稿、佈局控制)與 IP-Adapter 參考圖機制,商用工作流需要的「可控性」幾乎都靠這些配件堆出來,而新模型的配件生態要再等半年到一年才會齊。這就是為什麼 2026 年的商業產線上,SDXL 仍然是主力、FLUX 負責高規格單張輸出的分工格局。</p>
<p>硬體配套也交代一下:模型 checkpoint 一個 2-7GB,加上 LoRA 庫與 ControlNet 權重,硬碟直接抓 1TB NVMe 起跳;系統記憶體 32-64GB,模型切換與批次排程時吃得兇;輸出圖的儲存與備份另外算,量產線一個月幾百 GB 很正常。這些配套在租用方案裡先確認清楚,比事後加購省事。</p>

<h2>出圖速度對照:秒數背後是產能與成本</h2>
<table>
<thead><tr><th>GPU</th><th>SDXL 1024×1024(30 步)</th><th>FLUX.1 dev(20 步)</th><th>批次月產能估算(SDXL)</th></tr></thead>
<tbody>
<tr><td>RTX 4090 24GB</td><td>約 4-6 秒/張</td><td>約 15-25 秒/張</td><td>15-25 萬張</td></tr>
<tr><td>L40S 48GB</td><td>約 5-8 秒/張</td><td>約 18-30 秒/張</td><td>12-20 萬張</td></tr>
<tr><td>H100 80GB</td><td>約 2.5-4 秒/張</td><td>約 8-15 秒/張</td><td>25-40 萬張</td></tr>
</tbody>
</table>
<p>幾個讓數字更準的細節。步數影響線性:20 步的時間約是 30 步的三分之二,搭配 LCM/Turbo 類加速技術可壓到 4-8 步,速度翻好幾倍,適合先快速出草稿再精修的流程。高解析放大(upscale)與 ControlNet 每加一層,時間多 30-100%。還有排隊時間:多人共用時真正的體感延遲是「生成時間加排隊」,這就是下一節服務化要解的問題。用月產能回推,一張 4090 主機月租 NT$15,000-25,000,量產情境的單張成本不到 NT$0.2,跟按張計費的雲端生圖 API(單張約 NT$0.5-4)差距一個數量級。</p>
<p>還想再壓速度,加速堆疊照這個順序上:先確認 FP16 與高效注意力機制(新版框架多半預設開啟),再套 LCM 或 Turbo 類的少步數模型,最後才是 TensorRT 編譯——它能再快 30-50%,但每換一個模型或解析度都要重新編譯,適合模型固定的量產線,不適合天天換風格的創作環境。互動與批次的參數也不同:互動用 batch 1 求快,批次拉 batch 4-8 榨吞吐,同一張卡兩種設定的時薪產能差三成以上。</p>
<p>解析度是另一個常被低估的變數:同一張卡,SDXL 從 1024 拉到 1536 見方,時間接近翻倍;要 2048 以上的大圖,先出 1024 再走放大流程,品質更穩、總時間反而更短。至於負向提示詞與 CFG 這類參數,對速度影響輕微,放心按品質需求調,產能規劃時不用把它們算進變數。</p>

<h2>商用授權地雷:每個版本規則都不一樣</h2>
<p>技術選型前,先讓法務看授權,這是圖像生成商用化最常翻車的地方。SD 1.5 與 SDXL 用 CreativeML OpenRAIL 系授權,商用基本開放,但有禁止用途清單;SD 3.5 用 Stability AI 社群授權,年營收 100 萬美元以下企業可免費商用,超過要買企業授權;FLUX.1 要特別小心:schnell 版是 Apache 2.0 隨便用,dev 版是非商用授權,拿 dev 直接做商業服務就是違約,商用要走 BFL 的授權方案。</p>
<p>另外兩件事一起交代:生成內容的著作權在台灣現行實務下,純 AI 產出難以主張著作權保護,商業使用要靠人工參與創作與合約安排;訓練自家 LoRA 用的素材,確認你有權利使用,拿客戶圖庫訓練前先把授權條款寫進合約。這些功課做在前面,比出事後補救便宜太多。</p>
<p>管理上建議建一張「授權清冊」:表列每個在用的模型與 LoRA、授權類型、可否商用、來源連結與下載日期,新模型進產線前先過這張表。特別注意合併模型(merge)與微調衍生版——它們繼承原始模型的授權,拿非商用底模 merge 出來的東西照樣不能商用;社群下載的風格 LoRA 更是重災區,訓練素材來路不明的,商業案子直接避開。這張清冊花一天建立,能擋掉未來九成的授權糾紛。</p>
<p>再往前看一步:主要平台與廣告通路陸續要求 AI 生成內容標示,台灣的主管機關也在跟進研議。把「AI 生成、人工審核」的標示與紀錄機制先做進流程,產出的每張圖都留有模型版本與參數的中繼資料,未來法規落地時你只需要開個開關,而不是回頭補三個月的資料。</p>

<h2>台灣案例:電商代營運的出圖農場</h2>
<p>一家台北的電商代營運公司,替 40 多個品牌管商品頁,長期痛點是攝影棚產能:一檔活動要 300-500 張情境圖,外包攝影單張 NT$300-800、來回兩週。他們在台灣機房租了兩台 RTX 4090 主機(月租合計約 NT$40,000)建出圖農場:白天設計師用 ComfyUI 做互動創作與修圖,晚上跑批次——商品去背後套 SDXL 情境模板,自動生成不同場景、光線、節慶主題的變體,隔天早上人工挑圖。</p>
<p>三個月後的數字:每月產出約 6 萬張候選圖、採用約 4,500 張,單張採用成本從外包的數百元降到十位數;一檔活動的素材製作週期從兩週壓到三天。品牌客戶在意的資料問題也順帶解決——商品原始圖與未上市新品照全部留在台灣機房,不經過任何境外生圖服務,代營運合約裡的保密條款直接過關。機器在台灣還有個實際好處:傳輸大批 PSD 與成品圖走內網或國內頻寬,幾 GB 的檔案分鐘級搞定,不用跟跨海頻寬搏鬥。</p>
<p>他們的批次工作流值得拆開看:商品圖先自動去背與構圖對位,套用預先調好的 SDXL 情境模板(棚拍、居家、戶外、節慶四大類),ControlNet 鎖住商品輪廓避免變形,生成後自動跑一輪放大與色彩校正,再進人工挑圖。每個商品產 12 個變體、人工挑留 1-2 張,挑圖率穩定在一成上下——這個數字很重要,產能規劃時要用「候選張數」而不是「採用張數」去算 GPU 需求,兩者差了十倍。</p>

<h2>服務化:讓一張卡服務一個部門</h2>
<p>單機跑 ComfyUI 或 WebUI 是個人用法,商用部署要加三層。佇列層:用 Redis 或內建 queue 把請求排隊,尖峰時設計師看到的是「排隊中第 3 位」而不是逾時錯誤;API 層:把常用工作流(去背、換景、放大)固化成參數化 API,讓 PM 與行銷不碰節點圖也能出圖;資產層:模型、LoRA、工作流版本化管理,不然三個月後沒人知道哪個 checkpoint 配哪個 LoRA 才能重現當初的風格。這套 API 化的思路與 LLM 服務共通,可參考 <a href="https://www.nss.com.tw/ai-inference-api-hosting">AI 推論 API 自建教學</a>。</p>
<p>容量規劃的粗略公式:一張 4090 跑 SDXL 約每分鐘 10-15 張,一個 10 人設計團隊的互動使用加上夜間批次,單卡通常夠;超過 20 人或有對外服務,再加卡做負載分流。從一張卡開始,用佇列長度數據決定何時擴充,比一次到位猜規格務實。</p>
<p>維運面把四件事自動化就很省心:任務失敗自動重試(顯存偶發不足、模型載入逾時是常客)、每日產能與佇列報表、輸出內容的安全過濾(商用環境必開,尤其是開放自由 prompt 的內部工具)、以及模型與工作流的版本備份。監控指標盯兩個就夠——平均單張生成時間(飆高代表有人塞了超大解析度或掛錯模型)與佇列等待 p95(超過一分鐘就是擴充訊號)。這套機制建好,一個設計部門的出圖農場,每週維運時間可以壓在兩小時內。</p>
<p>若農場要服務多個部門或多個客戶,再加一層簡單的配額管理:每個專案有月度張數配額與優先級,超額走申請流程。這不是官僚,是讓產能衝突浮上檯面的機制——沒有配額的共用農場,三個月後一定演變成先搶先贏,協調的隱形成本比寫這層邏輯高得多。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-22-points-20260714.jpg" alt="Stable Diffusion 商用部署指南:出圖速度、顯存需求與 GPU 選型【2026】" loading="lazy"/><figcaption>▲ SD 商用部署的三個檢核</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>圖像生成的商用部署,從單張 RTX 4090 的設計部門共用機,到多卡 H100 的量產農場,規格跨度很大。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、素材與商業資料不出境,月租 NT$15,000 起,7×24 中文技術支援,產能不夠隨時加卡。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問可依你的出圖量與工作流建議配置。</p>

<h2>常見問題 FAQ</h2><h3>跑 Stable Diffusion 最少需要多少顯存?</h3><p>SD 1.5 推論 4-6GB 就能跑,SDXL 建議 10-12GB,SD 3.5 Large 與 FLUX.1 需要 16-24GB(FP8 量化可壓到 12-16GB)。商用環境建議直接配 24GB 的 RTX 4090:主流模型全部通吃,還留得下 ControlNet 與放大流程的空間。</p><h3>RTX 4090 出一張圖要幾秒?</h3><p>SDXL 1024×1024、30 步約 4-6 秒;SD 1.5 的 512 小圖 1-2 秒;FLUX.1 dev 20 步約 15-25 秒。搭配 LCM/Turbo 加速可把步數壓到 4-8 步,SDXL 能進到 2 秒內。批次量產時單卡每小時穩定產出 600-900 張 SDXL 圖。</p><h3>哪些 Stable Diffusion 版本可以商用?</h3><p>SD 1.5 與 SDXL 走 OpenRAIL 系授權,商用開放但有禁止用途;SD 3.5 對年營收 100 萬美元以下企業免費商用,超過需企業授權;FLUX.1 schnell 是 Apache 2.0 可自由商用,dev 版為非商用授權,商業服務必須另購授權。上線前務必逐版本核對。</p><h3>商用出圖該自建 GPU 還是用生圖 API?</h3><p>月出圖量是分水嶺。雲端 API 單張約 NT$0.5-4,月產一萬張就要 NT$5,000-40,000 且素材要上傳境外;自建單卡 4090 主機月租 NT$15,000-25,000,月產能 15 萬張以上,單張成本壓到 NT$0.2 以下。月量破萬張或素材敏感,自建幾乎必勝。</p><h3>SDXL 和 FLUX 該選哪個?</h3><p>量產與生態優先選 SDXL:速度快 3-5 倍、LoRA 與 ControlNet 資源最齊,商品圖情境圖綽綽有餘。文字渲染、手部細節、複雜構圖要求高的主視覺,才用 FLUX 或 SD 3.5。多數團隊的實務解是雙軌:SDXL 跑量、FLUX 出精稿,一張 24GB 卡就能切換。</p><h3>一個 10 人設計團隊需要幾張卡?</h3><p>通常一張 RTX 4090 就夠:互動使用尖峰約 3-5 人同時排隊,SDXL 每張 4-6 秒,佇列體感仍順;夜間再排批次任務把閒置時段用滿。建議先單卡上線、監控佇列長度,平均等待常態超過 30 秒再加第二張卡,擴充有數據依據。</p><h3>訓練自己風格的 LoRA 需要什麼規格?</h3><p>SDXL LoRA 用 20-100 張標註圖、24GB 顯存的卡訓練 1-3 小時就有可用結果;FLUX LoRA 建議 24-48GB 顯存、時間再多五成。重點反而在素材權利:訓練圖要有合法使用權,替客戶訓練品牌風格模型時,把素材授權與產出歸屬寫進合約。</p><h3>出圖服務多人共用要怎麼架?</h3><p>標準架構三層:ComfyUI 或 Diffusers 當生成核心,前面加佇列(Redis/RabbitMQ)吸收尖峰,再包一層參數化 API 讓非技術同事直接用固定工作流。搭配任務優先級(互動優先、批次讓路),單卡就能同時服務設計部門與夜間量產線。</p><h3>生成的圖片著作權歸誰?可以商用嗎?</h3><p>台灣現行實務上,無人類創作參與的純 AI 產出難以取得著作權保護;有實質人為創作(構圖指導、後製合成)的成品較有主張空間。商用本身可行,但建議以合約約定產出的使用權歸屬,並保留創作過程紀錄,以降低爭議風險。</p><h3>顯存不足會發生什麼事?怎麼緩解?</h3><p>輕則自動切到 CPU/RAM 分流讓速度掉 5-10 倍,重則直接 OOM 中斷任務。緩解手段依序:改用 FP8/半精度、降批次數、關閉不必要的 ControlNet、用 tiled VAE 分塊處理高解析圖。若每天都在用這些手段,就是該升 48GB 卡的訊號。</p>"
                  ["post_title"]=>
                  string(87) "Stable Diffusion 商用部署指南:出圖速度、顯存需求與 GPU 選型【2026】"
                  ["post_excerpt"]=>
                  string(0) ""
                  ["post_status"]=>
                  string(7) "publish"
                  ["comment_status"]=>
                  string(6) "closed"
                  ["ping_status"]=>
                  string(6) "closed"
                  ["post_password"]=>
                  string(0) ""
                  ["post_name"]=>
                  string(31) "stable-diffusion-gpu-deployment"
                  ["to_ping"]=>
                  string(0) ""
                  ["pinged"]=>
                  string(0) ""
                  ["post_modified"]=>
                  string(19) "2026-07-14 11:04:09"
                  ["post_modified_gmt"]=>
                  string(19) "2026-07-14 03:04:09"
                  ["post_content_filtered"]=>
                  string(0) ""
                  ["post_parent"]=>
                  int(0)
                  ["guid"]=>
                  string(54) "https://www.nss.com.tw/stable-diffusion-gpu-deployment"
                  ["menu_order"]=>
                  int(0)
                  ["post_type"]=>
                  string(4) "post"
                  ["post_mime_type"]=>
                  string(0) ""
                  ["comment_count"]=>
                  string(1) "0"
                  ["filter"]=>
                  string(3) "raw"
                }
                [3]=>
                object(WP_Post)#36603 (24) {
                  ["ID"]=>
                  int(125229)
                  ["post_author"]=>
                  string(1) "0"
                  ["post_date"]=>
                  string(19) "2026-07-14 10:21:07"
                  ["post_date_gmt"]=>
                  string(19) "2026-07-14 02:21:07"
                  ["post_content"]=>
                  string(16593) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:DeepSeek R1 各版本分別需要什麼 GPU 才能跑?</p><p style="margin:0">蒸餾版 7B/8B 需 14-16GB 顯存,一張 RTX 4090 可跑;32B 的 INT4 量化約 18-20GB、FP16 要 64-70GB;70B 要 140-150GB,建議雙 H100。滿血 671B 是 MoE 架構,FP8 需 700GB 以上、8×H200 等級。多數企業從 32B 蒸餾版起手。</p></div>
<p>DeepSeek R1 在 2025 年初用一紙 MIT 授權和逼近閉源旗艦的推理能力,把「企業自建 AI」的門檻直接砍了一截。一年多過去,它仍是台灣企業私有部署詢問度最高的模型家族——但也是版本誤會最多的一個。很多人以為自己要部署的是「那個 671B 的 DeepSeek」,實際上多數場景該用的是 7B 到 70B 的蒸餾版,兩者的硬體需求差了一個數量級,月租差距可以從一萬五到七位數。這篇把每個版本的 GPU 需求、實測速度、適用場景一次對照清楚,再給出台灣企業的選版決策路徑,幫你把預算花在真正需要的推理能力上。</p>

<h2>R1 為什麼紅:推理模型加 MIT 授權</h2>
<p>R1 屬於推理模型(reasoning model):回答前會先生成一長段思考鏈,把問題拆解、驗算、自我修正,再給出答案。這讓它在數學、程式、邏輯分析、複雜文件比對這類任務上,表現遠超同尺寸的一般指令模型。對企業更關鍵的是授權:MIT 授權幾乎沒有商用限制,可以改、可以蒸餾、可以包進產品賣,法務審查的阻力比社群授權的模型小得多。</p>
<p>代價也要先講明:思考鏈是用 token 買來的。同一個問題,一般模型 300 字收工,R1 可能先「想」2,000 到 8,000 個 token 才開始回答,輸出總量常是 3-10 倍,回應時間以十秒到分鐘計,KV cache 的顯存占用也跟著暴增。簡單的分類、摘要、格式轉換用 R1 是浪費——更慢、更貴、還不見得更準;R1 的主場是「答錯成本很高、值得讓它想久一點」的題目:合約條款衝突檢查、財務數字勾稽、程式除錯、多條件的方案評估。</p>
<p>務實的部署形態因此很清楚:R1 幾乎不會是企業唯一的模型,而是跟一般指令模型並排,由應用層按任務路由——日常雜務走快的,難題走 R1。這個「雙模型」前提會影響你後面每一個規格決策。</p>
<p>判斷哪些任務值得導到 R1,有個很土但有效的方法:把過去三個月人工修改率最高的十類任務攤開,圈出「錯了會賠錢」的那幾類——對帳異常分析、報價條件檢核、程式碼審查、合約風險標記。以一家導入過的公司為例,R1 只接手全系統 15% 的流量,卻消化掉了返工與客訴成本的大宗;剩下 85% 的摘要翻譯雜務,繼續讓一般模型用三分之一的成本跑。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-21-data-20260714.jpg" alt="DeepSeek R1 該選哪個版本?7B/32B/70B/671B 的 GPU 需求對照表與部署實測" loading="lazy"/><figcaption>▲ 蒸餾版 7B/8B 需 14-16GB;滿血 671B FP8 需 700GB 以上</figcaption></figure>
<h2>版本釐清:滿血 671B 與蒸餾版是兩回事</h2>
<p>DeepSeek R1 本尊是 671B 參數的 MoE(混合專家)模型。MoE 的特性是每次推論只「啟用」約 37B 參數,計算量像個中型模型,但路由器隨時可能點名任何一組專家,所以全部 671B 的權重都得待在顯存裡——這就是為什麼它計算不算太重、顯存需求卻是怪獸級:FP8 精度下要 700GB 以上,屬於 8×H200 單機或雙節點 8×H100 的世界。</p>
<p>官方同步釋出了一整排蒸餾版:以 Qwen 為底的 1.5B、7B、14B、32B,和以 Llama 為底的 8B、70B,用 R1 生成的推理資料訓練,學到了思考鏈的行為模式,能力隨尺寸遞減。底模血統有實務意義:Qwen 底的版本中文表現通常較穩,Llama 底的英文生態工具較齊,做繁中應用的台灣企業多半從 Qwen 底的 14B 或 32B 開始測。</p>
<p>坊間常見的誤解是「蒸餾版是閹割品,沒有價值」。實測結論恰好相反:32B 蒸餾版在多數企業推理任務上已能交付可用的品質,而部署成本只要滿血版的二十分之一。務實的問法不是「要不要上 671B」,而是「32B 夠不夠、什麼題目才值得升 70B」。</p>
<p>下載時的命名陷阱也提醒一下:模型倉庫上叫 DeepSeek-R1 的是 671B 本尊,蒸餾版的全名是 DeepSeek-R1-Distill-Qwen-32B 這種格式,少看一眼就會下錯檔案;社群還流通大量第三方微調與量化變體,品質參差不齊。企業部署建議認官方帳號的權重,量化版挑下載量大、附評測數據的來源,並把檔案雜湊值記進部署文件,日後出現怪行為才有辦法追查到底是模型的問題還是自己的問題。</p>

<h2>GPU 需求對照表:1.5B 到 671B</h2>
<table>
<thead><tr><th>版本</th><th>FP16 顯存需求</th><th>INT4 量化顯存</th><th>建議配置</th><th>單流速度參考</th></tr></thead>
<tbody>
<tr><td>R1-Distill 1.5B</td><td>3-4GB</td><td>1-2GB</td><td>任何現代 GPU</td><td>100+ token/s</td></tr>
<tr><td>R1-Distill 7B/8B</td><td>14-16GB</td><td>5-6GB</td><td>1×RTX 4090</td><td>60-100 token/s</td></tr>
<tr><td>R1-Distill 14B</td><td>28-32GB</td><td>9-11GB</td><td>1×RTX 4090(INT4)</td><td>35-60 token/s</td></tr>
<tr><td>R1-Distill 32B</td><td>64-70GB</td><td>18-20GB</td><td>1×4090(INT4)或 1×H100(FP16)</td><td>25-45 token/s</td></tr>
<tr><td>R1-Distill 70B</td><td>140-150GB</td><td>40-45GB</td><td>2×H100(FP16)或 2×4090(INT4)</td><td>15-30 token/s</td></tr>
<tr><td>R1 滿血 671B(MoE)</td><td>FP8 700GB 以上</td><td>約 350-400GB</td><td>8×H200 或雙節點 8×H100</td><td>依配置 10-25 token/s</td></tr>
</tbody>
</table>
<p>表中速度是單使用者連續生成的區間值,實際會隨推論引擎、context 長度與量化方式浮動。另外提醒:R1 系列因為思考鏈很長,顯存要在權重之外多留 20-40% 給 KV cache,尤其是 32B 以上搭配 8K-32K context 的場景,這筆帳漏算是部署後 OOM(顯存不足)的頭號原因。</p>
<p>量化格式的選擇也交代一下:走 vLLM 生產部署,選 AWQ 或 GPTQ 的 4-bit 版本,吞吐與相容性最好;用 Ollama 快速起步,抓 GGUF 格式的 Q4_K_M 等級即可,品質與體積的平衡點很成熟。同一個 32B,不同量化等級的顯存可以差出 5GB 以上,下載前先看清楚檔名後綴,別拿 Q8 的檔案塞 24GB 的卡。</p>
<p>context 長度對顯存的影響值得單獨講:同樣是 32B INT4,限制 8K context 的服務跟開放 32K 的服務,KV cache 預算差了四倍。文件分析型應用——把整份合約或規格書丟進去那種——幾乎都要 16K 起跳,這時單卡 24GB 就不夠看了,直接規劃 48GB 卡或雙卡配置,省得上線一週就被顯存不足的警報追著跑。</p>

<h2>部署實測筆記:三種常見配置的真實表現</h2>
<p>我們在台灣機房實際部署過的三種典型配置,數字給你參考。配置一:單張 RTX 4090 跑 32B 的 INT4 量化版(AWQ),Ollama 起服務,單流輸出 25-35 token/s,一題需要完整思考鏈的分析題約 40-90 秒跑完,適合 10-30 人的內部使用。配置二:單張 H100 80GB 跑 32B FP16 配 vLLM,單流 40-55 token/s,continuous batching 下同時服務 15-20 路併發仍能維持每路 20 token/s 以上,適合百人級企業或對外服務。</p>
<p>配置三:雙 4090 跑 70B INT4,張量平行切兩卡,單流 15-22 token/s。品質上,70B 對 32B 的優勢集中在長鏈推理與艱深領域題,一般企業問答的盲測勝率差距約一成;但速度慢了四成,月租多一倍。這也是為什麼我們最常給的建議是:32B 起手,用你自己的題目測,證明不夠再升級。</p>
<p>兩個實測才會知道的細節。TTFT(第一個字出現的時間)在 R1 上要重新理解:如果你把思考鏈隱藏、只給最終答案,使用者會盯著空白畫面等一兩分鐘,體驗極差——建議至少顯示「思考中」的進度或摘要。還有思考長度的長尾:同一個模型,九成題目 2,000 token 內想完,偶爾一題會想到 10,000 token 以上,不設上限的話,尖峰時段一題就能拖垮整條佇列,上線前一定要配 token 預算與逾時截斷。完整的模型挑選方法論可以參考 <a href="https://www.nss.com.tw/private-llm-deployment">私有 LLM 部署完整攻略</a>。</p>
<p>上線前的壓測劇本照抄即可:用歷史真題組一個 100 題的混合集,短題七成、長題三成,以目標併發數灌進去跑半小時,記錄 p50/p95 延遲、總吞吐與截斷率;再故意塞進三題已知會想很久的難題,確認佇列調度不會被單題塞死。這套流程一個下午跑得完,能提前抓出九成的容量問題,比上線後被使用者抓到便宜太多。</p>

<h2>台灣企業怎麼選:法遵是加分題,任務是必考題</h2>
<p>R1 對台灣企業還有一層現實意義:它讓「資料不出境的高階推理能力」變成可負擔的選項。金融業要分析內部審計報告、製造業要比對製程異常紀錄、律所要跑合約條款審閱——這些資料按個資法與各行業主管機關的要求,出境都是麻煩事,而 R1 蒸餾版讓這類任務可以完全在台灣機房內完成,MIT 授權也讓法務不用再為商用條款開好幾輪會。</p>
<p>一家新竹的 IC 設計服務公司是很典型的樣板:他們用單張 H100 跑 32B 蒸餾版,做內部技術文件的推理問答與規格衝突檢查,規格書與客戶資料全程不落地到任何境外服務,法遵審查兩週過件。導入時他們拿 50 題歷史案例盲測,32B 在「找出兩版規格書的矛盾點」這類題目的命中率約八成五,資深工程師的平均審閱時間從 50 分鐘降到 15 分鐘——剩下的一成五漏網,由人工複核補上,人機分工反而比全自動更受工程師信任。</p>
<p>金融場景再給一個輪廓:某投顧團隊把 32B 蒸餾版接進晨會流程,清晨自動比對前一日的公告與研究底稿,標記數字不一致或說法矛盾的段落,供研究員開盤前複核。跑在單張 H100 上,每天處理約 300 份文件,負載尖峰集中在清晨 6 到 8 點,其餘時段這張卡就轉去服務一般的內部問答——推理模型與指令模型共用硬體、分時排程,是把 H100 月租攤薄的標準做法,值得直接抄進你的架構。</p>
<p>選版的決策樹很短:預算單卡 24GB 以內,選 7B/8B 做輔助性任務;要正經的推理品質,32B INT4 是性價比之王;唯有當你用 50 題實際業務題盲測、確認 32B 明顯不夠,才考慮 70B;至於滿血 671B,除非你要對外提供旗艦級 AI 服務或做模型研究,否則多數企業碰不到需要它的那一天。</p>

<h2>從模型到服務:上線前的最後三關</h2>
<p>選好版本只是一半,R1 上線還有三個特有的坑。思考鏈的顯示策略:內部工具可以顯示完整推理過程輔助查核,對外服務通常隱藏、只回最終答案,兩者的 token 成本與體驗設計差好幾倍,要在產品設計時就決定。context 與併發的預算:R1 一題思考動輒數千 token,32B FP16 每路 4K context 的 KV cache 約再吃 1-2GB,併發數要按這個帳去乘。超時與截斷機制:給思考鏈設 token 上限(常見 4K-8K)與逾時保護,避免個別難題把整個服務卡死。</p>
<p>監控也要為推理模型調整:除了常規的延遲與吞吐,多看兩個指標——平均思考 token 數(突然變長常代表題型漂移或 prompt 被改壞)與截斷率(超過 5% 就該檢討上限設定或題目分流)。搭配每月一次的答案品質抽查,R1 服務才能長期穩定。版本更新也要守紀律:新版蒸餾模型先進影子環境跑一週,對同一批題目比較思考長度與答案品質,確認沒有回歸再切流量;思考鏈行為對系統提示詞極度敏感,任何一行改動都要走同一套回歸,別讓小改動把平均思考長度翻倍,延遲跟成本一起爆炸。這些服務化細節——OpenAI 相容 API、批次策略、告警設計——的完整做法,見 <a href="https://www.nss.com.tw/ai-inference-api-hosting">AI 推論 API 自建教學</a>。把這三關過完,R1 才算真正從「跑得動」變成「用得住」。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-21-points-20260714.jpg" alt="DeepSeek R1 該選哪個版本?7B/32B/70B/671B 的 GPU 需求對照表與部署實測" loading="lazy"/><figcaption>▲ DeepSeek R1 版本對照</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>部署 R1 蒸餾版,從單張 RTX 4090 跑 32B INT4,到雙 H100 跑 70B FP16,規格彈性很大。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,可以先租單卡驗證、確認版本後再升級。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問會依你的任務類型建議 R1 版本與對應規格。</p>

<h2>常見問題 FAQ</h2><h3>DeepSeek R1 滿血版和蒸餾版差在哪?</h3><p>滿血版是 671B 的 MoE 模型,推理能力最強,但 FP8 就要 700GB 以上顯存,屬於 8×H200 等級的部署;蒸餾版是把 R1 的推理風格訓進 Qwen/Llama 底模,有 1.5B 到 70B 六個尺寸,一張 RTX 4090 就能起步。多數企業任務用 32B 蒸餾版已可交付。</p><h3>一張 RTX 4090 可以跑哪個版本的 R1?</h3><p>24GB 可跑:7B/8B 的 FP16 版(14-16GB)、14B 的 INT4 版(9-11GB)、32B 的 INT4 版(18-20GB,較緊)。跑 32B 時建議把 context 控制在 8K 內,留足 KV cache 空間,單流速度約 25-35 token/s,內部使用夠流暢。</p><h3>部署滿血 671B 需要什麼等級的硬體?</h3><p>FP8 精度需要 700GB 以上顯存,對應 8×H200(1,128GB)單機,或雙節點 8×H100 加高速互連;INT4 量化可壓到 350-400GB,單機 8×H100(640GB)勉強可行。這是月租七位數的等級,建議先確認 32B/70B 蒸餾版真的不敷使用再評估。</p><h3>R1 是推理模型,和一般 LLM 用起來差在哪?</h3><p>R1 回答前會先輸出思考鏈,自我拆解與驗算,數學、程式、邏輯題的正確率明顯高於同尺寸一般模型;代價是輸出 token 常多 3-10 倍、回應時間以十秒計。簡單的摘要分類任務用一般模型更划算,R1 適合答錯成本高的分析型任務。</p><h3>R1 蒸餾版的實際生成速度多快?</h3><p>單使用者:7B 在 4090 上約 60-100 token/s,32B INT4 約 25-35,H100 跑 32B FP16 約 40-55,70B INT4 雙 4090 約 15-22。加上思考鏈長度,一題完整推理常需 30 秒到 2 分鐘,設計使用者體驗時要把等待時間納入。</p><h3>為什麼說 32B 是企業部署的甜蜜點?</h3><p>32B 蒸餾版的推理品質已足夠處理多數企業分析任務,INT4 量化後 18-20GB 顯存讓單張 24GB 卡就能服務,月租成本約 NT$15,000-25,000;升到 70B 品質提升約一成,成本卻翻倍。先用 32B 搭配自家題庫實測,確認不足再升級,是最省錢的路徑。</p><h3>R1 的 KV cache 為什麼特別吃顯存?</h3><p>思考鏈讓每次生成的 token 數暴增,context 累積得比一般模型快。以 32B FP16 為例,每路 4K context 的 KV cache 約 1-2GB,10 路併發就要再多 10-20GB。部署時顯存要在權重外預留 20-40%,並給思考鏈設 4K-8K 的 token 上限。</p><h3>R1 可以商用嗎?授權有什麼限制?</h3><p>R1 與其蒸餾版採 MIT 授權,可商用、可修改、可再散布,幾乎沒有附帶條件,是目前主流開源模型中授權最寬鬆的之一。注意蒸餾版的底模授權仍要一併確認:Qwen 底的多為 Apache 2.0,Llama 底的要遵循 Meta 社群授權條款。</p><h3>用 R1 做繁體中文任務,表現如何?</h3><p>R1 系列的中文能力整體優秀,繁中輸出偶有簡繁混用,可用系統提示詞強制繁體並搭配後處理修正,實務上處理後的繁中可用率在 95% 以上。對用字精確度要求極高的場景(法律、公文),建議在評測集加入用字檢查項目再決定版本。</p><h3>從下載模型到上線服務,大概要多久?</h3><p>單卡跑蒸餾版的話很快:權重下載數十 GB 約半天,Ollama 或 vLLM 起服務 1-2 小時,加上內部評測與提示詞調校,一週內可完成 POC。正式上線含權限、日誌與監控,常見時程是 3-6 週。滿血版因涉及多卡多節點調校,要另抓 2-4 週。</p>"
                  ["post_title"]=>
                  string(85) "DeepSeek R1 該選哪個版本?7B/32B/70B/671B 的 GPU 需求對照表與部署實測"
                  ["post_excerpt"]=>
                  string(0) ""
                  ["post_status"]=>
                  string(7) "publish"
                  ["comment_status"]=>
                  string(6) "closed"
                  ["ping_status"]=>
                  string(6) "closed"
                  ["post_password"]=>
                  string(0) ""
                  ["post_name"]=>
                  string(28) "deepseek-r1-gpu-requirements"
                  ["to_ping"]=>
                  string(0) ""
                  ["pinged"]=>
                  string(0) ""
                  ["post_modified"]=>
                  string(19) "2026-07-14 11:03:12"
                  ["post_modified_gmt"]=>
                  string(19) "2026-07-14 03:03:12"
                  ["post_content_filtered"]=>
                  string(0) ""
                  ["post_parent"]=>
                  int(0)
                  ["guid"]=>
                  string(51) "https://www.nss.com.tw/deepseek-r1-gpu-requirements"
                  ["menu_order"]=>
                  int(0)
                  ["post_type"]=>
                  string(4) "post"
                  ["post_mime_type"]=>
                  string(0) ""
                  ["comment_count"]=>
                  string(1) "0"
                  ["filter"]=>
                  string(3) "raw"
                }
                [4]=>
                object(WP_Post)#36605 (24) {
                  ["ID"]=>
                  int(125228)
                  ["post_author"]=>
                  string(1) "0"
                  ["post_date"]=>
                  string(19) "2026-07-14 10:21:06"
                  ["post_date_gmt"]=>
                  string(19) "2026-07-14 02:21:06"
                  ["post_content"]=>
                  string(16646) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:什麼時候一台 GPU 主機不夠用、需要多節點分散式訓練?</p><p style="margin:0">單台 8×H100 約有 640GB 顯存,70B 的 LoRA 微調、32B 以下全參數微調都夠;要全參數訓練 70B(需 700GB 以上)或做預訓練才須跨節點。關鍵不是卡數而是網路:節點間至少 100Gbps 的 InfiniBand 或 RoCE,否則通訊等待會吃掉 30-40% 算力,加卡不加速。</p></div>
<p>「一張 GPU 不夠,那我多租幾台主機串起來就好了吧?」這句話對了一半。多節點分散式訓練確實是大模型時代的標準解法,但它不是把主機疊起來就會變快的魔法:節點之間的網路頻寬、平行策略的選擇、故障恢復的機制,任何一環沒做對,你花三倍的錢可能只換到 1.5 倍的速度。這篇入門文把「什麼時候真的需要多節點」講清楚,再用白話拆解幾種平行策略與網路需求,並用一個台灣新創的實際訓練專案示範怎麼把叢集用在刀口上。看完的目標很務實:讓你在對的時間點做對的擴充決策,而不是提早半年付叢集的錢。</p>

<h2>先算清楚:一台主機的天花板在哪</h2>
<p>2026 年的主流訓練主機是單機 8 卡:8×H100 80GB 共 640GB 顯存,或 8×H200 141GB 共 1,128GB。這個容量能做什麼?以 FP16 混合精度、AdamW 優化器估算,全參數微調的顯存需求約是模型權重的 8-10 倍:7B 需要 110-140GB,單機輕鬆;32B 約 500GB,單機 8×H100 緊繃但可行;70B 需要 700GB 以上,單機 H100 裝不下,這就是第一道跨節點的門檻。</p>
<p>把 70B 的帳攤開看會更有感:FP16 權重 140GB、梯度再 140GB、AdamW 優化器狀態(FP32)約 560GB,合計 840GB 還沒算激活值——就算開滿 gradient checkpointing 與 ZeRO 分片,640GB 的單機也是塞不進去的,這不是調參數能解的問題,是物理限制。反過來說,8×H200 的 1,128GB 單機就能硬扛,所以「要不要跨節點」有時候也是「要不要換更大單機」的選擇題,兩個方案都該拿來報價比較。</p>
<p>換成 LoRA 這類參數高效微調,帳完全不同:70B 的 LoRA 只要 150-190GB,兩三張 H100 就夠,根本不用跨節點。所以判斷的順序應該是:先確認你的訓練方式(全參數還是 LoRA)、模型規模與資料量,再回頭看單機夠不夠。訓練與推論的顯存邏輯差異,可以參考 <a href="https://www.nss.com.tw/ai-training-vs-inference-gpu">訓練與推理的 GPU 配置邏輯</a>。</p>
<p>除了「放不放得下」,另一個天花板是「跑不跑得完」。訓練時間大致與「資料 token 數乘以模型參數量」成正比:同樣 300 億 token 的語料,14B 模型用單機 8×H100 要跑一個多月,16 卡叢集能壓進三週;若是 70B,單機就算塞得下也要跑上季度等級,商業上根本等不起。所以多節點的第二個理由是時程——當「慢慢跑」的時間成本超過「租叢集」的價差,跨節點就從奢侈品變成必需品,這筆帳要拿專案死線來算,不是拿硬體價格算。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-20-data-20260714.jpg" alt="多節點分散式訓練入門:什麼時候一台 GPU 主機不夠用?叢集架構與網路需求" loading="lazy"/><figcaption>▲ 網路不夠快,通訊等待吃掉 30-40% 算力:加卡不加速</figcaption></figure>
<h2>四種平行策略,白話拆解</h2>
<p>資料平行(Data Parallel)最直觀:每張卡放一份完整模型,各吃不同批次的資料,反向傳播後同步梯度。前提是單卡放得下整個模型,所以它解決的是「訓練太慢」而不是「模型太大」。ZeRO 與 FSDP 是資料平行的進化版,把優化器狀態、梯度、甚至權重切碎分散到各卡,讓每卡只保管一部分,單卡顯存需求大幅下降,是目前中型規模訓練的主力。</p>
<p>張量平行(Tensor Parallel)把單一層的矩陣運算切開,由多張卡合力算一層,通訊極度頻繁,基本上只能在有 NVLink 的同一台主機內做。管線平行(Pipeline Parallel)則把模型按層切段,前幾層放節點一、後幾層放節點二,像工廠流水線。真正的大規模訓練是三者混用:節點內張量平行、節點間管線加資料平行。</p>
<p>對號入座的口訣:模型放得下單卡、只嫌慢——用資料平行;模型放不下單卡、但單機多卡總量夠——ZeRO/FSDP 或張量平行;單機總量都不夠——管線平行加資料平行跨節點。好消息是你不需要手刻這些,DeepSpeed、Megatron-LM、PyTorch FSDP 都把策略包好了,設定檔幾行就能切換;壞消息是框架不會幫你判斷哪種組合適合你的模型與網路,這個功課還是得自己做,而且選錯組合的代價是以「天」計的訓練時間。</p>
<p>ZeRO 的三個階段也值得認識一下,因為它是最多人實際用到的:stage 1 只切優化器狀態,通訊負擔最小;stage 2 加切梯度;stage 3 連權重都切,單卡顯存壓到最低、通訊也最重。實務上的起手式是 stage 2 配 gradient checkpointing,不夠再上 stage 3;另有 offload 選項能把狀態丟到 CPU 記憶體換更多空間,速度會再掉兩三成,適合「就差一點點塞不下」的邊界情況。</p>

<h2>網路才是主角:頻寬決定加卡有沒有意義</h2>
<p>多節點訓練的成敗,八成取決於節點之間的網路。看幾個數量級就懂:單機內 NVLink 的卡對卡頻寬約 900GB/s,PCIe 5.0 x16 約 64GB/s,而一般企業機房的 10GbE 乙太網路換算只有 1.25GB/s——差了七百倍。梯度同步是每一步訓練都要做的事,若網路太慢,GPU 會有 30-40% 甚至更多時間在等資料,你付的是 8 卡的錢,拿到 5 卡的效能。</p>
<p>具體算一次你就不會再懷疑這件事:70B 模型的 FP16 梯度一份 140GB,資料平行每一步都要做全體同步(all-reduce 的實際傳輸量約是梯度量的兩倍),在 10GbE 上光傳輸就要上百秒,而一步的計算時間可能只有幾秒——網路慢到這種程度,加節點是負優化。換成 100Gbps(12.5GB/s)的 RDMA 網路,加上 NCCL 的通訊與計算重疊技術,同步時間能壓到與計算時間同級,叢集才開始「像一台機器」。</p>
<p>所以跨節點訓練的入場標準是:節點間至少 100Gbps 的 InfiniBand 或 RoCE,大型叢集普遍上到 400Gbps。搭配得當,2-4 節點的擴展效率(scaling efficiency)可以維持在 85-95%;用普通乙太網路硬跑,效率常掉到 50-70%,等於加一倍的卡只快三四成。租用多節點方案時,「節點間網路規格」這一行比 GPU 型號更值得追問。另外別忘了儲存:多節點要共享資料集與檢查點,NVMe 等級的共享儲存與夠粗的儲存網路,不然資料載入會變成新瓶頸,GPU 利用率照樣上不去。</p>
<p>進場前的驗收動作很簡單:拿 nccl-tests 跑一輪 all-reduce 頻寬測試,實測值應該到標稱頻寬的八成以上;再跑一小時的迷你訓練,盯著 GPU 利用率——健康的叢集應該穩定在 90% 以上,若在 60-70% 之間鋸齒狀跳動,九成是通訊或資料載入在拖後腿。這兩個測試合計半天,能把「租了才發現不對」的風險擋在簽約之前,正規的主機商都願意配合你做。</p>

<h2>什麼規模需要幾個節點:對照表</h2>
<table>
<thead><tr><th>訓練需求</th><th>顯存總量估算</th><th>建議配置</th><th>節點間網路</th></tr></thead>
<tbody>
<tr><td>7B-32B LoRA/QLoRA 微調</td><td>10-95GB</td><td>單機 1-2 卡(4090/H100)</td><td>不需要</td></tr>
<tr><td>70B LoRA 微調</td><td>150-190GB</td><td>單機 3-4×H100</td><td>不需要</td></tr>
<tr><td>7B-14B 全參數微調</td><td>110-280GB</td><td>單機 2-4×H100</td><td>不需要</td></tr>
<tr><td>32B-70B 全參數微調</td><td>500GB-1.4TB</td><td>單機 8×H200 或 2 節點 8×H100</td><td>100-400Gbps RDMA</td></tr>
<tr><td>百億級以上持續預訓練</td><td>數 TB 起</td><td>4 節點以上叢集</td><td>400Gbps InfiniBand</td></tr>
</tbody>
</table>
<p>表格透露的重點:絕大多數企業微調需求停在「單機多卡」就能解決,真正需要跨節點的,是全參數訓練 70B 以上、或做持續預訓練(continual pre-training)注入大量領域語料的團隊。一個常見的規劃錯誤是「預算不夠就把節點切小」——用四台 2 卡機組叢集,不如一台 8 卡機:節點越多、跨網路的通訊占比越高,小節點叢集的效率天生吃虧。同樣預算永遠優先把單節點餵滿,再考慮加節點。表中的顯存估算已含優化器狀態,但激活值依 batch 與序列長度浮動,實際規劃再留一到兩成緩衝會安全得多。</p>

<h2>台灣案例:新創訓練 14B 繁中領域模型</h2>
<p>一家台北的 AI 新創要做金融領域的繁中模型:以開源 14B 底模做持續預訓練,語料 300 億 token,涵蓋公開財報、法規與新聞。他們評估過三條路:買 8 卡機(資本支出 NT$1,500 萬起、交期兩三個月)、海外雲(H100 每卡時 US$2.5-6,整案含實驗估 NT$250-400 萬,資料還要出境)、以及台灣機房租用 2 節點 16×H100 加 200Gbps InfiniBand 的方案,最後走第三條。</p>
<p>執行分兩階段:第一階段用單節點跑 1B 小模型,把資料管線、tokenizer、評測、檢查點機制全部驗證一遍,兩週;第二階段 16 卡全開跑 14B 主訓練,21 天完成,scaling efficiency 實測 91%。過程中不是沒出事——第 9 天一張卡 ECC 錯誤觸發中斷,因為每 30 分鐘存一次檢查點到共享儲存,重啟後只損失了 20 分鐘進度;這種「一定會發生的故障」,正是前兩週把續訓機制跑順的價值所在。</p>
<p>語料工程也占了整案三分之一的工時:300 億 token 的原始資料先過去重與品質過濾,砍掉近四成;再依「領域語料七成、通用語料三成」的配比混合,避免模型學了金融卻忘了普通話;每一批資料都留了 1% 做驗證集,訓練途中每天看一次 loss 與下游任務分數,發現異常能立刻定位是哪一批資料的問題。他們的心得很直接:多節點訓練燒錢的速度是每小時計的,資料沒準備好之前,一分鐘叢集都不要開。</p>
<p>成本這樣拆:叢集租期三個月(含前置與緩衝)控制在七位數初,大約是自購方案的六分之一,而且訓練結束就退租,不用養一台每年折舊六位數的鐵。對台灣團隊還有一個實際的點:凌晨三點的 NCCL 通訊錯誤,打電話有中文工程師一起查,不用等美西時區上班——多節點訓練的除錯常常是「環境問題」而不是「程式問題」,在地支援的價值在這種時刻最明顯。</p>

<h2>還沒到多節點的你,該做的三件事</h2>
<p>看完如果你發現自己的需求其實是「微調 32B 以下」,恭喜,省下一大筆:一台單卡或雙卡主機就能開工,方法見 <a href="https://www.nss.com.tw/llm-finetuning-lora-gpu">LLM 微調實戰</a>。如果你在單機 8 卡的邊緣,先把三件事做滿再談擴充:開 gradient checkpointing 用兩三成的速度換 30-50% 顯存、用 ZeRO-3 或 FSDP 把狀態切碎、評估 LoRA 能不能取代全參數。三招用盡還是不夠,才進多節點。</p>
<p>真的要進場,依這個節奏走:從 2 節點開始,把 NCCL 參數、網卡綁定、檢查點續訓、故障重啟的 SOP 全部跑順,量到穩定的 scaling efficiency 之後,再決定要不要往 4 節點以上加。跳過這一步直接租大叢集的團隊,常常花一週的叢集租金在查一個網卡設定,那是全案最貴的學費。多節點訓練是能力,不是身分象徵;在對的時間點用對的規模,才是把每一塊 GPU 預算都花在算力而不是等待上。</p>
<p>排程上還有一個省錢技巧:訓練專案的叢集需求是脈衝式的——資料準備期用單卡機、主訓練期租滿、收尾評測期再縮回單卡。跟主機商把這條曲線講清楚,分階段租用,比整案期間全程掛著大叢集省 30-50%。台灣機房的另一個優勢在這裡:溝通成本低,規格調整常常一通電話當天生效,海外供應商光開工單來回就是兩三天。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-20-points-20260714.jpg" alt="多節點分散式訓練入門:什麼時候一台 GPU 主機不夠用?叢集架構與網路需求" loading="lazy"/><figcaption>▲ 跨節點前先確認三件事</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>從單卡實驗機、單機 8 卡,到多節點訓練專案,戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列的彈性配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,訓練型專案可以短租、用完即退。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,由顧問依你的模型規模與訓練排程試算節點數與網路規格。</p>

<h2>常見問題 FAQ</h2><h3>什麼情況一定要用多節點訓練?</h3><p>兩種:全參數訓練 70B 以上模型(顯存需求 700GB 起,超過單機 8×H100 的 640GB),或持續預訓練需要在合理時間內吃完數百億 token 語料。若只是 LoRA 微調,70B 也只要 150-190GB,單機 3-4 張 H100 就能解決,不必跨節點。</p><h3>資料平行、張量平行、管線平行差在哪?</h3><p>資料平行是每卡一份完整模型、分頭吃資料,解決「訓練太慢」;張量平行把單層運算切給多卡合算,解決「單層太大」,通訊量極高只適合 NVLink 內;管線平行把模型按層切段跨卡跨節點放,解決「模型太深」。大型訓練通常三者混用,由框架自動調度。</p><h3>節點之間的網路要多快才夠?</h3><p>跨節點訓練的入場標準是 100Gbps RDMA(InfiniBand 或 RoCE),大型叢集普遍用 400Gbps。對照組:10GbE 乙太網路只有 1.25GB/s,跑梯度同步會讓 GPU 閒置 30-40% 以上。租用前務必確認節點間網路規格,這行字比 GPU 型號更影響實際訓練速度。</p><h3>scaling efficiency(擴展效率)多少算合格?</h3><p>2-4 節點的健康值是 85-95%:意思是卡數翻倍、實際吞吐拿到 1.7-1.9 倍。若實測掉到 70% 以下,先查節點間頻寬、NCCL 拓撲設定與資料載入瓶頸。效率長期低於 75% 時,多租的節點等於在燒錢,不如先回單機把配置調順。</p><h3>ZeRO 和 FSDP 是什麼?能省多少顯存?</h3><p>兩者都是把優化器狀態、梯度、權重切碎分散到多卡的技術,ZeRO 來自 DeepSpeed,FSDP 是 PyTorch 原生版。以 ZeRO-3 全切為例,單卡顯存需求可降到接近「總需求除以卡數」,讓 8×80GB 有機會跑動 500GB 級的全參數訓練,代價是通訊量增加、速度慢 10-30%。</p><h3>多節點訓練中途斷掉怎麼辦?</h3><p>標準做法是週期性存檢查點(checkpoint):每 30-60 分鐘或每 N 步把權重與優化器狀態寫進共享儲存,故障後從最近檢查點續訓,損失控制在一小時內。檢查點檔案很大(70B 全狀態約 800GB 以上),儲存要配 NVMe 並預留 3-5 份的空間。</p><h3>訓練 70B 模型大概要多少張 H100、多久?</h3><p>全參數微調 70B、資料量 100 萬筆指令等級:常見配置是 2 節點 16×H100,訓練數天到兩週,視序列長度與 epoch 數而定。若改用 LoRA,單機 4×H100 數天內可完成,成本差 3-5 倍。先確認任務真的需要全參數,再上重裝備。</p><h3>租多節點叢集,月費大概什麼量級?</h3><p>台灣機房的行情,單機 8×H100 等級月租約在七位數上下浮動,2 節點翻倍,另計 InfiniBand 網路與儲存。好消息是訓練專案通常 1-3 個月結束,短租加用完即退,總成本常只有自購的 10-20%,還不用扛折舊與機房維運。</p><h3>單機多卡和多節點,程式要改多少?</h3><p>用 PyTorch FSDP、DeepSpeed 或 Accelerate 的話,單機到多節點主要是改啟動參數與環境設定(節點清單、NCCL 網卡綁定),訓練程式碼本身改動很小。真正花時間的是叢集除錯:網卡挑錯、防火牆擋掉通訊埠這類環境問題,佔了多數導入工時。</p><h3>可以先在單機驗證,再擴到多節點嗎?</h3><p>這是最推薦的路徑:先用單機小模型(如 1B-7B)把資料管線、評測、檢查點機制全部跑通,確認 loss 曲線健康,再原封不動放大到多節點。90% 的訓練問題在小規模就能暴露,單機驗證的幾天時間,能省下多節點階段數十萬的試錯機時。</p>"
                  ["post_title"]=>
                  string(97) "多節點分散式訓練入門:什麼時候一台 GPU 主機不夠用?叢集架構與網路需求"
                  ["post_excerpt"]=>
                  string(0) ""
                  ["post_status"]=>
                  string(7) "publish"
                  ["comment_status"]=>
                  string(6) "closed"
                  ["ping_status"]=>
                  string(6) "closed"
                  ["post_password"]=>
                  string(0) ""
                  ["post_name"]=>
                  string(31) "multi-node-distributed-training"
                  ["to_ping"]=>
                  string(0) ""
                  ["pinged"]=>
                  string(0) ""
                  ["post_modified"]=>
                  string(19) "2026-07-14 11:02:14"
                  ["post_modified_gmt"]=>
                  string(19) "2026-07-14 03:02:14"
                  ["post_content_filtered"]=>
                  string(0) ""
                  ["post_parent"]=>
                  int(0)
                  ["guid"]=>
                  string(54) "https://www.nss.com.tw/multi-node-distributed-training"
                  ["menu_order"]=>
                  int(0)
                  ["post_type"]=>
                  string(4) "post"
                  ["post_mime_type"]=>
                  string(0) ""
                  ["comment_count"]=>
                  string(1) "0"
                  ["filter"]=>
                  string(3) "raw"
                }
                [5]=>
                object(WP_Post)#36607 (24) {
                  ["ID"]=>
                  int(125227)
                  ["post_author"]=>
                  string(1) "0"
                  ["post_date"]=>
                  string(19) "2026-07-14 10:21:04"
                  ["post_date_gmt"]=>
                  string(19) "2026-07-14 02:21:04"
                  ["post_content"]=>
                  string(16202) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:企業要私有部署 LLM,該怎麼選模型和 GPU 規格?</p><p style="margin:0">依任務難度選模型:內部問答用 7B-14B,進階分析用 32B——INT4 量化後約 18-20GB 顯存,24GB 卡可跑;70B 需 140GB 以上、至少雙 H100。授權上 Qwen 是 Apache 2.0、DeepSeek 是 MIT 最單純。台灣機房單卡月租 NT$15,000 起,POC 兩到四週。</p></div>
<p>過去兩年,台灣企業對生成式 AI 的態度走了一個完整的弧線:從「先用 ChatGPT 試試」,到法務跳出來擋下所有把客戶資料貼進境外服務的行為,再到現在——「我們能不能自己架一套?」答案是可以,而且 2026 年的開源模型生態已經成熟到,多數企業任務用開放權重模型就能做到商用等級。這篇攻略把私有 LLM 部署的完整決策鏈走一遍:為什麼要私有化、模型怎麼挑、GPU 規格怎麼配、推論引擎怎麼選,以及一個台灣金融業的實際導入時程與成本。讀完你可以直接拿著這份清單跟主機商或內部團隊開需求會議,每一個環節都有可以驗證的數字。</p>

<h2>三個回不去的理由:法遵、成本、延遲</h2>
<p>企業選擇私有部署,理由通常不是情懷。第一個是資料主權與法遵:個資法對當事人資料的利用有明確界線,金管會對金融機構使用雲端服務另有委外規範,醫療則有醫療法與人體研究的資料限制。把病歷、對帳單、客訴紀錄送進境外 API,法遵部門要背的評估與舉證成本,常常比 GPU 還貴。私有部署把整條資料流關在自家或台灣機房內,稽核時一句「資料不出境」能省掉大半文書工作。</p>
<p>第二個是成本結構:API 按 token 計費,用量成長帳單跟著失控;自建是固定月租,量越大單位成本越低。一個內部工具從 50 人試用擴大到全公司 800 人,API 帳單會長 16 倍,自建主機可能只需要從單卡升級成雙卡。第三個是延遲與可控性:台灣機房內網往返 5ms 以內,海外 API 動輒 100ms 起跳,還要承受對方改版、限流、模型下架的風險——2025 年幾波商用模型無預警調價與版本汰換,讓不少把 LLM 綁進核心流程的公司吃過悶虧。當你的產品把 LLM 當成核心元件而不是玩具,這三點遲早會把你推向私有化。</p>
<p>要不要「全部」私有化則是另一題。務實的答案常是分流:敏感資料與高頻任務走私有模型,偶發的長尾雜務留在商用 API,兩邊用同一套 OpenAI 相容介面切換。這種混合架構讓你不必為了 5% 的特殊需求,把私有叢集規格拉到天上。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-19-data-20260714.jpg" alt="私有 LLM 部署完整攻略:資料不出門的企業 AI,從模型挑選到 GPU 規格" loading="lazy"/><figcaption>▲ 內部問答 7B-14B;70B 需 140GB 以上、至少雙 H100</figcaption></figure>
<h2>模型怎麼挑:授權先看,再看中文能力</h2>
<p>2026 年可商用的開放權重模型主要三個家族。Qwen2.5 系列(0.5B 到 72B)多數尺寸採 Apache 2.0 授權,商用最乾淨,繁體中文能力在開源陣營裡屬第一梯隊,是台灣企業的預設起點。DeepSeek 系列採 MIT 授權,R1 推理模型與其蒸餾版(7B 到 70B)在數學、程式、多步推理任務上表現突出,各版本的顯存需求整理在 <a href="https://www.nss.com.tw/deepseek-r1-gpu-requirements">DeepSeek R1 GPU 需求對照</a>。Llama 3.x 系列生態工具最完整,但用的是 Meta 社群授權,有月活躍用戶數等附帶條件,法務過件前要看清楚。</p>
<p>繁體中文有幾個實測才會浮現的細節:部分模型輸出會夾雜簡體字或中國用語(「軟件」「視頻」這類),對外文件不能接受,解法是系統提示詞強制台灣用語加後處理檢查,或直接挑繁中表現穩定的模型版本;金融與法律的專有名詞理解也要專門測,「附買回」「融資融券」這種詞彙,不同模型的表現差距很大。建議的做法是準備 50-100 題你自己領域的測題,拉兩三個候選模型做盲測,由業務單位而不是工程師評分。</p>
<p>挑尺寸的原則比挑家族簡單:內部問答、摘要、格式轉換,7B-14B 就夠;涉及多步推理、長文分析、程式生成,32B 是品質與成本的甜蜜點;70B 留給對答案品質錙銖必較的場景。別迷信參數量——盲測常常發現 14B 在你的任務上跟 32B 打平,一年省下的月租差價是六位數。另外記得看模型的「款式」:一般指令模型反應快、適合日常任務;推理模型(如 R1 系列)會先輸出思考過程,難題正確率高但 token 消耗數倍,兩種各架一個、按任務路由,是越來越主流的配置。</p>
<p>下載與供應鏈也別隨便:權重一律從官方 Hugging Face 帳號或可信鏡像取得,核對雜湊值並記錄版本;推論框架與相依套件鎖定版本,進了內網就不隨意更新。曾有企業從來路不明的鏡像抓了號稱加速版的權重,行為跟官方版有出入,查了兩週才找到源頭。私有部署的安全紅利,建立在你對每一個元件的來源都有掌握的前提上,這份清單值得放進資安檢核表。</p>

<h2>GPU 規格對照:從 7B 到 70B 的顯存帳</h2>
<table>
<thead><tr><th>模型規模</th><th>FP16 推論顯存</th><th>INT4 量化顯存</th><th>建議配置(含 KV cache 餘裕)</th></tr></thead>
<tbody>
<tr><td>7B-8B</td><td>14-16GB</td><td>5-6GB</td><td>1×RTX 4090 24GB</td></tr>
<tr><td>14B</td><td>28-32GB</td><td>9-11GB</td><td>1×RTX 4090(INT4)或 1×L40S 48GB(FP16)</td></tr>
<tr><td>32B</td><td>64-70GB</td><td>18-20GB</td><td>1×RTX 4090(INT4)或 1×H100 80GB(FP16)</td></tr>
<tr><td>70B-72B</td><td>140-150GB</td><td>40-45GB</td><td>2×H100(FP16)或 2×RTX 4090 / 1×L40S+(INT4)</td></tr>
</tbody>
</table>
<p>三個規劃要點。量化是私有部署的好朋友:INT4 讓顯存需求砍半再砍半,主流任務的品質損失多在 2-3% 內,先上量化版、有預算再升 FP16 是務實路線。KV cache 要另外算:表中權重之外,每一路併發、每 4K token 的上下文,依模型會再吃 0.5-2GB,對外服務至少預留 30% 顯存。還有升級路徑:用支援張量平行的推論引擎,之後從單卡換雙卡、雙卡換 H100,服務層程式碼幾乎不用改。</p>
<p>用一個情境把 KV cache 講得更白:你部署 32B INT4(權重 20GB)在一張 24GB 卡上,單人使用一切正常;開放給 50 人後,尖峰 6 路併發、每路 8K 上下文,KV cache 需要 6-12GB,這張卡立刻爆。同一個模型,規格卻要看「誰在用、怎麼用」,這就是為什麼報規格前要先回答併發數與上下文長度兩個問題,而不是只報模型名字。長文件分析場景(動輒 32K 上下文)更要特別小心,單路的 KV cache 就可能吃掉 4-8GB。</p>

<h2>推論引擎與服務化:從 Ollama 到 vLLM</h2>
<p>模型下載下來只是權重檔,要變成服務還缺一層推論引擎。POC 階段用 Ollama 最快,一行指令拉起模型,適合給內部小規模試用;要上生產環境,vLLM 或 SGLang 才是正解——它們的 continuous batching 與 PagedAttention 能把同一張卡的吞吐拉高 5-10 倍,並提供 OpenAI 相容 API,前端應用只要改一行 base_url 就能從商用 API 無縫切換過來。</p>
<p>服務化的細節——延遲怎麼壓、併發怎麼估、要不要開多副本——是另一篇的主題,見 <a href="https://www.nss.com.tw/ai-inference-api-hosting">AI 推論 API 自建教學</a>。這裡只強調一件最常被忘掉的事:私有部署不等於裸奔。API key 的發放與輪替、請求與回應日誌(含個資遮罩)、輸入輸出的敏感詞過濾、每月用量報表——這些治理機制要在第一天就做,不然「私有」只是把風險從供應商搬回自己家。金融業的稽核尤其會查日誌完整性與權限分離,補做的成本是先做的三倍起跳。</p>
<p>維運面給一個誠實的預期:私有 LLM 上線後的常態工作量,約是每週半天到一天——看監控、處理個案、每月演練一次故障重啟、每季評估一次新模型。這不需要專職團隊,但需要一個明確的負責人;完全沒有 Linux 維運能力的公司,建議把這層外包給主機商的託管服務,別讓系統變成沒人敢動的孤兒。</p>

<h2>台灣案例:投信公司的內部文件助理</h2>
<p>一家台北的投信公司,120 名員工,想讓研究員用自然語言查詢內部研究報告、公開說明書與法遵文件。資料屬性決定一切:這些文件不能離開公司控制範圍,金管會的雲端委外規範也讓境外 API 直接出局。他們的做法是在台灣機房租一台 H100 80GB 主機,跑 Qwen2.5-32B FP16 配 vLLM,前面接 RAG 檢索層,月租約 NT$70,000。</p>
<p>時程走得很典型:第 1-2 週用一張 4090 主機(月租 NT$18,000)做 POC,拿 80 題研究員實際會問的問題盲測 7B、14B、32B 三個尺寸,結論是 32B 在跨文件比對題上正確率高出 14B 約 12 個百分點,值得上;第 3-6 週建正式環境、接 SSO 權限與稽核日誌;第 7-8 週試營運。POC 用小卡、正式上大卡的兩段式做法,讓他們在只花 1.8 萬的階段就修正了兩個方向性決策——原本想用 70B,盲測發現對他們的題型增益不到 3 個百分點,直接省下一半月租。</p>
<p>上線三個月的營運數字:研究員平均每天問 340 次,尖峰併發 8 路,p95 回應延遲 2.1 秒;使用率最高的不是原本設想的報告查詢,而是「幫我把這段英文法遵函釋整理成繁中重點」這類翻譯摘要任務,佔了四成流量——這也是私有部署的隱藏優勢,用量爆了也不心疼,員工才敢把它用進日常。法遵部門的評語比任何跑分都有說服力:資料流全程在境內,稽核一次過。</p>

<h2>導入時程與總成本怎麼抓</h2>
<p>綜合幾十個案子的經驗,私有 LLM 部署的合理時程是:POC 兩到四週(單卡主機、量化模型、內部評測集),試營運四到六週(正式規格、權限與日誌、小範圍開放),然後全面上線。硬體之外的成本大頭是人:需要一位能維運 Linux 與容器的工程師兼職照顧,加上業務單位一位懂資料的窗口。全案抓下來,中型企業第一年的總持有成本多落在 NT$50 萬到 200 萬之間,對比動輒七八位數的商用授權案,這個數字通常過得了董事會。時程的最大變數在資料:文件散亂、權限歸屬不明的公司,前置整理常吃掉一半時間,這部分請誠實評估。</p>
<p>驗收建議寫成里程碑:POC 結束要有盲測分數與規格建議書;試營運結束要有 p95 延遲、可用率與使用量報表;全面上線滿一個月,要有部門滲透率與滿意度數字。每一關都有可驗證的產出,預算追加才有依據,專案也不會走著走著變成沒人敢驗收的懸案。</p>
<p>把第一年 TCO 拆開看會更好談預算:主機月租(單卡 NT$15,000-25,000 或 H100 級 NT$60,000-80,000)占五到七成,導入期的顧問或工程工時占兩到三成,剩下是評測、資安檢測與雜項。第二年起只剩月租與少量維運,成本曲線是前高後低。至於「租還是買」:買一台 H100 等級主機資本支出數百萬,加上機房、電力、備品與三年折舊,只有在負載長期滿載時才划算;先租十二個月把規格試到收斂,再拿真實使用率去算買斷的回本期,是財務上最站得住腳的順序。</p>
<p>最容易被砍掉重練的錯誤只有一個:第一天就買卡。模型迭代太快,今天為 70B 買的 8 卡機,半年後可能被 32B 的新模型追平。用台灣機房的月租主機把規格試到收斂,再決定要不要自建,是風險最低的路。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-19-points-20260714.jpg" alt="私有 LLM 部署完整攻略:資料不出門的企業 AI,從模型挑選到 GPU 規格" loading="lazy"/><figcaption>▲ 資料不出門的部署路徑</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>私有 LLM 部署的每個階段需要的火力不同:POC 用單張 RTX 4090,正式環境可能要 H100 多卡。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,規格可隨導入階段升級。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問會依你的資料敏感度與任務需求試算規格。</p>

<h2>常見問題 FAQ</h2><h3>私有部署 LLM 最低的硬體門檻是多少?</h3><p>一張 24GB 的 RTX 4090 就能起步:7B 模型 FP16 推論占 14-16GB,或 32B 的 INT4 量化版占 18-20GB,都放得下。台灣機房這種單卡主機月租約 NT$15,000-25,000,足夠支撐數十人的內部使用,是最常見的 POC 起點。</p><h3>開源模型商用,授權上要注意什麼?</h3><p>Qwen2.5 多數尺寸是 Apache 2.0、DeepSeek 是 MIT,商用幾乎沒有附帶條件;Llama 3.x 用 Meta 社群授權,有大型平台月活門檻與再散布規定,需要法務確認。另外注意部分模型的量化版與衍生版授權可能與原版不同,下載來源要留紀錄備查。</p><h3>7B、32B、70B 模型的能力差距到底多大?</h3><p>以企業任務實測,7B 足以應付摘要、分類、格式轉換;32B 在多步推理與跨文件分析上,正確率常比 7B 高 15-25 個百分點;70B 再往上的增幅通常剩 3-8 個百分點,但顯存需求翻倍。建議用自己的 50-100 題測題盲測,而不是看排行榜。</p><h3>INT4 量化會讓模型變笨嗎?</h3><p>主流 GPTQ、AWQ 量化在常見任務上的品質損失約 1-3%,多數使用者感覺不出來;顯存卻能省 70% 以上,32B 從 64-70GB 壓到 18-20GB。要求最高的場景(法律條款比對、程式生成)可以 FP16 與 INT4 各架一套 A/B 實測再決定。</p><h3>私有部署後,模型多久要更新一次?</h3><p>開源模型大約每 3-6 個月出現一波明顯升級。建議每季用固定評測集重測一次新模型,分數高出 5 個百分點以上再換,避免追版本疲勞。換模型的成本主要在重跑評測與回歸測試,權重本身下載替換半天內可完成。</p><h3>vLLM 和 Ollama 該用哪個?</h3><p>POC 與個人使用選 Ollama,安裝到起服務 10 分鐘搞定;正式環境選 vLLM 或 SGLang,continuous batching 可把同卡吞吐拉高 5-10 倍,多人併發下的 p95 延遲差距非常明顯。兩者都有 OpenAI 相容 API,前期驗證、上線切換很順。</p><h3>金融業用私有 LLM,法遵上可行嗎?</h3><p>可行,而且私有化正是為了過法遵:資料全程留在境內機房,滿足個資法與金管會對委外及資料治理的要求,搭配存取控制與完整日誌即可受檢。台灣已有投信、銀行把內部文件助理跑在自建或租用 GPU 主機上的案例,稽核重點是資料流向與權限紀錄。</p><h3>私有 LLM 的回應速度大概多快?</h3><p>單使用者:7B 在 RTX 4090 上約每秒 60-100 個 token,32B INT4 約 25-40 個,一段 300 字回答 10 秒內完成;上 vLLM 後 10-20 路併發仍可維持每人每秒 20 個 token 以上。台灣機房網路往返約 5ms,體感比海外 API 快得多。</p><h3>除了 GPU,主機的 CPU 和記憶體要怎麼配?</h3><p>推論主機的通則是:系統記憶體至少是總顯存的 1.5-2 倍(載入與轉檔時要用),CPU 8-16 核心即可,硬碟建議 NVMe SSD 500GB 起跳放多版本權重。RAG 場景另外加向量資料庫的 16-32GB 記憶體。這些在租用方案裡通常已包含,確認規格單即可。</p><h3>一年的總持有成本大概多少?</h3><p>以 120 人企業、32B 模型、單張 H100 規格估:主機月租約 NT$60,000-80,000,一年 72-96 萬;加上工程師兼職維運與前期導入顧問,第一年總成本常落在 NT$100-200 萬。同樣用量走商用 API,帳單加法遵評估往往不會比較便宜,且資料須出境。</p>"
                  ["post_title"]=>
                  string(87) "私有 LLM 部署完整攻略:資料不出門的企業 AI,從模型挑選到 GPU 規格"
                  ["post_excerpt"]=>
                  string(0) ""
                  ["post_status"]=>
                  string(7) "publish"
                  ["comment_status"]=>
                  string(6) "closed"
                  ["ping_status"]=>
                  string(6) "closed"
                  ["post_password"]=>
                  string(0) ""
                  ["post_name"]=>
                  string(22) "private-llm-deployment"
                  ["to_ping"]=>
                  string(0) ""
                  ["pinged"]=>
                  string(0) ""
                  ["post_modified"]=>
                  string(19) "2026-07-14 11:01:19"
                  ["post_modified_gmt"]=>
                  string(19) "2026-07-14 03:01:19"
                  ["post_content_filtered"]=>
                  string(0) ""
                  ["post_parent"]=>
                  int(0)
                  ["guid"]=>
                  string(45) "https://www.nss.com.tw/private-llm-deployment"
                  ["menu_order"]=>
                  int(0)
                  ["post_type"]=>
                  string(4) "post"
                  ["post_mime_type"]=>
                  string(0) ""
                  ["comment_count"]=>
                  string(1) "0"
                  ["filter"]=>
                  string(3) "raw"
                }
                [6]=>
                object(WP_Post)#36621 (24) {
                  ["ID"]=>
                  int(125226)
                  ["post_author"]=>
                  string(1) "0"
                  ["post_date"]=>
                  string(19) "2026-07-14 10:21:00"
                  ["post_date_gmt"]=>
                  string(19) "2026-07-14 02:21:00"
                  ["post_content"]=>
                  string(16377) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:RAG 是什麼、企業導入需要什麼 GPU 配置?</p><p style="margin:0">RAG(檢索增強生成)先把文件切塊轉成向量索引,提問時檢索出最相關段落,交給 LLM 生成附來源的回答,模型不必重訓,知識更新是分鐘級。50 人內用 7B-14B 模型,一張 RTX 4090 主機就能起步,台灣機房月租約 NT$15,000-25,000;200 人以上建議 32B 模型與 48-80GB 顯存。</p></div>
<p>企業想讓 AI 回答內部知識,第一直覺常是「微調一個自己的模型」。但 2026 年的實務標準答案,八成是 RAG。原因很直接:公司的知識天天在變,產品規格改版、SOP 更新、法規修正,你不可能每次都重訓模型;而 RAG 只要更新索引,幾分鐘內新知識就上線。這篇文章講清楚 RAG 的運作原理、三段式的 GPU 需求怎麼估、導入成本落在什麼區間,並用一個台灣製造業的案例展示從評估到上線的完整過程。看完你應該能自己畫出第一版架構圖,並且對「這件事要花多少錢」有一個誤差不超過三成的估計。</p>

<h2>RAG 是什麼?一條「檢索加生成」的流水線</h2>
<p>RAG 的全名是 Retrieval-Augmented Generation,檢索增強生成。流程拆開看只有四步:把企業文件切成 300-800 字的小塊(chunking),用 embedding 模型把每一塊轉成向量存進向量資料庫;使用者提問時,問題同樣轉成向量,到資料庫裡找出最相近的 3-8 個段落;可以再加一層 reranker 模型精排,把真正相關的段落挑到前面;最後把這些段落連同問題一起塞進 prompt,讓 LLM 生成回答,並附上引用來源。</p>
<p>用一個具體例子走一遍。員工問「特休沒休完可以換錢嗎?」系統把這句話轉成向量,從索引裡撈出人事規章第 3.2 節與勞基法相關段落,reranker 確認這兩段最相關,LLM 讀完後回答:「依公司人事規章 3.2 條,年度未休畢特休依比例折算工資……」並在答案下方列出出處。使用者點開出處就是原始文件,這條「可驗證」的路徑,正是企業敢把 RAG 交給全公司用的原因。</p>
<p>規模感也給一下:一份 200 頁的 PDF 大約切成 400-800 個 chunk;一萬份文件、百萬級 chunk 的向量索引(1024 維、FP16)本體約 2-4GB,加上原文與中繼資料,整套索引通常在 10-20GB 之間——對現代主機來說是很輕的負擔。關鍵在於:模型本身完全不用動,LLM 負責閱讀理解與寫作,知識全部放在外部索引,加新文件的邊際成本趨近於零。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-18-data-20260714.jpg" alt="RAG 是什麼?不用重訓模型的企業知識庫方案,GPU 配置與導入成本指南" loading="lazy"/><figcaption>▲ 檢索增強生成:不重訓模型,回答自帶來源</figcaption></figure>
<h2>為什麼企業知識庫首選 RAG 而不是微調</h2>
<p>把知識「訓進」模型有兩個結構性問題。一是更新成本:每次文件異動都要重跑訓練,一輪動輒數小時到數天,而企業知識的半衰期很短——電商的品規週週改,製造業的製程參數月月調,金融業的法遵函釋隨時來。二是不可追溯:模型答錯了,你不知道它是從哪筆資料學歪的,對需要稽核軌跡的產業是致命傷。RAG 剛好相反,答案旁邊就掛著來源文件,稽核人員點開就能核對。</p>
<p>成本差距也很具體。維護一套 RAG 索引,新增文件是增量更新、秒級完成,全量重建一次的 GPU 機時通常不到一小時;而同等知識量的微調,單輪訓練成本是它的數十倍,還要先把文件改寫成上萬筆問答格式的訓練資料,這道工序本身就是一個小專案。</p>
<p>還有一個很少被講白的面向:RAG 會逼你把知識治理做起來。哪些文件是現行版、誰有權看哪一類、過期文件怎麼下架——這些問題在建索引的第一週全部會浮出來,而它們本來就該被回答。反過來看,微調把知識揉進權重裡,版本與權限完全無從管理,答案對錯只能事後抽查,對受監理的金融、醫療產業幾乎是不可接受的黑盒。很多公司做完 RAG 之後回頭感謝的,其實是這一段被迫完成的文件大掃除。</p>
<p>當然,RAG 也有做不到的事:它改不了模型的語氣、輸出格式與任務行為,那是微調的守備範圍,兩者的分工可以參考 <a href="https://www.nss.com.tw/llm-finetuning-lora-gpu">LLM 微調實戰</a>。成熟團隊的終局架構多半是混合式:RAG 管知識、LoRA 管行為,先做 RAG 驗證價值,半年後再視需要補一層微調,投資順序不要反過來。</p>

<h2>GPU 需求拆解:embedding、reranker、LLM 三段</h2>
<p>RAG 系統的顯存消耗來自三個模型,量級差很多。embedding 模型(如 bge-m3、multilingual-e5 這類 0.3-2B 參數的模型)推論只要 2-6GB;reranker 模型同樣輕,2-4GB 就夠;真正的大戶是負責生成的 LLM——7B 模型 FP16 推論約需 14-16GB,14B 約 28-32GB,32B 約 64-70GB,若用 INT4 量化可以再省一半以上,32B 壓到 18-20GB,一張 24GB 卡就裝得下。</p>
<p>延遲的組成也值得認識:embedding 一次查詢 10-30ms,向量搜尋 10-50ms,reranker 50-150ms,而 LLM 生成占掉九成時間——一段 300 字的回答,以每秒 30-60 個 token 的速度要跑 10-20 秒。所以優化體感的重點永遠在生成段:開串流輸出讓使用者邊生成邊閱讀,體感延遲立刻從「等 15 秒」變成「等 1 秒」。建索引的吞吐則看 embedding:一張 4090 每秒可處理數百到數千個 chunk,百萬級索引初次建置約 1-3 小時,夜間排程綽綽有餘。</p>
<p>併發的速算法也給一個:內部工具的尖峰併發約是總人數的 5-10%,100 人公司抓 5-10 路。7B 模型配一張 4090,撐 10-20 路沒問題;32B INT4 因為權重就占掉 18-20GB,單卡併發建議壓在 5-8 路,超過就分雙卡或升 48GB 卡。先用保守配置上線、看兩週監控數據再決定加不加卡,永遠比一次到位便宜。</p>
<p>三段可以塞在同一張卡,也可以分開。50 人以內的內部知識庫,一張 RTX 4090 同時跑 7B INT4 生成加 embedding 綽綽有餘;使用者破兩百人、尖峰併發 10-20 路時,建議把 embedding 與 reranker 留在小卡或 CPU,生成模型獨占一張 48GB 以上的卡,否則檢索尖峰會跟生成搶資源,延遲直接翻倍。另一個常被忽略的顯存項目是 KV cache:併發越高、對話越長,占用越大,規劃時要在模型權重之外預留 20-40% 顯存。</p>

<h2>規模對照表與成本區間</h2>
<table>
<thead><tr><th>使用規模</th><th>建議模型組合</th><th>GPU 配置</th><th>月租行情(台灣機房)</th></tr></thead>
<tbody>
<tr><td>POC 驗證</td><td>7B INT4 + bge-m3</td><td>1×RTX 4090 24GB</td><td>NT$15,000-20,000</td></tr>
<tr><td>50 人內部使用</td><td>7B-14B + embedding + reranker</td><td>1×RTX 4090 或 1×L40S 48GB</td><td>NT$18,000-35,000</td></tr>
<tr><td>200 人、併發 10-20</td><td>32B INT4 + 完整檢索鏈</td><td>2×RTX 4090 或 1×H100 80GB</td><td>NT$40,000-80,000</td></tr>
<tr><td>500 人以上或對外服務</td><td>32B-70B、多副本負載均衡</td><td>2×H100 起跳</td><td>NT$120,000 起</td></tr>
</tbody>
</table>
<p>讀表時注意三件事。規模看的是「尖峰併發」而不是員工總數,一般內部工具的併發約是總人數的 5-10%;模型尺寸決定答案品質的天花板,32B 對 7B 的優勢在跨文件推理題上特別明顯,常有 15-20 個百分點的正確率差距;GPU 之外還有配角成本——向量資料庫吃的是 CPU 與 16-32GB 記憶體、索引與日誌的儲存、以及建置評測集的人力,這些加總約占專案總成本一到兩成。</p>
<p>對照雲端 API 的帳:呼叫商用模型 API 每百萬 token 約 US$0.5-15,小量使用便宜;但企業知識庫的痛點通常不是錢,而是文件必須送到境外模型商手上。自建 RAG 的月租是固定成本,量再大都不會爆,敏感文件也從頭到尾不離開機房,這兩點才是台灣企業選擇自建的主因。</p>
<p>拿數字算個分水嶺:一次問答連同檢索段落約消耗 3,000-6,000 個 token,200 人公司每天 500 次問答,月消耗大約 3,000-9,000 萬 token。走中階商用 API 月費看起來還可控,但前提是「文件可以出境」而且「用量不再成長」;一旦任一前提破掉——來了敏感專案、或使用量隨導入深化翻了三倍——自建的固定月租立刻反超。多數企業算完這筆帳,就把 API 留給不敏感的雜務,核心知識庫走自建。</p>

<h2>台灣案例:精密加工廠的 SOP 知識庫</h2>
<p>台中一家 280 人的精密加工廠,累積了 1.2 萬份文件:ISO 程序書、設備原廠手冊、工安 SOP、歷年異常處理紀錄。痛點很典型——新人找一份正確版本的 SOP 平均要 20 分鐘,夜班遇到設備異常只能打電話吵醒資深工程師。而這些文件混著客戶 NDA 與製程參數,受營業秘密法保護,法務直接否決任何「上傳到境外雲端 AI」的方案。</p>
<p>他們最後在台灣機房租了一台雙 4090 主機,跑 Qwen2.5-32B 的 INT4 量化版,配 bge-m3 做繁中檢索,月租約 NT$45,000。導入花了兩個月:第一個月清文件、建索引、跑 150 題內部評測集把命中率從 71% 調到 93%;第二個月試營運與權限分級。過程中真正難的不是模型,是文件工程——三成的手冊是掃描檔,要先過 OCR 與人工抽驗;製程參數表不能直接切塊,得整表保留並補上表頭說明;不同部門的文件還要掛權限標籤,業務看不到製程資料,產線查不到報價單,這些前置工作占掉全案一半以上的工時。</p>
<p>上線後新人查 SOP 的時間從 20 分鐘縮到 2 分鐘內,夜班打給資深工程師的次數少了六成。附帶的好處是延遲:機房在台灣,問答往返網路延遲 5ms 上下,比呼叫海外服務的 60-150ms 順暢得多,產線平板上用起來像即時對話。廠長事後的評語很實在:這套系統最大的價值不是 AI 多聰明,是它終於逼公司把二十年的文件整理成一套有版本、有權限的資產。</p>
<p>成本結構也值得記下來:這個案子的外部支出就是兩個月機器月租共約 9 萬元,其餘全是內部工時;同樣範圍交給系統整合商從零客製,市場報價常落在 NT$150-300 萬。自建加租機的組合,把試錯成本壓到外包報價的零頭,這也是我們一貫建議企業「先小做、驗證了再放大」的底氣。</p>

<h2>常見翻車點:九成的爛 RAG 都是檢索的錯</h2>
<p>導入 RAG 失敗的專案,問題極少出在 LLM,幾乎都出在檢索。常見的坑排下來:chunk 切太大或太小——300-800 字、前後保留 10-20% 重疊是穩健起點,表格與條列要特殊處理;embedding 模型不擅長繁體中文——選 bge-m3 或 multilingual-e5 這類多語模型,別拿純英文模型硬上;沒放 reranker——多這一層 2-4GB 顯存的小模型,常常就是命中率從七成到九成的差距;以及沒有評測集——上線前準備 50-200 題有標準答案的內部問題,每次調參數都重跑,不然你永遠在憑感覺調。</p>
<p>幻覺控制也有標準做法:在 prompt 裡強制「只能根據提供的段落回答,並列出引用編號」,檢索相似度低於門檻時直接回「資料庫中查無相關內容」,寧可不答也不要瞎掰。這些設定做齊,企業內部問答的可用率把握做到九成以上。</p>
<p>上線不是終點,RAG 是要養的。固定的維運節奏建議:新文件自動進索引(每日或每週排程)、每月跑一次評測集回歸確認沒有品質飄移、每季檢視一次「查無資料」與低分回答的清單,回頭補文件或調切塊。這些工作每月大約半人日,卻是系統一年後還好用的關鍵。想再深入私有化部署的模型選型與服務化細節,可以接著讀 <a href="https://www.nss.com.tw/private-llm-deployment">私有 LLM 部署完整攻略</a>。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-18-points-20260714.jpg" alt="RAG 是什麼?不用重訓模型的企業知識庫方案,GPU 配置與導入成本指南" loading="lazy"/><figcaption>▲ RAG 導入的規模對照表</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>RAG 是企業 AI 裡投資報酬最好算的一種:GPU 需求從單張 4090 起步,隨使用人數線性成長,不會一開始就逼你上重裝備。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,POC 到正式環境可以無痛升級。方案與規格見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問會依你的文件量與使用人數建議配置。</p>

<h2>常見問題 FAQ</h2><h3>RAG 和微調最大的差別是什麼?</h3><p>RAG 把知識放在外部向量索引,模型不動,文件更新後幾分鐘就生效,回答還能附上來源;微調是把行為訓進模型,適合改語氣與格式,但知識一變就要重訓,單輪成本是重建索引的數十倍。企業知識庫九成情境應該先做 RAG。</p><h3>導入 RAG 最低的 GPU 門檻是多少?</h3><p>POC 等級只要一張 24GB 的 RTX 4090:跑 7B 模型的 INT4 量化版約占 5-6GB,加上 bge-m3 embedding 的 2-4GB 與 KV cache,單卡綽綽有餘。台灣機房這種主機月租約 NT$15,000-20,000,兩週內可以搭出能給主管試用的版本。</p><h3>RAG 一定需要 GPU 嗎?用 CPU 不行嗎?</h3><p>檢索段可以用 CPU,但 embedding 建索引會慢 10 倍以上;生成段用 CPU 跑 7B 模型每秒只有個位數 token,一個回答要等一兩分鐘,基本不可用。實務上一張入門 GPU 就能讓回答速度到每秒 30-60 個 token,體驗完全不同。</p><h3>文件要怎麼切塊(chunking)比較好?</h3><p>通用起點是每塊 300-800 字、前後重疊 10-20%,依標題與段落邊界切而不是硬切字數。表格建議整張保留並附上表頭說明,條列式 SOP 以步驟為單位。切法對命中率的影響常達 10-20 個百分點,值得花一天實驗。</p><h3>向量資料庫該選哪一套?</h3><p>百萬級以下向量,Qdrant、Milvus、pgvector 都夠用,差異主要在維運習慣:已有 PostgreSQL 的團隊用 pgvector 最省事,獨立部署選 Qdrant 輕量好管。向量檢索通常吃 CPU 與記憶體,抓 16-32GB RAM 起步即可,不占 GPU 顯存。</p><h3>RAG 的回答品質要怎麼量化?</h3><p>上線前建 50-200 題有標準答案的評測集,追兩個數字:檢索命中率(正確段落有沒有進前 5)與答案正確率(人工或 LLM 評分)。健康的系統命中率要 85% 以上、正確率 90% 上下;每次調 chunk、換模型都重跑,才知道是變好還變壞。</p><h3>怎麼降低 RAG 的幻覺?</h3><p>三件事做齊:prompt 強制只依提供段落回答並附引用編號;檢索相似度低於門檻就回「查無資料」,不硬答;加 reranker 把不相關段落擋在生成之前。實務上這樣可以把幻覺率壓到 5% 以下,剩下的靠評測集持續抓漏。</p><h3>200 人規模的公司,RAG 主機月費大概多少?</h3><p>尖峰併發 10-20 路、用 32B INT4 模型加完整檢索鏈,建議 2×RTX 4090 或一張 H100 80GB,台灣機房月租約 NT$40,000-80,000。比起呼叫雲端 API,固定月租的好處是用量再大帳單也不會失控,且文件全程不出機房。</p><h3>RAG 適合處理 Excel 和圖面這類非文字資料嗎?</h3><p>表格類資料要先轉成結構化文字或用表格感知的解析器處理,效果才穩;工程圖面、照片則需要多模態模型(如 Qwen-VL 系列),顯存需求會多 30-50%。建議第一期先做純文字文件,驗證價值後再擴充多模態,風險最低。</p><h3>資料完全不能出公司,RAG 做得到嗎?</h3><p>可以,這正是自建 RAG 的主場:embedding、向量資料庫、LLM 全部跑在你租用或自有的主機上,文件與問答紀錄都不離開機房。台灣機房方案還能滿足個資法與客戶 NDA 的稽核要求,金融與製造業已有大量落地案例。</p>"
                  ["post_title"]=>
                  string(88) "RAG 是什麼?不用重訓模型的企業知識庫方案,GPU 配置與導入成本指南"
                  ["post_excerpt"]=>
                  string(0) ""
                  ["post_status"]=>
                  string(7) "publish"
                  ["comment_status"]=>
                  string(6) "closed"
                  ["ping_status"]=>
                  string(6) "closed"
                  ["post_password"]=>
                  string(0) ""
                  ["post_name"]=>
                  string(24) "rag-enterprise-gpu-guide"
                  ["to_ping"]=>
                  string(0) ""
                  ["pinged"]=>
                  string(0) ""
                  ["post_modified"]=>
                  string(19) "2026-07-14 11:00:21"
                  ["post_modified_gmt"]=>
                  string(19) "2026-07-14 03:00:21"
                  ["post_content_filtered"]=>
                  string(0) ""
                  ["post_parent"]=>
                  int(0)
                  ["guid"]=>
                  string(47) "https://www.nss.com.tw/rag-enterprise-gpu-guide"
                  ["menu_order"]=>
                  int(0)
                  ["post_type"]=>
                  string(4) "post"
                  ["post_mime_type"]=>
                  string(0) ""
                  ["comment_count"]=>
                  string(1) "0"
                  ["filter"]=>
                  string(3) "raw"
                }
                [7]=>
                object(WP_Post)#36619 (24) {
                  ["ID"]=>
                  int(125224)
                  ["post_author"]=>
                  string(1) "0"
                  ["post_date"]=>
                  string(19) "2026-07-14 10:20:58"
                  ["post_date_gmt"]=>
                  string(19) "2026-07-14 02:20:58"
                  ["post_content"]=>
                  string(17010) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:LLM 微調該選 LoRA 還是 Full Fine-tuning?</p><p style="margin:0">八成企業場景用 LoRA 就夠:凍結原模型、只訓練低秩適配層,顯存約全參數微調的 1/3-1/10,7B 模型一張 RTX 4090 就能跑。Full Fine-tuning 效果上限較高,但 7B 就要 110GB 以上顯存、成本高 5-10 倍。建議先用 QLoRA 花半天驗證資料有訊號,再決定要不要加碼。</p></div>
<p>「我們想微調一個自己的模型」,這大概是 2026 年台灣企業 AI 導入會議上出現頻率最高的一句話。但再往下追問,十個團隊有八個說不清楚要微調什麼、需要幾張 GPU、預算該抓多少,甚至分不清自己要解的問題到底需不需要微調。這篇文章把 LLM 微調的兩條主要路線——LoRA 與 Full Fine-tuning(全參數微調)——的原理、顯存需求、訓練時間與租用成本一次算清,並附上一個台灣電商團隊從 POC 到上線的完整時程。先講立場:除非你已經用 LoRA 驗證過效果而且確定不夠,否則不要從全參數微調開始,這條原則能替多數團隊省下第一筆冤枉錢。</p>

<h2>先確認你要解的是「行為問題」還是「知識問題」</h2>
<p>微調改變的是模型的「行為」:輸出格式、語氣、領域用語、任務套路。它並不擅長把新知識塞進模型腦袋。想讓 LLM 回答公司內部文件、產品規格、常變動的政策條文,正確工具是 RAG(檢索增強生成),不用重訓模型,知識更新也是即時的,做法可以參考 <a href="https://www.nss.com.tw/rag-enterprise-gpu-guide">RAG 企業知識庫方案指南</a>。</p>
<p>那什麼情境值得微調?幾個典型:客服回覆必須完全符合品牌語氣與 SOP;輸出要是嚴格的 JSON 或報表格式,prompt 調到極限仍有 5% 上下的格式錯誤;醫療、法律、精密製造這類術語密集的領域,通用模型講話「不像內行人」;或者你想把原本要 70B 模型才穩定的任務壓進 7B 小模型,推論成本直接砍到三分之一以下——這是最容易回本的一種。</p>
<p>一個花半天就能做完的自我檢查:拿 20-30 題實際業務問題,用你手上最強的模型加上能寫出的最好 prompt 跑一遍。如果錯的是「答案內容」,例如模型不知道你們的產品規格,那是知識問題,微調救不了;如果錯的是「表達方式」——格式跑掉、語氣不對、廢話太多——才輪到微調上場。另外記住成本結構:prompt 迭代的邊際成本趨近於零,微調一輪動輒數千元機時起跳,能用 prompt 解決的問題,永遠優先用 prompt。多數企業最後的架構是混合的:RAG 管知識,微調管行為,兩邊各司其職。</p>


<figure class="wp-block-image size-full"><img title="戰國策集團LLM 微調實戰:LoRA 和 Full Fine-tuning 差在哪?GPU 需求與成本一次算清" src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-17-data-20260714.jpg" alt="LLM 微調實戰:LoRA 和 Full Fine-tuning 差在哪?GPU 需求與成本一次算清" loading="lazy"/><figcaption>▲ 7B 一張 RTX 4090 就能微調;全參數 7B 要 110GB 以上</figcaption></figure>
<h2>Full Fine-tuning:效果上限最高,顯存是無底洞</h2>
<p>全參數微調就是把模型每一個權重都拿出來更新。效果上限最高,但顯存開銷驚人,因為訓練期間要同時擺四樣東西:模型權重(FP16 每參數 2 bytes)、梯度(2 bytes)、AdamW 優化器狀態(FP32 動量加變異數,8 bytes),再加上隨序列長度與 batch size 成長的激活值。</p>
<p>經驗法則:全參數訓練的顯存需求,大約是「FP16 權重容量」的 8 到 10 倍。7B 模型權重約 14GB,全參數訓練就要 110-140GB,單張 H100 80GB 裝不下,2 張起跳,還得搭配 DeepSpeed ZeRO 或 FSDP 把狀態切到多卡。32B 約 500GB 上下,70B 直接衝破 700GB,進入多節點叢集的世界——那是另一門學問,可見 <a href="https://www.nss.com.tw/multi-node-distributed-training">多節點分散式訓練入門</a>。</p>
<p>激活值是最容易被低估的一項:它隨 batch 與序列長度線性成長,4K 序列、batch 8 的設定下,7B 的激活值可以再吃掉 30-60GB,所以實務估算永遠要留緩衝。另一筆隱性成本是實驗管理——全參數微調的每個 checkpoint 都是完整模型,7B 一份 14GB,訓練途中存十份就是 140GB 儲存;超參數掃五組,機時與儲存全部乘以五。這些帳在報價單上看不到,卻真實反映在時程與月結帳單上。</p>
<p>資料需求同樣是門檻:全參數微調通常要上萬到數十萬筆高品質資料才不容易過擬合,一輪訓練以天計。對多數企業,這條路的合理時機只有一個:LoRA 已經證明有效,而你需要再擠出最後幾個百分點,或者要做深度的領域續訓。</p>

<h2>LoRA:凍結原模型,只訓練低秩適配層</h2>
<p>LoRA(Low-Rank Adaptation)的思路完全不同:原模型權重全部凍結,在注意力層旁邊掛上兩個低秩矩陣(rank 一般取 8-64),只訓練這一小撮新增參數,通常僅占原模型參數量的 0.1% 到 1%。</p>
<p>因為梯度與優化器狀態只需要為這不到 1% 的參數保留,整體顯存需求大約降到全參數微調的 1/3 到 1/10。7B 模型跑 FP16 LoRA 約需 18-24GB,一張 RTX 4090(24GB)剛好能吃下;QLoRA 更進一步把凍結的底模量化成 4-bit,7B 只要 8-12GB,16GB 的消費卡都能拿來做實驗。</p>
<p>幾個實務參數直接給你抄:rank 從 16 或 32 起手,純風格任務 8 就有感,複雜任務再往 64-128 試;適配層先只掛注意力層的 Q、K、V、O 四個投影矩陣,效果不足再加 MLP 層,代價是參數量與顯存多三四成;學習率抓 1e-4 到 2e-4,比全參數微調高一個數量級。還有個反直覺的優點:當你的資料只有幾千筆,LoRA 因為可訓練參數少,反而比全參數更不容易過擬合——小資料集的企業場景等於天然適配。</p>
<p>工程面的好處也別忽略。訓練產出的 adapter 檔案只有幾十到幾百 MB,版本管理與回滾都輕鬆;同一個底模可以掛多組 adapter,客服、翻譯、摘要各練一個,推論時動態切換,一台主機同時服務多個任務。對人力有限的台灣中小團隊,這種可維運性比跑分高一兩分重要得多。</p>

<h2>GPU 需求對照表:7B 到 70B 一次看清</h2>
<table>
<thead><tr><th>模型規模</th><th>Full Fine-tuning</th><th>LoRA(FP16)</th><th>QLoRA(4-bit)</th></tr></thead>
<tbody>
<tr><td>7B</td><td>110-140GB,2×H100 80GB</td><td>18-24GB,1×RTX 4090</td><td>8-12GB,1×RTX 4090 有餘裕</td></tr>
<tr><td>14B</td><td>220-280GB,4×H100</td><td>36-48GB,1×L40S 48GB 或 2×4090</td><td>14-18GB,1×RTX 4090</td></tr>
<tr><td>32B</td><td>500GB 上下,8×H100</td><td>75-95GB,2×H100 或 2×L40S</td><td>26-34GB,1×L40S 或 2×4090</td></tr>
<tr><td>70B</td><td>700GB 以上,多節點</td><td>150-190GB,3×H100</td><td>42-50GB,2×4090 或 1×L40S(緊)</td></tr>
</tbody>
</table>
<p>兩個實務提醒。表中數字以 2K-4K 序列長度、小 batch 估算,序列拉到 8K 以上或 batch 加大,激活值會讓顯存再多吃 20-50%;另外,開 gradient checkpointing 可以省下 30-50% 顯存,代價是訓練慢兩到三成,當顯存卡在門檻邊緣時,這是最划算的交換。</p>
<p>訓練時間也給個基準,以 2 萬筆、平均 1K token 的指令資料跑 3 個 epoch 估算:7B LoRA 在 RTX 4090 上約 6-10 小時,H100 約 2-4 小時;14B 大致乘以二;32B 的 QLoRA 在雙 4090 上要 15-25 小時。換算成錢:台灣機房 4090 主機月租 NT$15,000-25,000,攤下來一輪訓練的機時成本不過幾百元——真正貴的是工程師指揮機器的時間,所以把迭代週期縮短,比省那一點機時重要得多。</p>
<p>用這張表抓預算的流程很直接:先定模型規模(絕大多數企業從 7B-14B 起步),再定訓練方式(預設 QLoRA),最後對出顯存與卡數。容易被忽略的是主機配套:載入與轉檔階段很吃系統記憶體,RAM 建議抓總顯存的 1.5-2 倍;資料集加上多版本 checkpoint,硬碟建議 NVMe SSD 500GB 起跳。這些在正規的租用方案裡通常已包含,自組機器時卻最常漏算,開訓當天才發現 RAM 不夠是很常見的慘劇。</p>

<h2>成本試算與導入案例:兩週從 POC 到上線</h2>
<p>先看租用行情。海外雲端 H100 每小時約 US$2.5-6,一次 6 小時的 7B LoRA 訓練折合 NT$500-1,500,單看很便宜。但實務上一個案子會迭代數十次,加上資料前處理、失敗重跑與除錯占用的機時,月帳單很容易衝到 NT$40,000-80,000,而且企業資料得出境。台灣在地 GPU 主機走包月制,RTX 4090 等級月租約 NT$15,000-25,000,吃到飽迭代,資料留在台灣機房,個資法遵評估也單純得多。</p>
<p>看一個實際案例。台北一家 35 人的跨境電商,想把客服 email 草擬自動化,選了 Qwen2.5-7B-Instruct 做 QLoRA,資料是 2.3 萬筆去識別化的歷史工單。時程是:第 1-2 天環境建置與資料清理;第 3 天跑通第一輪訓練,單輪約 4 小時;第 4-10 天共迭代 11 輪,主要在調資料配比與 rank;第 11-14 天做離線評測與上線。設備就是台灣機房一台單卡 4090 主機,整個專案的硬體成本等於一個月月租 NT$18,000。上線兩個月後,客服首次回覆時間從平均 4 小時降到 18 分鐘,AI 草稿採用率 76%。同樣的迭代量若按小時租海外 H100,估 NT$35,000-60,000,還沒算個資出境評估的隱形成本。</p>
<p>這個案子有兩個值得抄的細節。資料清理占掉整個專案約六成工時:他們把 5 萬筆原始工單去重、濾掉罐頭回覆、遮罩個資後只剩 2.3 萬筆可用,但正是這一步讓效果跳上來——第一版直接拿全量原始資料訓練的模型,盲測分數比底模還差。評測做得樸素而有效:上線前用 50 題真實客服情境做人工盲測,上線後每週抽 100 封 AI 草稿人工複核,採用率與修改幅度都進儀表板,「76% 採用率」這個數字就是這樣來的,不是感覺。</p>
<p>雲端與在地的比較,還有兩筆帳常被漏掉。上傳與下載的時間成本:幾十 GB 的資料集與模型權重在跨海頻寬上來回,每次迭代多等半小時起跳,兩週的專案硬是被拖成三週。還有法遵文件成本:客戶資料要出境,法務得做傳輸影響評估與契約檢核,這些人力成本往往超過機時費本身。台灣機房把這兩筆直接歸零,這才是月租數字之外真正的差異。</p>
<p>再補一個時程上的提醒:兩週上線的前提是資料已經存在、只需要清理。如果工單還散在個人信箱、客服系統沒有匯出機制,請先花兩到四週把資料管線建起來再開案,否則 GPU 租了只能空轉。評估微調專案時,「資料在哪、誰能拿到、乾不乾淨」這三個問題,永遠比「要租哪張卡」優先。</p>

<h2>LoRA 的極限:什麼時候該誠實加碼</h2>
<p>LoRA 不是萬靈丹。三種情況它會明顯不夠力:語言或領域移轉幅度太大,例如要讓英文底模深度學會台語文書寫;需要動到模型底層能力,像長推理鏈或更換 tokenizer;以及大規模續訓與蒸餾。此時的升級路徑通常是把 rank 拉高到 128-256 並套用到更多層,再不行才解凍部分層,最後才是全參數微調。</p>
<p>順帶回答一個常見的進階問題:DPO、RLHF 這些對齊技術呢?它們解的是「在多個可行回答之間挑更好的那個」,通常接在監督式微調(SFT)之後,資料要成對的偏好標註,顯存需求與 LoRA SFT 同級或略高。多數企業案子做到 LoRA SFT 就能交付,對齊訓練留給有專職 ML 團隊的公司;至於資料量以十億 token 計的領域續訓,進場前先確認你真的有那個量級的語料,多數產業其實沒有。</p>
<p>我們給客戶的標準建議是反過來走:先用 QLoRA 花半天、幾百元機時,驗證「你的資料有沒有訊號」。有效果,八成的案子就停在 LoRA 直接上線;有效果但不夠力,才值得討論全參數與更大的 GPU 配置。從第一天就上全參數微調的團隊,多數是把預算燒在還沒驗證過的假設上。預算排序也很直觀:先花錢整資料,再花錢租卡,買卡永遠放最後。</p>
<p>給一張可以直接對照的判斷清單:資料少於 5,000 筆、任務屬於格式語氣類、預算在六位數以內——停在 LoRA;盲測顯示模型能力天花板明顯、可用資料超過 10 萬筆、團隊有專職 ML 人力——才值得進全參數。拿這五條對照你的專案,九成的情況答案已經出來了,剩下一成,先跑一輪 QLoRA 再說。</p>


<figure class="wp-block-image size-full"><img title="戰國策集團LLM 微調實戰:LoRA 和 Full Fine-tuning 差在哪?GPU 需求與成本一次算清" src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-17-points-20260714.jpg" alt="LLM 微調實戰:LoRA 和 Full Fine-tuning 差在哪?GPU 需求與成本一次算清" loading="lazy"/><figcaption>▲ LoRA vs Full FT 的選擇邏輯</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>微調專案的 GPU 需求有明顯階段性:POC 期一張 4090 就夠,放大期可能要 H100 多卡。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,機器放在台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,可以隨專案階段彈性升級。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,由顧問依你的模型規模與資料量試算配置。</p>

<h2>常見問題 FAQ</h2><h3>用 LoRA 微調 7B 模型最少需要多少顯存?</h3><p>FP16 LoRA 約需 18-24GB,一張 RTX 4090(24GB)可以執行;QLoRA 把底模量化成 4-bit 後只要 8-12GB。若序列長度超過 4K 或 batch 加大,建議直接抓 24GB 以上,搭配 gradient checkpointing 還能再省 30-50% 顯存。</p><h3>LoRA 的效果會比全參數微調差很多嗎?</h3><p>在指令跟隨、語氣風格、格式控制這類任務上,LoRA 與全參數微調的差距多在 1-3% 以內,人工盲測常分不出來。差距明顯的是深度領域移轉與新語言學習。建議先用 LoRA 驗證方向,確認有效再評估是否值得多花 5-10 倍成本上全參數。</p><h3>微調需要準備多少訓練資料?</h3><p>風格與格式類任務約 500-3,000 筆高品質樣本就有感;任務型指令微調常見 5,000-50,000 筆;全參數領域續訓以十萬筆起跳。資料品質比數量重要,1,000 筆人工校對過的乾淨樣本,效果往往勝過 3 萬筆帶雜訊的原始資料。</p><h3>7B 模型 LoRA 微調一輪要跑多久?</h3><p>以 2 萬筆、平均 1K token 的指令資料訓練 3 個 epoch 估算:RTX 4090 約 6-10 小時,H100 約 2-4 小時;QLoRA 因量化運算反而慢 10-20%。整個專案含迭代通常要跑 10-20 輪,所以包月主機會比按小時計費划算。</p><h3>該選微調還是 RAG?</h3><p>要模型「知道最新內部知識」選 RAG,知識更新即時、回答可附來源;要改變「行為與語氣」選微調。實務上七成企業案子從 RAG 起步,最成熟的架構是 RAG 管知識、LoRA 管格式語氣,兩者並用,總成本反而比硬用單一方案低。</p><h3>QLoRA 是什麼?量化會不會犧牲效果?</h3><p>QLoRA 把凍結的底模用 NF4 格式壓到 4-bit,只有 LoRA 適配層維持高精度,7B 的訓練顯存從 18-24GB 降到 8-12GB。多數公開評測顯示效果損失在 1-2% 內,對預算有限的團隊是首選起點,驗證有效後再換 FP16 LoRA 收尾即可。</p><h3>微調後模型會不會忘記原本的能力?</h3><p>會,術語叫災難性遺忘。全參數微調最嚴重,LoRA 因為凍結原權重,影響小得多。實務解法是在訓練資料混入 5-10% 通用指令資料,並在驗證集加入通用能力測項;若通用分數掉超過 3-5%,通常是學習率太高或 epoch 太多。</p><h3>一張 RTX 4090 能微調 70B 模型嗎?</h3><p>單張 24GB 不行。70B 即使用 QLoRA 也需要 42-50GB 顯存,至少要 2 張 4090 合計 48GB 搭配分片,或一張 48GB 的 L40S 勉強容納。認真做 70B 建議 2-3 張 H100 跑 FP16 LoRA,訓練速度與穩定度跟消費卡是兩個世界。</p><h3>微調專案該租 GPU 還是買卡?</h3><p>迭代期建議用租的:台灣機房 4090 主機月租約 NT$15,000-25,000,免押金、硬體故障有人處理,兩三個月專案期的總成本遠低於購置。等你有全年不間斷的訓練需求且用量穩定,再評估買斷,回本週期一般抓 12-18 個月。</p><h3>訓練資料要整理成什麼格式?</h3><p>主流是 JSONL,每行一筆,含 instruction、input、output 欄位,或 OpenAI 式的 messages 對話格式。真正花時間的是去識別化、去重與品質篩選,這部分通常占專案 40-60% 的工時,比訓練本身還重,建議一開始就排進時程。</p>"
                  ["post_title"]=>
                  string(84) "LLM 微調實戰:LoRA 和 Full Fine-tuning 差在哪?GPU 需求與成本一次算清"
                  ["post_excerpt"]=>
                  string(0) ""
                  ["post_status"]=>
                  string(7) "publish"
                  ["comment_status"]=>
                  string(6) "closed"
                  ["ping_status"]=>
                  string(6) "closed"
                  ["post_password"]=>
                  string(0) ""
                  ["post_name"]=>
                  string(23) "llm-finetuning-lora-gpu"
                  ["to_ping"]=>
                  string(0) ""
                  ["pinged"]=>
                  string(0) ""
                  ["post_modified"]=>
                  string(19) "2026-07-14 10:59:24"
                  ["post_modified_gmt"]=>
                  string(19) "2026-07-14 02:59:24"
                  ["post_content_filtered"]=>
                  string(0) ""
                  ["post_parent"]=>
                  int(0)
                  ["guid"]=>
                  string(46) "https://www.nss.com.tw/llm-finetuning-lora-gpu"
                  ["menu_order"]=>
                  int(0)
                  ["post_type"]=>
                  string(4) "post"
                  ["post_mime_type"]=>
                  string(0) ""
                  ["comment_count"]=>
                  string(1) "0"
                  ["filter"]=>
                  string(3) "raw"
                }
                [8]=>
                object(WP_Post)#36617 (24) {
                  ["ID"]=>
                  int(125223)
                  ["post_author"]=>
                  string(1) "0"
                  ["post_date"]=>
                  string(19) "2026-07-14 10:16:10"
                  ["post_date_gmt"]=>
                  string(19) "2026-07-14 02:16:10"
                  ["post_content"]=>
                  string(18062) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:浸沒式液冷伺服器是什麼?為什麼高密度 GPU 機房要把伺服器泡進液體裡?</p><p style="margin:0">浸沒式液冷伺服器就是把整台伺服器浸入不導電的介電冷卻液中散熱,分為單相(液體不沸騰,靠泵浦與對流循環帶熱)與兩相(液體在晶片表面沸騰汽化,以潛熱散熱,效率更高)兩種。液體帶熱能力遠勝空氣,單櫃可支援 30 到 100kW 以上的 GPU 高密度部署,機房 PUE 能從氣冷的 1.4-1.6 降到約 1.05-1.1,散熱電費大減,還能拆除風扇、大幅降低噪音與故障率。</p></div>
<p>走進一座傳統機房,最先感受到的是風:上千顆風扇的轟鳴、冷通道的寒意、熱通道撲面而來的熱浪。走進一座浸沒式液冷機房,卻安靜得像圖書館,伺服器整台泡在清澈的液體裡,只剩泵浦低鳴。這不是科幻場景,而是 AI 時代高密度 GPU 機房正在發生的散熱革命。這篇文章用顧問的視角,把浸沒式液冷伺服器的原理、單相與兩相的差異、PUE 電費帳本、與氣冷及冷板方案的取捨,以及台灣機房的導入現況,一次講清楚。</p><h2>當機櫃功率衝破 30kW:氣冷正在逼近物理極限</h2><p>十年前,一座標準機櫃裝滿伺服器,總功率大約 3 到 5kW,機房空調吹一吹就能應付。今天一台八卡的 AI 訓練伺服器,滿載功率就可能超過 10kW;疊四台進同一櫃,單櫃輕鬆突破 40kW。NVIDIA 新世代 GPU 平台的參考架構,單櫃功率更已規劃到 100kW 以上。業界的共識很直白:AI 機櫃的功率密度在五年內成長了一個數量級,而且還在往上爬。</p><p>麻煩在於,空氣本質上是很差的導熱介質:熱容量低、導熱係數低,要帶走同樣的熱量,需要非常大的體積流量。機房因此塞滿風扇、空調箱與冷熱通道封閉設施,整棟建築有相當比例的電力不是拿來運算,而是拿來吹風。當單櫃功率超過大約 20 到 30kW,氣冷開始捉襟見肘:風量再大,晶片熱點依舊壓不住,GPU 為了自保觸發降頻,你買來的算力就這樣悄悄打了折。風扇本身也吃電、也會壞,密度越高,這條路就越走越窄。</p><p>許多機房的第一反應是「攤開放」:一櫃只裝三分之一,把熱源稀釋。代價是機位租金與樓地板面積翻倍,叢集節點被迫拉遠,網路佈線與延遲一起惡化。如果你正在規劃 AI 訓練或高效能運算叢集,這道散熱天花板遲早會撞上;想先補齊運算架構的基礎,可參考這篇 <a href='https://www.nss.com.tw/hpc-gpu-computing-guide'>HPC 高效能運算入門指南</a>,本文則聚焦散熱這一側的解法。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-16-data-20260714.jpg" alt="浸沒式液冷伺服器是什麼?高密度 GPU 機房的散熱革命與台灣現況" loading="lazy"/><figcaption>▲ 氣冷機房 PUE 1.4-1.6;浸沒式液冷讓散熱電費大減</figcaption></figure>
<h2>浸沒式液冷伺服器是什麼?單相與兩相的差別</h2><p>浸沒式液冷(immersion cooling)的做法非常直觀:把整台伺服器泡進裝滿「不導電冷卻液」的液槽。這種液體是絕緣的介電流體,主機板、記憶體、GPU 全部浸在裡面也不會短路。液體的導熱與帶熱能力遠勝空氣,晶片的熱量直接傳給緊貼表面的液體,不必再經過散熱鰭片、風扇、空氣這一長串低效率的接力賽。</p><p>依照冷卻液是否沸騰,浸沒式分成兩條技術路線:</p><ul><li><strong>單相浸沒(single-phase)</strong>:冷卻液全程維持液態、不沸騰,靠泵浦與自然對流循環,把熱帶到熱交換器,再由水迴路送出機房。液體多為礦物油或合成碳氫流體,價格相對親民、系統簡單,是目前商用部署的主流。</li><li><strong>兩相浸沒(two-phase)</strong>:使用低沸點氟化液,液體直接在晶片表面沸騰汽化,蒸氣上升到液槽頂部的冷凝盤管,凝結後再滴回槽內形成封閉循環。汽化吸收的是潛熱,單位質量帶走的熱量遠高於單純升溫,散熱效率更高、可支撐更極端的功率密度;代價是氟化液昂貴、槽體要處理蒸氣密封,工程複雜度與成本都高一截。</li></ul><p>一個好記的比喻:單相像把發燙的鐵塊放進不斷攪拌的油鍋,靠油的流動持續帶走熱;兩相像把水灑上燒紅的鐵板,水在瞬間汽化,那一刻吸走的熱量大得多。</p><p>浸沒式還有一項常被低估的紅利:風扇全數拆除。風扇通常吃掉伺服器本身約一成電力,也是機房裡最常故障的機械零件;拆掉之後,故障點減少,震動與灰塵問題一併消失,機房從 85 分貝的轟鳴變成 60 分貝以下的低鳴,運維人員終於不必戴著耳罩巡檢。</p><p>至於大家最擔心的維護:設備要先吊出液槽、瀝液之後才能動手,液槽上方通常配有導軌或小型吊臂輔助,流程與氣冷確實不同。冷卻液本身反而不嬌貴,單相液體的使用壽命常見規劃 8 到 10 年以上,期間定期檢測黏度、含水量與酸值即可;真正的消耗是設備進出時帶走的少量液體,屬於可預估、可編列的營運成本,而不是隱藏地雷。</p><h2>PUE 是什麼?從 1.5 到 1.1 的電費帳本</h2><p>評估機房能效,業界通用的指標是 PUE(Power Usage Effectiveness,電力使用效率):機房總用電除以 IT 設備用電,數字越接近 1 越好。PUE 1.5 代表 IT 設備每用 1 度電,空調、風扇、供電損耗等非 IT 開銷還要再吃 0.5 度。</p><p>傳統氣冷資料中心的 PUE 多落在 1.4 到 1.6;把冷熱通道封閉與氣流管理做到位,壓到 1.3 出頭已屬佳作。浸沒式液冷把散熱主力交給液體,幾乎不需要壓縮機制冷,冷卻迴路可接受 40 度上下的較高水溫,多數時間靠乾式冷卻塔就能把熱排掉,PUE 因此可壓到約 1.05 到 1.1。</p><p>帳本攤開來算最有感。假設一座 IT 負載 1,000kW 的 AI 機房:</p><ul><li>PUE 1.5:總用電 1,500kW,非 IT 耗電 500kW;</li><li>PUE 1.1:總用電 1,100kW,非 IT 耗電僅 100kW,直接砍掉八成;</li><li>兩者差距 400kW,乘上一年 8,760 小時,約省下 350 萬度電;以工業電價每度 NT$3.5 元估算,一年電費差距約 NT$1,200 萬元。</li></ul><p>還有一個行家才會注意的細節:伺服器內建風扇的用電,在 PUE 公式裡是算在 IT 設備那一側的。浸沒式把風扇整批拆掉,等於連分母裡的無效用電也一併省下,實際節能幅度比 PUE 數字表面呈現的更漂亮。省下的也不只是電費:散熱負擔變小,不斷電系統與發電機的容量需求跟著下降,同一棟建築的供電餘裕可以再塞進更多算力,這對受限於契約容量的台灣機房尤其關鍵。同樣的算力,只因散熱方式不同,一年就是千萬元等級的差距;機房規模越大、電價越高,這筆帳越驚人。</p><h2>三條散熱路線對照:氣冷、冷板、浸沒式</h2><p>液冷不是只有浸沒式一條路。另一條更漸進的路線是直接晶片液冷(Direct-to-Chip,簡稱 D2C,俗稱冷板式):在 GPU、CPU 等主要發熱晶片上鎖一塊內部有水道的冷板(cold plate),冷卻液只流經冷板、不接觸其他零件,其餘元件仍靠風扇散熱。D2C 對機房的改造幅度較小,拉水路、加裝冷卻液分配單元(CDU)後即可沿用現有機櫃型態,因此成為多數大型資料中心導入液冷的第一步。</p><p>浸沒式則是最徹底的方案:散熱效果最好、密度上限最高,但機房要改成液槽型態、樓板承重要重新計算、冷卻液要採購與管理、維運流程也得重新訓練。三條路線的取捨,一張表看得最清楚:</p><table><tr><th>比較項目</th><th>傳統氣冷</th><th>直接晶片液冷(D2C 冷板)</th><th>浸沒式液冷</th></tr><tr><td>典型 PUE</td><td>約 1.4-1.6</td><td>約 1.15-1.3</td><td>約 1.05-1.1</td></tr><tr><td>可支援單櫃功率</td><td>常見 10-20kW,優化後約 30kW 接近極限</td><td>約 50-100kW</td><td>100kW 以上,兩相潛力更高</td></tr><tr><td>導入成本</td><td>低,沿用既有設施</td><td>中,需水路管線與 CDU</td><td>高,需液槽、冷卻液與機房改造</td></tr><tr><td>維護難度</td><td>低,人員最熟悉</td><td>中,需管理接頭與防漏</td><td>較高,設備進出需吊掛與瀝液</td></tr><tr><td>噪音與風扇</td><td>風扇多、噪音大</td><td>風扇減少</td><td>幾乎無風扇,近乎安靜</td></tr></table><p>選擇邏輯大致是:單櫃 20kW 以下、預算有限,把氣冷優化到位即可;30 到 80kW 的 AI 機櫃,D2C 冷板是目前的主流解;要一次到位支撐 100kW 級機櫃、機房空間極度受限、或對噪音與能效有硬性要求,才值得直上浸沒式。也有不少案場採混合策略:訓練叢集用液冷,儲存與網路設備留在氣冷區,各取所長。</p><h2>台灣機房為什麼開始認真看液冷?</h2><p>把場景拉回台灣,幾個在地條件讓液冷的投資報酬率比多數國家更好算。</p><ul><li><strong>電價持續走揚</strong>:台灣工業電價每度約 NT$3 到 4 元,夏月(6 到 9 月)費率更高;近年數次調漲後,大用電戶感受最深。機房是 7×24 滿載的用電大戶,PUE 每降 0.1,都直接反映在每月的電費單上。</li><li><strong>土地與空間昂貴</strong>:雙北與桃園的機房空間寸土寸金,氣冷被迫攤開放以稀釋熱源,浸沒式讓同樣算力塞進約三分之一的樓地板面積,省下的租金與土建成本相當可觀。</li><li><strong>氣候先天不利氣冷</strong>:台灣夏季室外動輒 35 度以上、相對濕度 70% 起跳,自然冷卻可用時數短,空調壓縮機幾乎整年重載;液冷迴路可接受較高水溫,盛夏也能靠乾式冷卻塔運轉,對台灣的高溫高濕特別對症。</li><li><strong>ESG 與能效法規</strong>:上市櫃公司要做碳盤查與淨零承諾,主管機關對新建大型資料中心的用電申請也訂出能效門檻,PUE 大致要壓在 1.4 以下才容易取得供電核可;氣冷達標吃力,液冷是最直接的工程解。</li></ul><p>實際動起來的不只科技巨頭:北部已有電信與雲端業者在既有機房劃出液冷專區,中南部新建的資料中心在設計階段就預留液冷管路與樓板承重;台灣的伺服器代工與散熱供應鏈(液槽、冷板、CDU、快接頭)本來就是全球要角,在地取得方案與技術支援相對容易。門檻同樣真實:冷卻液的初次填充與後續補充成本、既有機房的結構與消防改造、維運團隊的重新訓練,都是評估時必須誠實面對的項目;兩相浸沒使用的氟化液,更因主要供應商淡出市場而面臨供應與價格的雙重壓力。務實的建議是分階段走:先用一到兩座液槽驗證業務負載與維運流程,電費與故障率的數字對了,再放大規模,風險最可控。</p><h2>一個 AI 機房的決策實例:氣冷擴充撞牆之後</h2><p>一家台北的 AI 影像分析公司,2025 年接下大型智慧交通專案,需要把訓練算力擴充四倍。他們原本在北部某資料中心租用 12 櫃氣冷機位、每櫃約 8kW;新方案規劃 8 櫃 H100 等級伺服器,單櫃功率 60kW,合計 IT 負載約 480kW,而且客戶要求六個月內上線,時程壓力不小。</p><p>第一輪先評估氣冷擴充。機房方回覆:現有樓層每櫃供電與散熱上限 15kW,若維持氣冷,60kW 的設計得拆成 32 櫃低密度部署,機位租金翻倍,而且同樓層機位不足、必須跨兩個樓層,叢集網路的佈線成本與延遲都會惡化。第二輪評估列間空調加封閉通道改造:單櫃上限可拉到約 25kW,仍然不夠,且改造後 PUE 預估僅從 1.55 降到 1.35,電費改善有限。</p><p>最終拍板與機房業者合作導入單相浸沒式:8 櫃改為 6 座液槽,上線後 PUE 實測落在 1.08 到 1.12。用 PUE 1.5 對比 1.1 估算:480kW 的 IT 負載,非 IT 耗電從約 240kW 降到 48kW,一年省下約 168 萬度電,以每度 NT$3.5 元計,每年電費省下約 NT$590 萬元;加上省下的機位租金與免去的空調改造費,財務端估算整套液冷投資約 3 年半可回收。附帶的驚喜是噪音:機房從 85 分貝降到 60 分貝以下,維運同仁的評語是「終於能在機房裡好好講電話」。</p><p>這類高密度需求並不限於 AI 訓練。雲端遊戲與 VR 串流這種延遲敏感、又需要大量 GPU 併發的服務,同樣往高密度機櫃演進,可延伸閱讀 <a href='https://www.nss.com.tw/cloud-gaming-vr-gpu'>雲端遊戲與 VR 串流的 GPU 應用解析</a>。而對多數還不需要自建機房的團隊來說,直接租用散熱與電力都已打點好的 <a href='https://www.nss.com.tw/gpu/'>GPU 主機</a>,往往是更快、財務上也更輕盈的起點。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-16-points-20260714.jpg" alt="浸沒式液冷伺服器是什麼?高密度 GPU 機房的散熱革命與台灣現況" loading="lazy"/><figcaption>▲ 高密度 GPU 機房散熱革命</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2><p>看完浸沒式液冷的原理與帳本,你會發現高密度 GPU 部署的真正門檻,從來不只是買幾張卡,而是電力、散熱、機房與維運的整套工程。如果你的團隊需要的是穩定算力,而不是一座機房,把這些難題交給專業夥伴是務實的選擇。戰國策 GPU 主機部署於台灣在地機房,提供 NVIDIA H100 與 RTX 系列多種規格,月租 NT$15,000 元起,電力、散熱與網路由機房團隊打理,搭配 7×24 中文技術支援,讓你把心力留給模型與產品。詳情請見官網 <a href='https://www.nss.com.tw/gpu'>https://www.nss.com.tw/gpu</a>,或加入 LINE 帳號 @119m 洽詢,免費專線 0800-003-191。</p>

<h2>常見問題 FAQ</h2><h3>浸沒式液冷伺服器需要特製機型嗎?現有伺服器能直接泡進去嗎?</h3><p>不能直接泡。既有伺服器要先改造:拆除全部風扇、把散熱膏更換為不溶於冷卻液的介面材料、確認硬碟為密封式或改用 SSD,線材與標籤也要確認相容。多數液槽廠商提供改機服務,單台費用常見 NT$1 到 3 萬元;新採購時直接選液冷就緒機型最省事。</p><h3>單相與兩相浸沒式液冷,實務上該選哪一種?</h3><p>現階段商用主流是單相:礦物油或合成油價格較低、系統簡單、維護直觀,PUE 約 1.05 到 1.1 已能滿足絕大多數需求。兩相散熱密度更高,但氟化液每公升價格可達數千元,且主要供應商淡出、供應趨緊,多見於實驗性或極端密度場景。一般企業建議從單相入手。</p><h3>浸沒式液冷的 PUE 真的能做到 1.1 以下嗎?</h3><p>設計良好的案場可以。風扇全拆、冷卻迴路可用 40 度上下的較高水溫,多數時間靠乾式冷卻塔散熱,不依賴壓縮機制冷,業界實測常落在 1.03 到 1.1 之間。台灣高溫高濕環境下保守估 1.08 到 1.12,仍遠優於氣冷常見的 1.4 到 1.6,省電幅度依然可觀。</p><h3>冷卻液會不會損壞硬體?原廠保固怎麼辦?</h3><p>合格的介電冷卻液不導電、對金屬呈惰性,不會腐蝕電路;要留意部分塑膠、橡膠與標籤長期浸泡可能軟化,硬碟與光模組需選相容型號。保固方面,部分品牌已正式支援浸沒式,部分仍視為改裝;建議導入前要求供應商提供相容性清單與至少 3 年的材料測試報告。</p><h3>一櫃 100kW 是什麼概念?我的專案需要浸沒式嗎?</h3><p>100kW 約可容納 10 台上下的八卡 H100 等級伺服器,屬於超大規模 AI 訓練的密度。多數企業的單櫃需求落在 20 到 60kW:20kW 內優化氣冷即可,30kW 以上建議評估冷板式,超過 80kW 或空間受限再考慮浸沒式。先盤點實際功率再選散熱路線,順序不要顛倒。</p><h3>導入浸沒式液冷,機房要做哪些改造?</h3><p>重點有四項:樓板承重(滿液的液槽單座常超過 1 噸,荷重要重新計算)、水路與熱交換系統(乾冷塔或冷卻水塔)、消防與環安(冷卻液防漏與回收動線)、維運工具(吊掛設備與瀝液架)。既有機房改造工期常見 3 到 6 個月,新建案在設計期就納入的成本最低。</p><h3>浸沒式液冷會讓日常維護變得很麻煩嗎?</h3><p>是變不同,不一定變難。更換記憶體或介面卡要先吊出設備、瀝液 10 到 30 分鐘,單次作業比氣冷慢;但最大故障源風扇消失,灰塵、濕度與震動問題也沒了,業界常見回報整體硬體故障率下降三成上下。關鍵是重寫維運流程、培訓人員並備妥專用工具。</p><h3>台灣現在租得到高密度或液冷等級的 GPU 算力嗎?</h3><p>可以。台灣北中南都有資料中心建置或評估液冷專區,電信與雲端業者也陸續推出高密度機櫃方案。若不想自建,直接租用 GPU 主機是門檻最低的路:例如戰國策的 GPU 主機部署於台灣機房,月租 NT$15,000 元起,散熱與電力由機房打理,可撥免費專線 0800-003-191 詢問。</p><h3>自建液冷機房與租用 GPU 主機,成本怎麼比較?</h3><p>自建浸沒式的液槽、冷卻液、管路與機房改造,單座液槽的初期投資常見數百萬元等級,加上維運人力,適合長期滿載、規模達數十櫃的用戶,回收期約 3 到 5 年。若需求只是幾張到十幾張卡、或專案期不到 2 年,租用月付 NT$15,000 元起的方案幾乎必然更划算,還能隨時升級新卡。</p><h3>液冷對 GPU 效能與壽命有實際幫助嗎?</h3><p>有。液冷讓晶片溫度更低也更穩定,GPU 不易觸發熱降頻,長時間訓練的有效算力常比氣冷高 5% 到 10%;溫度波動小可減緩焊點疲勞,風扇震動歸零,業界普遍觀察年故障率可下降兩到三成。對 7×24 滿載的訓練叢集來說,穩定度本身就是產能。</p>"
                  ["post_title"]=>
                  string(84) "浸沒式液冷伺服器是什麼?高密度 GPU 機房的散熱革命與台灣現況"
                  ["post_excerpt"]=>
                  string(0) ""
                  ["post_status"]=>
                  string(7) "publish"
                  ["comment_status"]=>
                  string(6) "closed"
                  ["ping_status"]=>
                  string(6) "closed"
                  ["post_password"]=>
                  string(0) ""
                  ["post_name"]=>
                  string(28) "immersion-cooling-gpu-server"
                  ["to_ping"]=>
                  string(0) ""
                  ["pinged"]=>
                  string(0) ""
                  ["post_modified"]=>
                  string(19) "2026-07-14 10:58:04"
                  ["post_modified_gmt"]=>
                  string(19) "2026-07-14 02:58:04"
                  ["post_content_filtered"]=>
                  string(0) ""
                  ["post_parent"]=>
                  int(0)
                  ["guid"]=>
                  string(51) "https://www.nss.com.tw/immersion-cooling-gpu-server"
                  ["menu_order"]=>
                  int(0)
                  ["post_type"]=>
                  string(4) "post"
                  ["post_mime_type"]=>
                  string(0) ""
                  ["comment_count"]=>
                  string(1) "0"
                  ["filter"]=>
                  string(3) "raw"
                }
                [9]=>
                object(WP_Post)#36615 (24) {
                  ["ID"]=>
                  int(125222)
                  ["post_author"]=>
                  string(1) "0"
                  ["post_date"]=>
                  string(19) "2026-07-14 10:16:08"
                  ["post_date_gmt"]=>
                  string(19) "2026-07-14 02:16:08"
                  ["post_content"]=>
                  string(17645) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:GPU 與 CPU 的差異是什麼,為什麼 AI 訓練都用 GPU?</p><p style="margin:0">CPU 只有數個到數十個強大核心,擅長複雜邏輯、分支判斷與一步接一步的序列任務,像幾位十項全能的大廚;GPU 有數千到上萬個小核心,能同時對大量資料做一模一樣的簡單運算,像整條工廠流水線。AI 訓練的本質是巨量矩陣乘加,幾乎沒有分支,正好能拆給幾千個核心同時算,所以 GPU 常比 CPU 快數十倍。兩者是分工:CPU 負責指揮與邏輯,GPU 負責平行算力。</p></div>
<h2>為什麼一講到 AI,大家都在搶 GPU?</h2><p>如果你最近看過任何一則科技新聞,大概都遇過同一句話:「AI 需要大量 GPU。」奇怪的是,你的筆電裡明明有一顆不便宜的 CPU,課本還說它是電腦的大腦,為什麼一算 AI,大家卻搶著要另一種晶片?這篇文章用最白話的方式,把 GPU 與 CPU 差異一次講清楚,也順便回答另一個常被搜尋的問題:什麼是 GPU 伺服器。你不需要資工背景,只要想像過餐廳的廚房和工廠的流水線,就能看懂現代運算世界最重要的一次分工。讀完之後,下次家人問起新聞裡的 AI 晶片之亂,你可以用一頓晚餐的時間講給他們聽。</p><p>先給最短版本的答案:<strong>CPU 像幾位十項全能的大廚</strong>,人數少,但再刁鑽的菜都做得出來;<strong>GPU 像幾千名只負責一道簡單工序的作業員</strong>,單看一個人不起眼,整條線動起來的產量卻嚇死人。難的菜交給大廚,大量重複的簡單工作交給流水線,這就是兩顆晶片的分工。接下來我們把比喻拆開,看看它們在晶片層面各自對應什麼。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-15-data-20260714.jpg" alt="GPU 與 CPU 到底差在哪?用工廠流水線一次講懂平行運算【圖解】" loading="lazy"/><figcaption>▲ CPU 擅長邏輯與序列;GPU 同時對巨量資料做相同運算</figcaption></figure>
<h2>CPU:少而精的十項全能大廚</h2><p>一顆現代 CPU 通常只有數個到數十個核心:家用桌機常見 6 到 16 核,伺服器等級可以到 64 核、96 核,頂多一百出頭。但每個核心都非常強:時脈動輒 3 到 5 GHz,等於每秒數十億個節拍;核心旁邊配了層層快取(L1、L2、L3),容量從幾十 KB 到上百 MB,讓最常用的資料幾乎不用等待就能取用,延遲極低;再加上分支預測、亂序執行這類聰明機制,專門對付「充滿判斷與跳轉」的程式。</p><p>換成廚房語言:CPU 核心就是米其林等級的大廚。客人臨時改單,他當場改流程,這叫<strong>分支判斷</strong>;一道功夫菜十個步驟環環相扣,少一步都不行,這叫<strong>序列任務</strong>;煮到一半要嚐味道再決定加不加鹽,這叫<strong>邏輯控制</strong>。作業系統的排程、資料庫的交易、網站後端的商業邏輯、程式裡一層又一層的條件式,都是「下一步取決於上一步結果」的工作,天生屬於 CPU。你隨手開個網頁、切個視窗,背後就是 CPU 在毫秒之間完成成千上萬次這種判斷,這也是它被稱為電腦大腦的原因。</p><p>但大廚再神,人數就是少。假設今天的任務是把一萬顆馬鈴薯削皮,五位大廚削得再快,也贏不了五百個人同時動手。這就是 CPU 的天花板:單筆極快、延遲極低,但同一時刻能並行的工作數量有限。</p><h2>GPU:幾千人同時開工的工廠流水線</h2><p>GPU 走完全相反的路線。一張現代 GPU 塞了數千到上萬個小核心:消費級旗艦卡有超過 16,000 個 CUDA 核心,資料中心等級的 NVIDIA H100 也有上萬個運算單元。每個核心都比 CPU 核心弱:時脈多半只有 1 到 2 GHz,不擅長複雜判斷,分到的快取也小。但它的設計哲學是人海戰術:同一道指令,讓成千上萬個執行緒同時套用在不同的資料上。這個模式的正式名稱叫 <strong>SIMT(單指令、多執行緒)</strong>,更白話的說法是<strong>資料平行</strong>:資料被切成幾千份,每一份做的動作一模一樣。有趣的是,GPU 一開始只是為了畫遊戲畫面而生,直到 2007 年前後通用運算框架普及,工程師才發現這支流水線大軍拿來算科學與 AI 一樣好用,從此顯卡不再只是遊戲配件。</p><p>回到比喻,GPU 像操場上集合了幾千名學生,老師在黑板寫一題「把你手上的兩個數字相加」,哨音一響,幾千人同時算完各自那題。我們做個粗略算術:一位大廚一分鐘能完成 30 筆複雜計算,五位大廚就是每分鐘 150 筆;一名學生一分鐘只能算 5 筆簡單加法,但 3,000 名學生同時動手,每分鐘就是 15,000 筆,是大廚隊的 100 倍。這就是<strong>延遲與吞吐量</strong>的差別:問單筆多快,大廚贏;問整批多快,流水線壓倒性獲勝,而 GPU 的世界在乎的通常是整批。不過人多還得餵得飽:幾千名學生同時伸手要考卷,發卷的速度就成了關鍵,所以 GPU 都配上超寬的記憶體通道,像一條一次能開進幾十台餐車的超大走道。</p><p>巧的是,世界上有一大類重要工作,正好就是大量一模一樣的簡單計算。螢幕上幾百萬個像素的顏色要同時算出來,這是 GPU 名字的由來(圖形處理器);影像濾鏡、影片轉檔、3D 遊戲的幾何與光影,全是同類;現在最紅的 AI 更是如此:深度學習的核心是矩陣乘法,把幾十億個數字排成表格反覆做乘加,幾乎沒有分支,一張卡上萬個核心一起算,一秒可完成數十兆次浮點運算。這也是近十年<a href='https://www.nss.com.tw/hpc-gpu-computing-guide'>HPC 高效能運算</a>大量改用 GPU 加速的原因:氣象模擬、分子動力學、金融風險計算,骨子裡都是巨量數值運算。</p><h2>一張表看懂 GPU 與 CPU 差異</h2><p>把故事整理成一張球員卡,兩邊的取捨一目了然:</p><table><tr><th>項目</th><th>CPU(大廚隊)</th><th>GPU(流水線)</th></tr><tr><td>核心數量</td><td>數個到數十個,伺服器級可破百核</td><td>數千到上萬個,旗艦卡逾 16,000 個 CUDA 核心</td></tr><tr><td>單核能力</td><td>極強,會處理複雜邏輯與分支</td><td>較弱,只做簡單重複運算</td></tr><tr><td>時脈</td><td>約 3 到 5 GHz</td><td>約 1 到 2 GHz</td></tr><tr><td>快取與延遲</td><td>多層大快取,延遲極低</td><td>快取小,靠每秒數 TB 高頻寬記憶體餵資料</td></tr><tr><td>擅長任務</td><td>作業系統、資料庫、邏輯控制、序列程式</td><td>矩陣運算、影像繪圖、AI 訓練與推論</td></tr><tr><td>不擅長</td><td>巨量重複的簡單運算</td><td>分支多、步步相依、資料量小的工作</td></tr><tr><td>一句話比喻</td><td>幾位十項全能的大廚</td><td>幾千名同時算加法的學生</td></tr></table><p>要提醒的是,表格裡的弱項不是設計失誤,而是取捨。你可能會問:為什麼不造一顆又聰明、人又多的晶片?因為晶片面積與功耗是硬預算,大快取與分支預測這些聰明機制非常占地方,塞了聰明就塞不下人海。工程沒有魔法,只有取捨:CPU 把預算花在深度,GPU 把預算花在寬度,兩者從來不是誰淘汰誰,而是一組互補的分工。</p><h2>什麼是 GPU 伺服器?跟你桌機的顯卡差在哪</h2><p>講完晶片,來定義另一個主角。<strong>所謂 GPU 伺服器,就是安裝了一張以上專業級 GPU 的伺服器</strong>:在 CPU、記憶體、硬碟這些標準配備之外,再裝上 NVIDIA H100 或 RTX 專業系列這類加速卡,搭配高速記憶體、數千瓦等級的供電與強化散熱,通常放在資料中心全年無休運轉,使用者透過網路遠端連線使用,就像租了一間隨時開火的雲端廚房:你在自己的筆電上寫程式、按下執行,真正流汗的是機房裡那台機器,筆電只負責當遙控器。一台典型的 GPU 伺服器包含:</p><ul><li>運算卡:1 到 8 張專業 GPU,單張 H100 的功耗就達 700 W</li><li>顯示記憶體:資料中心卡動輒 80 GB 起跳,頻寬達每秒 2 到 3 TB,餵得飽上萬個核心</li><li>供電與散熱:數千瓦電源加上強力風道或液冷,確保全年滿載不降速</li><li>高速通道:PCIe 或 NVLink 互連,讓 CPU 與多張卡之間的資料搬運不塞車</li><li>機房環境:恆溫恆濕、不斷電系統與備援網路,這是一般辦公室給不了的</li></ul><p>對照之下,桌機消費卡通常只有 16 到 24 GB 記憶體,不支援 ECC 錯誤修正與 NVLink 高速串接,電源與散熱也不是為 7 天 24 小時滿載設計。打遊戲、學習、跑小模型,消費卡綽綽有餘;要長時間訓練大模型或對外提供服務,就是資料中心等級的主場。</p><p>這裡有個很多台灣團隊都踩過的坑。不少中小企業或個人開發者一聽到 AI 要用 GPU,第一反應是自己買顯卡,結果要嘛發現記憶體不夠、模型載不進去,要嘛專案結束後卡就閒置,利用率不到兩成。電費也很實際:台灣工業電價每度約 NT$3 到 4 元,夏季更貴,一台八卡伺服器滿載功耗可達 10 kW,一個月電費就可能落在 NT$2 到 3 萬,空調還要另計。大學實驗室也有類似難處:研究計畫經費一年常常只有幾十萬到一兩百萬元,一次砸在買卡上,兩三年後規格落伍、經費卻已用罄。所以愈來愈多台灣團隊選擇先租<a href='https://www.nss.com.tw/gpu/'>GPU 主機</a>把需求跑清楚,再決定要不要自建,風險低得多。從新竹的 IC 設計公司、台中的精密機械廠到台北的軟體新創,許多團隊的第一個 AI 專案都是這樣起步的。</p><h2>常見迷思:不是所有工作丟給 GPU 都會變快</h2><p>這是全文最重要的澄清:<strong>GPU 不是萬靈丹</strong>,它只擅長能切成大量獨立小塊的運算。三種情況用 CPU 反而更快:一、高度序列相依的任務,下一步要等上一步的答案,幾千個核心只能排隊乾等;二、分支判斷很多的程式,GPU 同一批執行緒被迫走同一條路,遇到岔路整批停擺;三、資料量太小的工作,把資料從主記憶體搬進 GPU 再搬回來的時間,比計算本身還久,得不償失。舉個例子:熬一鍋高湯要先熬骨、再過濾、然後調味,順序綁死了,找一萬個廚師來也無法把三小時縮成一秒,因為每一步都在等上一步。工程師之間有個經驗法則:程式中無法平行化的部分,決定了加速的天花板;如果有一半的工作註定要排隊,核心再多整體頂多快兩倍。</p><p>所以實務的標準答案是<strong>異質運算</strong>:CPU 當指揮官,負責讀資料、做邏輯、發號施令;GPU 當算力大隊,接手矩陣運算這類重活。像<a href='https://www.nss.com.tw/cae-simulation-gpu-guide'>CAE 工程模擬</a>就是典型例子:求解器裡的大型矩陣交給 GPU,前處理與網格邏輯仍由 CPU 掌舵。你的手機、筆電、資料中心,全都是這種混合編制。下次不確定任務該給誰,用三個問題快速判斷:</p><ul><li>這件事能切成幾千份同時做嗎?能,GPU 加分</li><li>資料量夠大嗎?大到值得搬進顯示記憶體再算,GPU 加分</li><li>過程要不斷判斷、等待前一步結果嗎?是的話,乖乖交給 CPU</li></ul><p>舉一個真實感十足的例子。去年一位剛接觸 AI 的資工系大四學生來諮詢,他想微調一個 70 億參數的開源語言模型當畢業專題,原本的計畫是花 NT$15,000 把桌機 CPU 從 8 核升級到 16 核。顧問只問了三個問題:程式大部分時間在做什麼?答案是矩陣運算;需要多少顯示記憶體?粗估就算用省記憶體的微調技巧也要 20 GB 上下,而他那張舊卡只有 8 GB;要用多久?專題期間約 3 個月。診斷立刻清楚:瓶頸在 GPU,升級 CPU 幾乎無感。兩條路擺在眼前:買一張 24 GB 的新消費卡加電源升級,一次噴掉近 NT$8 萬,專題結束後多半閒置;或租一台資料中心等級的 GPU 主機,月租 NT$15,000 元起,3 個月總花費不到 NT$5 萬,結案就退租。他選了後者,單輪訓練時間從舊卡估算的十幾天縮到 3 天上下,總預算省下超過三成,還不用煩惱夏天機殼過熱當機。這個案例的重點不是租用一定贏,而是先搞清楚瓶頸在哪,再讓每一塊錢花在刀口上;那三個問題,你也可以照抄拿去問自己的專案。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-15-points-20260714.jpg" alt="GPU 與 CPU 到底差在哪?用工廠流水線一次講懂平行運算【圖解】" loading="lazy"/><figcaption>▲ 用工廠流水線一次講懂</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2><p>看懂 GPU 與 CPU 的分工之後,下一個問題往往是:我的任務適合哪種卡、要幾張、租還是買?這時候,有一個講中文、在台灣、隨時找得到人的夥伴很重要。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種規格,主機放在台灣機房,連線延遲低、資料不出境,月租 NT$15,000 元起,搭配 7×24 中文技術支援,從選卡、環境安裝到模型上線都有工程師陪你走。歡迎到官網 <a href='https://www.nss.com.tw/gpu'>https://www.nss.com.tw/gpu</a> 查看方案,或加 LINE 帳號 @119m 線上諮詢,也可撥打免費專線 0800-003-191,讓顧問幫你判斷:你的預算,該花在大廚,還是流水線。</p>

<h2>常見問題 FAQ</h2><h3>GPU 與 CPU 差異最簡單的說法是什麼?</h3><p>CPU 是少數強者:通常只有 6 到 64 個核心,每個都很聰明,擅長邏輯判斷與一步接一步的序列工作;GPU 是人海戰術:塞進數千到上萬個小核心,同時對大量資料做一模一樣的簡單運算。所以作業系統與商業邏輯靠 CPU,矩陣運算、影像與 AI 訓練靠 GPU,兩者是分工不是取代。</p><h3>什麼是 GPU 伺服器?</h3><p>GPU 伺服器是安裝了一張以上專業級 GPU 的伺服器,例如 NVIDIA H100 或 RTX 專業卡,搭配大容量高頻寬記憶體、數千瓦等級供電與強化散熱,通常放在資料中心全天候運轉。以八卡機種為例,滿載功耗可達 10 kW,遠超過一般辦公室電力能負荷,所以多數團隊用租用方式取得。</p><h3>打電動的顯卡和 AI 用的資料中心 GPU 一樣嗎?</h3><p>架構同源但定位不同。消費卡顯示記憶體多為 16 到 24 GB,不支援 ECC 與 NVLink,設計上也不是為全年無休滿載;資料中心卡如 H100 有 80 GB 高頻寬記憶體、頻寬每秒 2 到 3 TB,可多卡高速互連,適合長時間訓練。學習階段消費卡足夠,正式服務建議用資料中心等級。</p><h3>為什麼 AI 訓練用 GPU 比 CPU 快這麼多?</h3><p>深度學習九成以上的計算是矩陣乘加,屬於大量重複、彼此獨立的簡單運算,正好能拆給 GPU 上數千到上萬個核心同時做。CPU 核心雖強,但數量通常不到 100 個,吞吐量差了好幾個數量級。同一個訓練任務,GPU 常比純 CPU 快數十倍,訓練時間可從數週縮成數天。</p><h3>是不是所有程式搬到 GPU 上都會變快?</h3><p>不是。GPU 只對可平行的大量運算有效;高度序列相依、分支判斷多、或資料量太小的任務,搬上 GPU 反而因為資料搬運與啟動成本變慢。經驗上,若程式中可平行的部分不到五成,整體加速上限連 2 倍都不到;先分析任務型態再決定,比直接砸錢買卡重要得多。</p><h3>CPU 核心數一直增加,能不能取代 GPU?</h3><p>很難。伺服器 CPU 目前頂多一百多核,GPU 單卡就有上萬個運算單元,吞吐量差距是數十倍到百倍等級;而且 GPU 搭配的高頻寬記憶體每秒可搬 2 到 3 TB 資料,是一般 CPU 記憶體頻寬的 10 倍以上。反過來,GPU 也取代不了 CPU 的邏輯控制角色,實務是兩者協同的異質運算。</p><h3>學生想入門 AI,該先買顯卡還是租 GPU 主機?</h3><p>看使用時間與規模。若只是學框架、跑小模型,一張 8 到 16 GB 的消費卡或免費雲端資源就夠;要微調數十億參數的模型、專題只有 2 到 3 個月,租用通常更划算:月租 NT$15,000 元起,三個月約 NT$4.5 萬,不必一次掏 NT$6 萬以上買卡,結束退租、零閒置成本。</p><h3>GPU 伺服器在台灣的電費大概是多少?</h3><p>台灣工業電價每度約 NT$3 到 4 元,夏季較高。以一台八卡伺服器滿載 10 kW 估算,一個月用電約 7,200 度,電費約 NT$2 到 3 萬,機房空調通常還要再多三到五成。這是自建機房最常被低估的成本;改租 GPU 主機時,電費與空調多半已包含在月租費內。</p><h3>GPU 的幾千個核心和 CPU 核心是同一種東西嗎?</h3><p>不是,別被同一個「核心」字眼騙了。CPU 核心是完整的通用處理器,有大快取與分支預測,時脈約 3 到 5 GHz,可獨立執行複雜程式;GPU 的核心是精簡的運算單元,時脈約 1 到 2 GHz,必須成群結隊、由同一道指令帶著大批資料一起跑,單獨拿出來幾乎做不了事。</p><h3>租一台 GPU 主機在台灣大概多少錢?</h3><p>依卡的等級與數量差很大。入門的 RTX 系列單卡主機月租約 NT$15,000 元起,中階專業卡月租數萬元,H100 等級單卡月租常見十幾萬元起。相比自購:一張 H100 卡價超過 NT$100 萬,還要加伺服器、機房與電費,若使用期不滿 1 年,租用幾乎都比較划算。</p>"
                  ["post_title"]=>
                  string(82) "GPU 與 CPU 到底差在哪?用工廠流水線一次講懂平行運算【圖解】"
                  ["post_excerpt"]=>
                  string(0) ""
                  ["post_status"]=>
                  string(7) "publish"
                  ["comment_status"]=>
                  string(6) "closed"
                  ["ping_status"]=>
                  string(6) "closed"
                  ["post_password"]=>
                  string(0) ""
                  ["post_name"]=>
                  string(20) "gpu-vs-cpu-explained"
                  ["to_ping"]=>
                  string(0) ""
                  ["pinged"]=>
                  string(0) ""
                  ["post_modified"]=>
                  string(19) "2026-07-14 10:57:08"
                  ["post_modified_gmt"]=>
                  string(19) "2026-07-14 02:57:08"
                  ["post_content_filtered"]=>
                  string(0) ""
                  ["post_parent"]=>
                  int(0)
                  ["guid"]=>
                  string(43) "https://www.nss.com.tw/gpu-vs-cpu-explained"
                  ["menu_order"]=>
                  int(0)
                  ["post_type"]=>
                  string(4) "post"
                  ["post_mime_type"]=>
                  string(0) ""
                  ["comment_count"]=>
                  string(1) "0"
                  ["filter"]=>
                  string(3) "raw"
                }
                [10]=>
                object(WP_Post)#36613 (24) {
                  ["ID"]=>
                  int(125221)
                  ["post_author"]=>
                  string(1) "0"
                  ["post_date"]=>
                  string(19) "2026-07-14 10:16:06"
                  ["post_date_gmt"]=>
                  string(19) "2026-07-14 02:16:06"
                  ["post_content"]=>
                  string(18333) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:雲端遊戲和 VR 串流的延遲要壓到多少毫秒才不會有感?</p><p style="margin:0">雲端遊戲從按鍵到畫面反應的總延遲壓在 100 毫秒以內即可順暢遊玩,50 毫秒以下多數玩家已感覺不出與本機差異;VR 串流更嚴苛,從轉頭到畫面更新需低於約 20 毫秒,否則容易暈眩。實務作法是三管齊下:把 GPU 放在靠近玩家的在地邊緣機房,將網路來回時間從跨海的 40 毫秒壓到 10 毫秒內;用 NVENC 硬體編碼把壓縮延遲降到毫秒級;再以 90 到 120Hz 高更新率縮短每格等待時間。</p></div>
<p>想像你在台北家裡按下手把的攻擊鍵,而真正算出那一刀畫面的顯示卡,其實在幾十公里外的機房裡。它必須在你眨一次眼的十分之一時間內,把指令收進來、畫面算出來、壓縮成影片、傳回你的螢幕。這就是雲端遊戲每秒鐘重複六十次以上的魔術,而魔術成敗只有一位評審:延遲。</p><p>人類對延遲的忍耐力,比多數工程師想像的低。實務經驗指向幾個門檻:總延遲超過 100 毫秒,玩家會覺得手感「怪怪的」;壓到 50 毫秒以下,多數人分不出雲端與本機的差別;而戴上頭盔的虛擬實境(VR)更殘酷,從你轉頭到畫面跟上若超過 20 毫秒,內耳前庭系統就會抗議,輕則出戲,重則暈眩想吐。這篇文章用顧問視角拆開整條延遲鏈:每一毫秒花在哪裡、怎麼省回來,以及為什麼對台灣團隊而言,機房位置比算力大小更關鍵。</p><h2>雲端遊戲的架構:GPU 在機房,手把在你家</h2><p>先把管線攤開。雲端遊戲的本質是「把遊戲主機搬進資料中心」:伺服器端的 GPU 即時算出遊戲畫面,再由 GPU 內建的硬體編碼器 NVENC 把每張畫面壓縮成影像串流,格式可用 H.264、HEVC 或最新的 AV1,經網路送到玩家的手機、電視或筆電;終端裝置解碼顯示,玩家的按鍵與搖桿輸入則反向回傳雲端,驅動下一張畫面。這條迴圈每秒要跑 60 到 120 次,任何一站塞車,整條線就跟著慢。</p><p>這個架構的美妙之處在於終端可以很弱:三年前的中階手機也能玩 3A 大作,因為它只負責解影片。難處則全部集中到伺服器與網路上——GPU 要算得快、編碼要壓得快、封包要跑得快,任何一環拖慢,玩家的手感就會像「隔著一層果凍出拳」。至於 GPU 為什麼天生擅長這種每秒上百張的即時算圖工作,可以參考我們寫過的 <a href='https://www.nss.com.tw/gpu-vs-cpu-explained'>GPU 與 CPU 差異解析</a>,這裡不重複展開。</p><p>值得單獨介紹的是 NVENC 這顆低調的功臣。它是獨立於算圖核心之外的專用編碼電路,工作時幾乎不佔遊戲效能,把一張 1080p 畫面壓縮成串流片段只需 1 到 5 毫秒;新一代 GPU 的 AV1 編碼,還能在同樣畫質下比 H.264 省下約三到四成頻寬。對行動網路或頻寬受限的家庭用戶,這直接決定了畫質上限與流量成本。</p><figure class="wp-block-image size-full"><img title="戰國策集團雲端遊戲與 VR 串流背後的 GPU 架構:延遲怎麼壓到人類無感?" src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-14-data-20260714.jpg" alt="雲端遊戲與 VR 串流背後的 GPU 架構:延遲怎麼壓到人類無感?" loading="lazy"/><figcaption>▲ 雲端遊戲 &lt;100ms 可順玩,50ms 以下與本機無異</figcaption></figure>
<h2>延遲預算:每一毫秒都要記帳</h2><p>顧問看延遲的方式跟財務長看預算一樣:先列科目,再逐項砍。從玩家按鍵到畫面亮起,業界稱為 click-to-photon(VR 則稱 motion-to-photon),中間至少經過八個環節。下表是一份典型的延遲帳本,中欄是常見配置的數字,右欄是各環節優化後可達的水準:</p><table><tr><th>延遲環節</th><th>一般配置(毫秒)</th><th>優化後(毫秒)</th><th>主要優化手段</th></tr><tr><td>輸入取樣與上行傳送</td><td>5-10</td><td>2-4</td><td>高輪詢率、精簡協定</td></tr><tr><td>網路來回(RTT)</td><td>30-50(跨海)</td><td>5-12(在地邊緣)</td><td>機房靠近玩家</td></tr><tr><td>伺服器排隊與調度</td><td>5-10</td><td>1-3</td><td>專屬實例、避免超賣</td></tr><tr><td>GPU 算圖</td><td>16.7(60fps)</td><td>8.3(120fps)</td><td>提高更新率</td></tr><tr><td>硬體編碼(NVENC)</td><td>5-10</td><td>1-4</td><td>低延遲模式、AV1</td></tr><tr><td>傳輸與抖動緩衝</td><td>10-20</td><td>3-6</td><td>自適應碼率、邊緣節點</td></tr><tr><td>終端解碼</td><td>4-8</td><td>2-4</td><td>硬體解碼器</td></tr><tr><td>顯示掃描輸出</td><td>8-16</td><td>4-8</td><td>高更新率螢幕</td></tr><tr><td><strong>合計</strong></td><td><strong>約 84 到 141</strong></td><td><strong>約 26 到 49</strong></td><td>環環相扣、逐項優化</td></tr></table><p>這張表講了兩件殘酷的事。第一,世界上沒有一個單獨的零件叫「延遲」,它是八筆小帳的總和,只優化其中一項的方案多半是安慰劑。第二,帳本裡最肥的科目是網路 RTT:跨海連線動輒 30 到 50 毫秒起跳,一口氣吃掉 100 毫秒預算的三分之一以上;更麻煩的是,這筆帳付給的是光在光纖裡的飛行時間,再貴的 GPU 都買不回來。</p><p>想知道自家產品的帳本長怎樣,方法比想像中平民:拿一支支援 240fps 慢動作錄影的手機,同框拍下手把與螢幕,從按鍵瞬間數到畫面反應,影格數乘以 4.17 毫秒就是總延遲。工程端再用時間戳記把每個環節拆開,先量測、再優化,順序不能反過來——沒有量測就動手優化,跟閉著眼睛減肥一樣,只是心裡舒服。</p><h2>把延遲壓到無感的四種武器</h2><p>知道錢花在哪,接下來是省錢。業界實戰中最有效的手段有四種,而且效果可以彼此疊加:</p><ul><li><strong>邊緣機房</strong>:把 GPU 搬到離玩家夠近的地方,是唯一能大砍 RTT 的方法。台灣本島內任兩點的網路來回多在 5 到 10 毫秒,跨海到東京則要 32 到 45 毫秒——選址一次做對,勝過後面所有微調。</li><li><strong>硬體編碼</strong>:開啟 NVENC 的低延遲模式、關閉 B 幀,讓編碼從「等一批畫面再壓」變成「來一張壓一張」,單張延遲可以壓進 1 到 4 毫秒。</li><li><strong>高更新率</strong>:60fps 時每張畫面間隔 16.7 毫秒,提高到 120fps 就縮成 8.3 毫秒,玩家的輸入平均少等一半時間,體感立刻變「跟手」。</li><li><strong>畫格預測與插補</strong>:用客戶端預測先畫出最可能的下一格,或在終端做畫格插補補足中間影格,遮蔽網路抖動造成的空窗。</li></ul><p>預測那一招值得多講一句,它的直覺跟棒球外野手一樣:好的外野手不是看球落地才跑,而是在擊球瞬間就預判落點。系統拿玩家最近的操作軌跡預測下一步,猜對了就白賺幾十毫秒,猜錯了再用新資料快速修正——只要修正幅度夠小,玩家幾乎察覺不到。</p><p>另一個常被忽略的敵人是抖動:平均延遲 40 毫秒但忽快忽慢的線路,體感往往比穩定的 60 毫秒更糟,因為畫面會一頓一頓地跳。解法是自適應碼率搭配小而聰明的緩衝——網路變差時先降畫質保流暢,而不是死守解析度讓畫面凍結;緩衝只留 1 到 2 格就好,每多留一格,就是預先欠下 8 到 16 毫秒的債。</p><h2>VR 串流:20 毫秒的生死線</h2><p>VR 是這門學問的極限運動,門檻直接砍到五分之一。原因藏在你的內耳:半規管感知頭部轉動幾乎零延遲,當眼睛看到的畫面落後身體感覺超過約 20 毫秒,大腦會判定「環境不對勁」,動暈症狀隨之而來——這就是許多人玩 VR 十分鐘就冒冷汗的原因。所以 VR 的 motion-to-photon 預算不是 100 毫秒,而是 20 毫秒。</p><p>預算砍到五分之一,工作量卻更大:更新率要 90 到 120Hz,每張畫面只剩 8.3 到 11.1 毫秒可算;而且要同時渲染左右兩眼,單眼解析度動輒 2K 等級,總像素量是 1080p 平面遊戲的三到四倍,對 GPU 算力與傳輸頻寬都是加倍嚴苛的考驗。下表把兩種場景的需求並排,差距一目了然:</p><table><tr><th>項目</th><th>雲端遊戲</th><th>VR 串流</th></tr><tr><td>延遲門檻</td><td>低於 100 毫秒,理想低於 50</td><td>低於約 20 毫秒</td></tr><tr><td>更新率</td><td>60 到 120fps</td><td>90 到 120Hz</td></tr><tr><td>解析度</td><td>單畫面 1080p 到 4K</td><td>雙眼各約 2K</td></tr><tr><td>GPU 負載</td><td>中到高</td><td>極高(像素量三到四倍)</td></tr><tr><td>合理部署距離</td><td>同國家或區域邊緣節點</td><td>同城市甚至同棟建築</td></tr></table><p>頻寬也要一起算:雙眼 2K、90Hz 的 VR 串流,即使用 HEVC 或 AV1 壓縮,碼率也常落在 50 到 100Mbps 等級,是 1080p 平面串流的三到五倍。這也是為什麼 VR 串流對無線環境特別挑剔,實務上會建議 Wi-Fi 6 以上或乾脆走有線回程,把不確定性留給可以控制的環節。</p><p>工程上的救命招是「先斬後奏」:頭盔端的非同步時間扭曲(ATW)拿最新的頭部姿態,把上一張畫面重新投影,讓轉頭的視覺回饋幾乎即時;雲端只需負責內容本身的更新。這一招把「轉頭暈不暈」跟「網路快不快」部分解耦,是雲端 VR 得以成立的關鍵。但它救不了跨海:台灣到美西來回約 110 到 150 毫秒,是暈眩門檻的六倍以上,物理上就不成立。</p><h2>vGPU 與 MIG:把一張卡切給多位玩家</h2><p>談完體驗,回到成本。一張資料中心等級的 GPU 對單條 1080p 串流來說太大了,整張卡服務一個玩家,像租一輛遊覽車只載一位乘客。NVIDIA 給了兩條路:vGPU 在軟體層把實體卡虛擬成多張,分配給不同虛擬機各跑各的遊戲;MIG(Multi-Instance GPU)更徹底,直接在硬體層把 H100、A100 這類卡切成最多 7 個彼此隔離的實例,算力與記憶體物理分割,一個實例出狀況也不影響鄰居。</p><p>對營運方而言,這是單位經濟學的分水嶺:同一張卡從服務 1 人變成同時服務 3 到 7 人,每條串流的攤提成本直接除以好幾倍;再搭配尖離峰調度——白天把卡撥給 AI 推論或算圖農場,晚上切回遊戲串流——一張卡的稼動率能從三成拉到七成以上。高密度部署隨之而來的散熱壓力,業界也已有成熟解法,可延伸閱讀<a href='https://www.nss.com.tw/immersion-cooling-gpu-server'>浸沒式液冷 GPU 伺服器</a>一文。切卡之前也要想清楚服務等級:試玩活動可以接受尖峰時段排隊 30 秒,訂閱制服務就不行——密度與體驗的平衡點,最好用實際玩家數據回推,而不是拍腦袋決定。</p><h2>台灣戰場:機房位置比算力更關鍵</h2><p>回到台灣。我們手上其實有兩張好牌:一是網路底子,光纖到府普及、行動網路覆蓋完整,本島內 RTT 普遍在 5 到 10 毫秒;二是社群能量,電競文化成熟、獨立遊戲開發活躍,從台北電玩展到各地 Game Jam,測試玩家與開發人才都不難找。這兩張牌對雲端遊戲與 VR 串流都是天生優勢,加上台灣玩家付費意願高、對新形態遊戲體驗接受度強,願意做在地優化的團隊,面對的是一個回報率很好的市場。</p><p>但不少團隊選基礎設施時犯同一個錯:打開海外雲的價目表比較 GPU 型號與時租,卻忘了把地理放進延遲帳本。數字很直白:台灣到東京 RTT 約 32 到 45 毫秒、到新加坡約 45 到 60 毫秒、到美國西岸約 110 到 150 毫秒。對照前面的帳本,光「跨海」這一個決定就花掉 100 毫秒預算的三到五成,之後每個環節都得勒緊褲帶;反過來,把 GPU 放進台灣在地機房,RTT 科目從 40 毫秒變 8 毫秒,白撿 30 幾毫秒,等於整個系統免費升級一輪。評估<a href='https://www.nss.com.tw/gpu/'>台灣在地的 GPU 主機方案</a>時,建議把「機房到主要玩家群的實測 RTT」列為第一個問題,規格表反而可以晚點再看。</p><p>一個實際案例:台北一個 12 人的獨立遊戲團隊,去年為了線上遊戲展檔期推出雲端試玩——玩家點開網頁就能直接玩 15 分鐘,免下載免安裝。他們做的是節奏明快的動作遊戲,內部把規格訂死:台灣玩家 click-to-photon 中位數必須低於 50 毫秒,否則手感盡失,試玩反而扣分。團隊先用東京區域的雲端 GPU 實例做原型,實測台灣玩家總延遲中位數約 92 毫秒,參數怎麼調都降不進 70;改租台灣在地機房的 RTX 等級 GPU 主機後,同一套軟體堆疊實測中位數 48 毫秒,一次達標。成本同樣有感:活動檔期兩個月,租 6 張卡、以 vGPU 每卡切 3 條 1080p 串流,同時容納 18 位玩家,總支出約 NT$25 萬;若自購同級硬體得一次投入超過 NT$120 萬,活動結束設備還會閒置。附帶一提,台灣工業電價每度約 NT$3 到 4 元、夏季更貴,自建機房的電費與空調成本常被低估,租用方案把這些全包進月費,對短期專案友善許多。</p><h2>找台灣在地的 GPU 主機夥伴</h2><p>延遲這門生意,說到底是地理與工程的乘積:算力可以用錢加購,光速沒得談判。如果你的玩家在台灣,GPU 就應該在台灣。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種規格,機器就放在台灣機房,天生把 RTT 壓到個位數毫秒;月租 NT$15,000 元起,可短租、可隨活動檔期彈性擴充,搭配 7×24 中文技術支援,從串流架構、NVENC 編碼參數到頻寬調校,都有工程師能用中文直接對話。想讓你的雲端試玩、遊戲伺服器或 VR 專案把延遲壓到玩家無感,歡迎到 <a href='https://www.nss.com.tw/gpu'>https://www.nss.com.tw/gpu</a> 了解方案,加 LINE 帳號 @119m 聊聊需求,或撥免費專線 0800-003-191,讓在地團隊陪你一起把每一毫秒省回來。</p>

<figure class="wp-block-image size-full"><img title="戰國策集團雲端遊戲與 VR 串流背後的 GPU 架構:延遲怎麼壓到人類無感?" src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-14-points-20260714.jpg" alt="雲端遊戲與 VR 串流背後的 GPU 架構:延遲怎麼壓到人類無感?" loading="lazy"/><figcaption>▲ 把延遲壓到人類無感的三招</figcaption></figure>
<h2>常見問題 FAQ</h2><h3>雲端遊戲跟一般線上遊戲的延遲有什麼不同?</h3><p>一般線上遊戲的畫面在本機算,網路只傳同步資料,延遲主要影響對戰判定;雲端遊戲連畫面都在雲端算,從按鍵、算圖、編碼到回傳全部走網路,總延遲要壓在 100 毫秒內、理想 50 毫秒以下才有好手感,對網路品質的敏感度高出一個量級。</p><h3>延遲要多低,玩家才真的感覺不出來?</h3><p>實務門檻大致是:總延遲 100 毫秒內可順暢遊玩,70 毫秒以下多數人不易察覺,50 毫秒以下幾乎與本機無異。格鬥、節奏音樂類對延遲最敏感,建議以 50 毫秒為目標;回合制與策略類寬鬆許多,120 毫秒內通常仍可接受。</p><h3>VR 為什麼要求 20 毫秒?超過會怎樣?</h3><p>內耳前庭系統感知頭部轉動幾乎零延遲,若眼前畫面落後體感超過約 20 毫秒,視覺與平衡訊號打架,就會出現冒冷汗、暈眩、噁心等動暈症狀。因此 VR 串流除了壓低網路延遲,還要靠 90 到 120Hz 高更新率與時間扭曲重投影技術補救。</p><h3>NVENC 是什麼?跟用 CPU 壓縮影片差在哪?</h3><p>NVENC 是 NVIDIA GPU 內建的專用編碼電路,獨立於算圖核心,支援 H.264、HEVC 與 AV1,壓一張 1080p 畫面約 1 到 5 毫秒,且幾乎不吃遊戲效能;CPU 軟體編碼要達到同樣畫質往往需要數十毫秒,還會佔用遊戲本身的運算資源,因此即時串流服務幾乎一律採用硬體編碼,讓 CPU 專心處理遊戲邏輯與網路封包。</p><h3>台灣玩家連海外伺服器,延遲大概多少?</h3><p>概略實測值:台灣到東京網路來回約 32 到 45 毫秒,到新加坡約 45 到 60 毫秒,到美國西岸約 110 到 150 毫秒。這還只是 RTT 一個科目,加上算圖、編碼、解碼之後,跨海方案很難把總延遲壓進 50 毫秒,想做好體驗幾乎必須在地部署。</p><h3>vGPU 和 MIG 有什麼差別?該怎麼選?</h3><p>vGPU 是軟體層虛擬化,把一張卡分時共享給多個虛擬機,密度與彈性高;MIG 是 H100、A100 等資料中心卡的硬體切分,最多切成 7 個實例,算力與記憶體物理隔離。追求串流密度與成本攤提用 vGPU,重視隔離與服務品質保證則選 MIG。</p><h3>做雲端試玩串流,需要什麼等級的 GPU?</h3><p>單條 1080p60 串流用 RTX 4000 系列等級即可,一張卡搭 vGPU 常可同時服務 2 到 4 條;要上 4K 或 120fps 則建議單卡專屬,避免多條串流互搶資源。選卡重點是新版 NVENC:支援 AV1 編碼的卡在同樣畫質下,可比 H.264 節省約 30 到 40% 頻寬,對行動網路玩家的畫質與流暢度影響非常明顯。</p><h3>自建 GPU 伺服器跟租用,哪個划算?</h3><p>短期活動或需求未明時租用明顯划算:台灣在地 GPU 主機月租約 NT$15,000 起,用多久付多久,不必養硬體與維運人力;自建一台高階 RTX 伺服器動輒 NT$20 到 40 萬,還要加上機房空間、頻寬與每度約 NT$3 到 4 元的電費。一般把 18 到 24 個月的使用期當作損益平衡參考點。</p><h3>5G 對雲端遊戲有幫助嗎?</h3><p>有,但它只解決無線最後一哩:5G 空中介面延遲可壓到 10 毫秒上下,比 4G 的 30 到 50 毫秒好很多。不過骨幹網路的距離延遲不會因 5G 消失,伺服器若在海外,總延遲照樣破 100 毫秒;5G 要搭配在地邊緣機房,價值才會真正兌現。</p><h3>一張 GPU 可以同時服務幾位玩家?</h3><p>看畫質與卡的等級:1080p60 串流下,高階 RTX 卡配 vGPU 常見切 2 到 4 條,資料中心卡用 MIG 最多切 7 個隔離實例。密度越高單位成本越低,但建議保留 20 到 30% 的效能餘裕吸收負載尖峰,否則玩家一多就開始排隊,體驗變差的代價會把省下的成本整個吃回去,得不償失。</p>"
                  ["post_title"]=>
                  string(77) "雲端遊戲與 VR 串流背後的 GPU 架構:延遲怎麼壓到人類無感?"
                  ["post_excerpt"]=>
                  string(0) ""
                  ["post_status"]=>
                  string(7) "publish"
                  ["comment_status"]=>
                  string(6) "closed"
                  ["ping_status"]=>
                  string(6) "closed"
                  ["post_password"]=>
                  string(0) ""
                  ["post_name"]=>
                  string(19) "cloud-gaming-vr-gpu"
                  ["to_ping"]=>
                  string(0) ""
                  ["pinged"]=>
                  string(0) ""
                  ["post_modified"]=>
                  string(19) "2026-07-14 11:10:45"
                  ["post_modified_gmt"]=>
                  string(19) "2026-07-14 03:10:45"
                  ["post_content_filtered"]=>
                  string(0) ""
                  ["post_parent"]=>
                  int(0)
                  ["guid"]=>
                  string(42) "https://www.nss.com.tw/cloud-gaming-vr-gpu"
                  ["menu_order"]=>
                  int(0)
                  ["post_type"]=>
                  string(4) "post"
                  ["post_mime_type"]=>
                  string(0) ""
                  ["comment_count"]=>
                  string(1) "0"
                  ["filter"]=>
                  string(3) "raw"
                }
                [11]=>
                object(WP_Post)#36594 (24) {
                  ["ID"]=>
                  int(125220)
                  ["post_author"]=>
                  string(1) "0"
                  ["post_date"]=>
                  string(19) "2026-07-14 10:16:03"
                  ["post_date_gmt"]=>
                  string(19) "2026-07-14 02:16:03"
                  ["post_content"]=>
                  string(18144) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:大學實驗室做 AI 研究,GPU 應該自購還是租用?</p><p style="margin:0">關鍵看利用率:若 GPU 長期利用率能維持 70% 以上,自購攤提三到五年通常較省;若需求集中在計畫衝刺期、時有時無,租用免前期資本支出、可列經常門核銷,總成本反而更低。以四卡伺服器約 NT$200 萬的規模試算,利用率僅三到四成時,改採租用或小自購加租用的混合模式,三年可省下數十萬元,還能在衝刺期租到 80GB 的 H100 跑大模型微調。建議先以過去 12 個月的實際使用紀錄算出利用率再決策。</p></div>
<p>七月的核定通知寄到信箱,北部某大學資工系的教授盯著清單上的設備費額度,心裡盤算的不是要買哪一張卡,而是三年後這台機器還值多少錢、學生畢業後誰來管它。這幾乎是每一位投入 AI 研究的計畫主持人都躲不掉的課題:算力要用買的,還是用租的?這個問題沒有放諸四海皆準的答案,卻有一套清楚的計算框架——VRAM 需求、利用率、電費、折舊、經費科目,一項一項攤開來算,答案自然會浮現。本文以資深顧問的視角把這筆帳完整算一遍,並附上一份三年總持有成本(TCO)試算,供大專院校科學研究團隊在編列與執行計畫經費時參考。</p><h2>AI 研究要多少算力?先看 VRAM,再談卡數</h2><p>許多採購決策的第一個錯誤,是把算力簡化成卡的張數或每秒浮點運算次數。對 AI 研究而言,第一道門檻其實是 VRAM:它決定模型「放不放得進去」,算力才決定「跑得快不快」。訓練與推論的記憶體需求天差地遠——推論只需容納模型權重與少量啟動值,訓練卻要同時保存權重、梯度與最佳化器狀態,記憶體需求往往是推論的三到四倍以上。不少實驗室買卡時只算了推論的帳,開訓第一天就爆記憶體,這種故事每年都在校園裡上演。</p><p>具體門檻可以抓幾個錨點:7B 參數等級的語言模型,若採用 LoRA、QLoRA 這類參數高效微調方法,單張 24GB 的 RTX 4090 就能動工;13B 模型搭配 4-bit 量化也勉強可行,只是批次大小與序列長度會被壓縮。一旦要做全參數微調,7B 模型就需要 80GB 等級的 H100 或 A100,13B 以上動輒兩卡、四卡起跳,還得靠 NVLink 或高速網路把多卡串成一體。視覺大模型與擴散模型同理:研究原型可以在 24GB 上跑小解析度實驗,要重現論文等級的完整訓練排程,80GB 與多卡幾乎是標配。</p><p>換句話說,一間實驗室的算力需求天生是「兩層結構」:日常開發、除錯、小規模消融實驗,吃的是 24GB 級的卡;衝刺期的完整訓練與大模型微調,吃的是 80GB 級的多卡資源。把兩層需求硬塞進同一筆採購,正是經費浪費最常見的源頭。此外別忘了儲存與資料管線:大型資料集動輒數 TB,訓練節點與儲存之間的頻寬,常比多買一張卡更影響整體效率。至於多卡平行與分散式訓練背後的原理與規劃方法,可以參考這篇 <a href='https://www.nss.com.tw/hpc-gpu-computing-guide'>HPC 高效能運算入門指南</a>。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-13-data-20260714.jpg" alt="大專院校 AI 研究算力怎麼解?自購 vs 租用 GPU 的經費效益分析" loading="lazy"/><figcaption>▲ 長期滿載自購較省;衝刺型需求租用免前期資本支出</figcaption></figure>
<h2>自購的真實成本:發票金額只是頭期款</h2><p>自購的帳,遠不止硬體報價單上的數字。一台 4 卡伺服器從下單那一刻起,至少還有五筆成本默默起跳。</p><ul><li><strong>電力與散熱</strong>:4 卡伺服器滿載功耗約 2.5 到 3kW,加上空調負擔,實際耗電接近功耗的 1.5 到 1.8 倍。以台灣工業電價每度約 NT$3 到 4 元計、夏季費率更高,一台機器以五成負載全年運轉,電費加空調一年約 NT$6 萬到 8 萬。</li><li><strong>機房條件</strong>:穩定供電、UPS、獨立空調與門禁缺一不可。許多系所機房由舊教室改建,夏季冷房能力不足,GPU 過熱降頻甚至跳機時有所聞,停機維修期間研究進度直接歸零。</li><li><strong>維運人力</strong>:驅動與框架更新、排程管理、故障排除,多半落在博士生肩上;學生畢業、交接斷層,是實驗室機器「越用越慢、越修越怕」的常見原因。</li><li><strong>採購時程</strong>:大專院校設備採購要走規格書、招標、交機、驗收流程,從送件到真正開機常需 3 到 6 個月,對執行期只有 12 個月的年度計畫是不小的時間成本。</li><li><strong>折舊與過時</strong>:會計上設備多以 3 到 5 年攤提,但 GPU 世代約 18 到 24 個月更新一輪,新卡的 VRAM 容量與每瓦效能經常大幅躍進,三年前的旗艦卡可能連新一代模型的最低門檻都搆不著。</li></ul><p>這幾筆成本加總,三年常達硬體價格的兩到三成。保固也要留意:伺服器原廠保固常為 3 年,第 4、5 年的維修與零件成本自理,風險正好落在攤提後段。更關鍵的是風險不對稱:設備買定離手,規格就此凍結,而你的研究題目、模型規模與經費結構都還會變。</p><h2>租用的價值:把資本支出變成可調節的水龍頭</h2><p>租用的邏輯正好相反:免前期資本支出,月付即用;規格隨計畫階段調整,這個月用單卡主機開發,下個月訓練衝刺換成多卡 H100,結案就退租;電力、散熱、頻寬與硬體維運通常包含在月費內,實驗室不必自建機房,也不必指派專人顧機器。另一個常被低估的好處是「世代跟隨」:供應商會持續汰換機隊,租用者永遠用得到相對新的卡,不必背著三年前的規格做今年的題目。</p><p>對三種需求型態,租用幾乎是壓倒性划算:尖峰型,投稿前三個月火力全開、其餘時間閒置;短期型,一次性的模型重現、資料前處理或期末評測;計畫型,經費有明確起訖日,結案後不想留下資產與列管負擔。像 <a href='https://www.nss.com.tw/gpu/'>戰國策 GPU 主機租用方案</a> 這類台灣在地服務,從單卡入門機到多卡 H100 都能按月承租,對學研單位的核銷流程也相對友善。</p><p>租用的弱點同樣要攤開講:如果機器一年到頭滿載運轉,三年租金累積起來很可能超過買斷價。所以真正該問的不是「租與買哪個好」,而是「你的利用率到底是多少」。</p><h2>決策分水嶺:利用率 70% 是那條線</h2><p>把數字攤開最有感。假設一台約 NT$200 萬的 4 卡伺服器以 4 年攤提,每年折舊 NT$50 萬,加上電費約 NT$7 萬、維運雜支約 NT$6 萬,一年固定成本約 NT$63 萬,不管有沒有在用都照走。同級規格的租用月費若為 NT$9 萬,租滿 7 個月就與自購年成本打平,換算利用率約六成;再把資金成本、殘值與長租折扣一併納入,交叉點通常落在利用率 70% 到 80% 之間。長期站在這條線之上,自購的每小時算力成本較低;若使用型態是衝刺兩個月、閒置四個月,平均利用率掉到三、四成,租用會明顯便宜,因為閒置的月份一毛錢都不用付。</p><p>要誠實面對的正是利用率。多數實驗室都高估自己的使用強度:課程週期、審查週期、寒暑假與學生畢業潮,都會讓機器空轉。建議把過去 12 個月的 nvidia-smi 紀錄或排程系統報表撈出來實算一次;不少院級算力中心公布的使用率報表也顯示,「感覺一直在用」與「實際佔用」之間常有兩三成的落差。</p><p>若利用率不上不下,卡在五到六成,還有一個中間解:多實驗室合購分攤。帳面利用率確實拉得高,但排程衝突、優先權與維運責任的分攤,往往比想像中難談;真要走這條路,建議一開始就白紙黑字訂好使用規範與費用分攤辦法,否則省下的錢會用人情償還。</p><table><tr><th>比較項目</th><th>自購 GPU 伺服器</th><th>租用 GPU 主機</th></tr><tr><td>前期成本</td><td>數十萬到數百萬元資本支出</td><td>趨近於零,月付制</td></tr><tr><td>經費科目</td><td>多列資本門,需財產列管</td><td>多可列經常門,核銷較彈性</td></tr><tr><td>擴充彈性</td><td>規格買定離手,擴充需重新採購</td><td>可隨計畫階段升降規格</td></tr><tr><td>維運負擔</td><td>電力、散熱、人力全數自理</td><td>多由供應商含在月費內</td></tr><tr><td>折舊與過時</td><td>3 到 5 年攤提,過時風險自負</td><td>無折舊,可隨時換用新世代卡</td></tr><tr><td>適用情境</td><td>長期利用率 70% 以上的穩定負載</td><td>尖峰、短期、計畫型需求</td></tr></table><h2>台灣學研經費的眉角:資本門、經常門與國網中心</h2><p>在台灣,國科會(NSTC)研究計畫經費分為資本門與經常門兩個口袋,中間隔著一道不容易跨越的牆。自購 GPU 伺服器屬於大型設備,多列在資本門:申請階段就要寫入設備清單、金額經審查核定,購入後納入學校財產列管,移轉與報廢都有程序要走。萬一執行到一半才發現規格買錯或需求改變,追加與變更曠日廢時,經常緩不濟急。</p><p>租用服務則多可列在經常門(業務費)項下,比照雲端資源使用費、資訊服務費按月或按期核銷,計畫中途調整規模的彈性大得多;對設備費被核刪、或經費結構偏經常門的大專院校科學研究計畫而言,租用往往是唯一能即時取得算力的路徑。另外提醒:多數學校對計畫經費收取管理費,資本門設備在計畫結束後歸屬學校財產;若實驗室空間本就吃緊,再擺進一台滿載近三千瓦的發熱設備,電力與空調改造費也得先評估。</p><p>還有一條路是國網中心(NCHC)的補助型運算資源:對學研計畫收費遠低於市價,台灣杉等系統也提供大規模 GPU 算力,但採申請審查制,從送件到核配需要時間,熱門 GPU 資源在計畫季常要排隊。務實的組合是把國網當基載、商用租用當尖峰調節,兩邊並用、互補短長。生醫領域如何用這套組合支撐基因體與蛋白質結構運算,可延伸閱讀 <a href='https://www.nss.com.tw/life-science-gpu-computing'>生命科學 GPU 運算實務</a>。</p><h2>案例試算:一筆三年期計畫的 TCO 決策</h2><p>回到開頭那位教授。他主持的自然語言處理實驗室在 2025 年拿到一筆三年期計畫,可投入算力的總預算約 NT$300 萬,眼前兩個方案:方案 A 全自購,採購一台 4 卡 48GB 等級的 GPU 伺服器,報價約 NT$200 萬,系辦提醒他招標加交期至少 12 週;方案 B 混合配置,先自購一台約 NT$35 萬的雙卡 24GB 工作站,供日常開發與 LoRA 微調,訓練衝刺期再承租多卡 H100 主機。</p><p>試算假設如下:工業電價以每度 NT$3.5 元計、空調加成 1.6 倍;方案 A 伺服器滿載約 3kW;H100 等級租用主機每月 NT$8 萬到 10 萬,每年衝刺約 5 個月。最關鍵的變數是利用率:實驗室把過去兩年的排程紀錄撈出來,平均利用率只有約 35%,尖峰全數集中在兩次投稿截止前的三個月。</p><table><tr><th>成本項目</th><th>方案 A:全自購 4 卡</th><th>方案 B:小自購加租用</th></tr><tr><td>前期資本支出</td><td>約 NT$200 萬</td><td>約 NT$35 萬</td></tr><tr><td>三年電費與空調</td><td>約 NT$15 萬到 20 萬</td><td>約 NT$5 萬</td></tr><tr><td>三年維運人力</td><td>約 NT$15 萬到 20 萬</td><td>趨近於零,租用含維運</td></tr><tr><td>三年租用支出</td><td>0</td><td>約 NT$120 萬到 150 萬</td></tr><tr><td>三年總成本</td><td>約 NT$230 萬到 240 萬</td><td>約 NT$160 萬到 190 萬</td></tr><tr><td>尖峰算力上限</td><td>固定 4 卡 48GB</td><td>可承租 8 卡 H100 80GB</td></tr></table><p>在 35% 的真實利用率下,方案 B 三年省下約 NT$50 萬到 70 萬,而且衝刺期能租到 80GB 的 H100 執行全參數微調——這是方案 A 的 48GB 卡做不到的事。省下來的錢,教授加聘了一名專任助理,論文產出反而更快。反過來說,如果這是一間常年跑滿的服務型算力中心,利用率穩定站上 80%,同一張試算表就會反轉,自購攤提到第三年開始回本。數字不會騙人,前提是誠實輸入自己的利用率、電價與折舊假設。</p><p>還要提醒一件事:這張表不是簽了就永遠有效。試算結果對「每年承租月數」相當敏感——若衝刺期從 5 個月拉長到 7、8 個月,兩個方案的成本曲線就會開始交叉,屆時應重啟自購評估;反之,若計畫中途追加了 80GB 以上的模型需求,自購方案得整台換新,租用只需要改一張訂單。把 TCO 表當成活文件,每年隨電價、卡價與研究路線滾動更新,才能真正把經費效益握在手上。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-13-points-20260714.jpg" alt="大專院校 AI 研究算力怎麼解?自購 vs 租用 GPU 的經費效益分析" loading="lazy"/><figcaption>▲ 自購 vs 租用的經費效益</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2><p>把利用率與經費科目算清楚之後,若答案指向租用或混合配置,下一步就是找一個懂學研生態的供應商。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種規格,台灣機房在地服務,延遲低、研究資料不出境,月租 NT$15,000 元起,並提供 7×24 中文技術支援,從計畫申請階段的規格建議、TCO 試算到核銷單據都能配合學研流程。歡迎造訪 <a href='https://www.nss.com.tw/gpu'>https://www.nss.com.tw/gpu</a>,或加入 LINE 帳號 @119m、撥打免費專線 0800-003-191,讓顧問陪你把三年的算力帳一次算清楚。</p>

<h2>常見問題 FAQ</h2><h3>用 LoRA 微調大型語言模型,24GB 的顯示卡夠嗎?</h3><p>多數場景夠用。7B 參數模型以 LoRA 或 QLoRA 微調,單張 24GB 的 RTX 4090 即可執行;13B 模型搭配 4-bit 量化也能進行,但批次大小與序列長度會受限。若目標是全參數微調或 13B 以上模型的完整訓練,建議直接規劃 80GB 等級的 H100 或多卡方案,省下反覆碰壁的時間。</p><h3>全參數微調一個 7B 模型,需要什麼等級的 GPU?</h3><p>全參數微調要同時保存權重、梯度與最佳化器狀態,記憶體需求約為推論的 3 到 4 倍,實務上 7B 模型需要 80GB 等級的 H100 或 A100,並常搭配記憶體分攤技術;13B 以上通常 2 到 4 卡起跳。預算有限時,先用參數高效微調驗證研究想法,確認方向再投入多卡資源最划算。</p><h3>自購一台 4 卡 GPU 伺服器,每年隱藏成本大約多少?</h3><p>以滿載功耗約 3kW、台灣工業電價每度 NT$3 到 4 元、空調加成 1.5 到 1.8 倍估算,五成負載下一年電費約 NT$6 萬到 8 萬;再加上維運人力與備品零件,一年隱藏成本常落在 NT$10 萬到 15 萬。三年累積可達硬體價格的兩到三成,編列計畫預算時務必一併計入。</p><h3>GPU 設備的折舊年限應該抓幾年?</h3><p>會計攤提多採 3 到 5 年,但 GPU 的技術壽命更短:產品世代約 18 到 24 個月更新一輪,新卡的 VRAM 容量與每瓦效能經常大幅躍進。務實建議以 3 年作為決策基準,三年後殘值常只剩兩到三成;若研究題目變動快,應把過時風險折算進總持有成本,或改用租用來迴避。</p><h3>利用率要多高,自購 GPU 才划算?</h3><p>經驗法則是長期平均利用率站上 70% 到 80% 再考慮自購。自購的折舊、電費與維運屬固定支出,機器閒置成本照走;租用則用多少付多少。建議先撈過去 12 個月的排程或 nvidia-smi 紀錄實際計算,多數實驗室的真實利用率僅 30% 到 50%,比自我感覺低得多。</p><h3>國科會計畫經費可以核銷 GPU 租用費用嗎?</h3><p>多數情況可以。GPU 租用屬服務性支出,通常列在經常門(業務費)項下核銷,比照雲端資源使用費處理,不需財產列管;自購設備一般以單價 NT$1 萬元以上、使用年限 2 年以上者列資本門,要事先編列、經審查核定並納入財產列管。各校主計室認定略有差異,建議編列前先確認一次。</p><h3>國網中心的算力資源便宜,為什麼還要租商用主機?</h3><p>國網中心對學研計畫的補助費率確實遠低於市價,但採申請審查制,從送件到核配常需數週,熱門 GPU 資源在計畫季還要排隊。務實作法是雙軌並行:可預期的長期工作放國網,投稿截止前 1 到 3 個月的衝刺改用商用租用即開即用,避免研究死線卡在排隊上。</p><h3>4 張 RTX 4090 和 1 張 H100,研究用途該怎麼選?</h3><p>先看模型放不放得進單卡。RTX 4090 單卡 24GB,四張合計 96GB,但跨卡頻寬遠低於 H100 的 NVLink,大模型全參數訓練效率吃虧;H100 單卡 80GB,能直接容納 7B 級全參數微調。要平行跑多個小模型實驗選多張 4090,要訓練大模型選 H100,兩種需求都有就考慮租用彈性切換。</p><h3>研究資料放在租用的 GPU 主機上,安全與法規可行嗎?</h3><p>選擇台灣在地機房可大幅降低疑慮:資料不出境,較能符合計畫與研究倫理審查對敏感資料的要求,連線延遲也僅數毫秒。簽約時確認四件事:資料落地位置、備份與銷毀機制、是否為獨享主機、存取紀錄能否留存 1 年以上;涉及個資時再加上傳輸與靜態加密。</p><h3>租用 GPU 主機每個月大概要多少錢?</h3><p>台灣市場的入門級 GPU 主機月租約 NT$15,000 元起,適合開發與推論;48GB 等級專業卡主機約數萬元;多卡 H100 等級依規格與租期,每月約 NT$8 萬到數十萬元。多數供應商租期越長單價越低,計畫型需求可用 3 到 6 個月的短租控制總支出。</p>"
                  ["post_title"]=>
                  string(80) "大專院校 AI 研究算力怎麼解?自購 vs 租用 GPU 的經費效益分析"
                  ["post_excerpt"]=>
                  string(0) ""
                  ["post_status"]=>
                  string(7) "publish"
                  ["comment_status"]=>
                  string(6) "closed"
                  ["ping_status"]=>
                  string(6) "closed"
                  ["post_password"]=>
                  string(0) ""
                  ["post_name"]=>
                  string(26) "university-ai-research-gpu"
                  ["to_ping"]=>
                  string(0) ""
                  ["pinged"]=>
                  string(0) ""
                  ["post_modified"]=>
                  string(19) "2026-07-14 10:55:11"
                  ["post_modified_gmt"]=>
                  string(19) "2026-07-14 02:55:11"
                  ["post_content_filtered"]=>
                  string(0) ""
                  ["post_parent"]=>
                  int(0)
                  ["guid"]=>
                  string(49) "https://www.nss.com.tw/university-ai-research-gpu"
                  ["menu_order"]=>
                  int(0)
                  ["post_type"]=>
                  string(4) "post"
                  ["post_mime_type"]=>
                  string(0) ""
                  ["comment_count"]=>
                  string(1) "0"
                  ["filter"]=>
                  string(3) "raw"
                }
              }
              ["post_count"]=>
              int(12)
              ["current_post"]=>
              int(-1)
              ["before_loop"]=>
              bool(true)
              ["in_the_loop"]=>
              bool(false)
              ["post"]=>
              object(WP_Post)#36597 (24) {
                ["ID"]=>
                int(125232)
                ["post_author"]=>
                string(1) "0"
                ["post_date"]=>
                string(19) "2026-07-14 10:21:11"
                ["post_date_gmt"]=>
                string(19) "2026-07-14 02:21:11"
                ["post_content"]=>
                string(16299) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:AI 模型訓練和推理的 GPU 需求差在哪裡?</p><p style="margin:0">訓練要同時保存權重、梯度、優化器狀態與激活值,顯存約權重的 8-10 倍:7B 全參數訓練要 110-140GB,還吃多卡互連,是 H100 的主場。推理只需權重加 KV cache:同個 7B 模型 FP16 只要 14-16GB,一張 RTX 4090 可服務,INT4 量化再省一半。搞混兩者最浪費預算。</p></div>
<p>「我們要導入 AI,該租什麼 GPU?」這個問題沒辦法直接回答,因為它少了一個關鍵前提:你要跑的是訓練,還是推理?這兩種工作負載對硬體的要求差異之大,大到同一筆預算可能差出十倍的效果。把推理的需求拿去租訓練級的 8 卡 H100,是把錢丟進水裡;拿一張消費卡硬跑全參數訓練,是把時間丟進水裡。這篇文章把兩種負載的本質差異、顯存計算方式、硬體選型邏輯一次講清楚,最後給出讓同一批 GPU 發揮兩倍價值的混合策略。不需要 ML 背景,看得懂乘法就能跟著算完每一筆帳。</p>

<h2>本質差異:一個在學習,一個在服務</h2>
<p>訓練是讓模型「學會」:資料前向傳播算出預測,跟標準答案比對出誤差,再反向傳播計算每個參數的梯度,由優化器更新權重——這個迴圈重複數萬到數百萬步。推理是讓模型「工作」:只有前向傳播,權重完全不動,吃進 prompt、吐出 token,一次一步。</p>
<p>這個差異決定了一切。訓練是吞吐導向的批次作業:在乎「多久跑完一輪」,可以中斷續跑,對延遲無感,但要為梯度與優化器狀態付出巨額顯存,多卡之間還要頻繁同步。推理是延遲導向的線上服務:在乎「使用者等多久」,全年無休不能斷,顯存需求小得多,但要面對併發起伏與尖峰。用一句話記:訓練買的是算力與互連,推理買的是顯存容量與穩定服務。</p>
<p>營運節奏的差異同樣關鍵:訓練是「專案」,有開始有結束,排程可以彈性挪動,失敗的代價是重跑;推理是「營運」,有 SLA、有使用者體驗、半夜掛掉要有人爬起來處理,失敗的代價是商譽。這決定了兩者連租賃形態都不同——訓練適合短租衝刺,用完即退;推理適合長租加備援設計。把這兩種節奏塞進同一台機器、同一張預算表,就是多數 GPU 規劃失敗的起點。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-24-data-20260714.jpg" alt="AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯" loading="lazy"/><figcaption>▲ 7B 全參數訓練 110-140GB;推理 FP16 只要 14-16GB</figcaption></figure>
<h2>顯存帳怎麼算:8-10 倍的差距從哪來</h2>
<p>同一個 7B 模型,為什麼訓練要 110-140GB、推理只要 14-16GB?把顯存內容攤開就懂。訓練時,卡上要同時放四樣:FP16 權重(每參數 2 bytes,7B 約 14GB)、梯度(再 2 bytes)、AdamW 優化器狀態(FP32 動量與變異數,8 bytes,約 56GB)、外加隨 batch 與序列長度成長的激活值。合計每參數約 16-20 bytes,是純權重的 8-10 倍。</p>
<p>推理時,卡上只有 FP16 權重(14GB)加 KV cache(隨併發與 context 成長,單人使用約 1-2GB)。而且推理還有訓練沒有的省錢大招:INT4 量化把權重壓到四分之一,7B 從 14GB 縮到 5-6GB,品質損失多在 1-3% 內。這就是為什麼 LoRA 這類參數高效微調這麼受歡迎——它凍結原模型、只訓練低秩適配層,把「訓練帳」的梯度與優化器項目縮到趨近推理等級,7B 的 LoRA 訓練只要 18-24GB,詳細做法見 <a href="https://www.nss.com.tw/llm-finetuning-lora-gpu">LLM 微調實戰</a>。</p>
<p>推理端還有一個跟訓練相反的槓桿:批次。訓練的 batch 是為了學習效率,推理的 batching 則是把多個使用者的請求交錯塞進同一次運算,GPU 使用率從 20-30% 拉到 80% 以上,單卡吞吐翻好幾倍——代價是個別請求的延遲略升。這也是為什麼生產環境一定要用支援 continuous batching 的推論引擎:同樣的硬體、同樣的模型,服務容量差 5-10 倍,等於直接把月租除以五。</p>
<p>拿 7B 走一遍完整算式,你就再也不會忘記這個差距:權重 7B 參數乘 2 bytes 等於 14GB;訓練再加梯度 14GB、優化器狀態 56GB、激活值 10-50GB(隨 batch 與序列長度),合計 94-134GB。推理則是 14GB 權重加 KV cache——單人對話 1-2GB、20 路併發 10-20GB,合計 15-35GB。同一個模型,兩張預算表差出一個數量級;而且推理還能用 INT4 把權重壓到 5-6GB,訓練卻必須維持高精度,差距進一步拉大。</p>

<h2>硬體選型:兩種負載看的規格完全不同</h2>
<p>訓練機的三個關鍵規格:HBM 顯存頻寬(反向傳播是頻寬飢渴型運算)、卡間互連(NVLink 900GB/s 對上 PCIe 的 64GB/s,多卡訓練差距立現)、以及 ECC 記憶體與散熱穩定性(一輪訓練跑七天,第六天當機等於重來)。這些正是 H100 這類資料中心卡貴的理由,錢花在你看不到但訓練跑不掉的地方。</p>
<p>推理機的邏輯不同:單卡顯存容量決定放得下多大的模型,每 token 成本決定毛利,而消費級的 RTX 4090 在這兩項的性價比極高——這也是它成為推理神卡的原因。多卡互連對推理重要性低(除非模型大到必須跨卡切分),反而是多開副本做負載均衡更實際。一個常見的錯誤採購:為了「以後可能要訓練」而全上 H100,結果 90% 的時間在跑 7B 推理,單位成本是 4090 方案的三四倍。</p>
<p>那推理什麼時候輪到 H100?三種情況:模型大到單卡裝不下且要 FP16 品質(70B 以上)、長 context 場景讓 KV cache 動輒數十 GB、或高併發對外服務需要單點高吞吐。多卡策略也跟訓練相反:訓練的多卡是「合力算一件事」,要 NVLink 緊耦合;推理的多卡多數時候是「各自服務、負載均衡」,兩台單卡主機常常比一台雙卡主機更好用——還順便有了備援。</p>
<p>穩定性的要求也值得一提:訓練跑七天,中途壞卡靠檢查點續命;推理是全年無休,看的是故障率與換修速度。租用方案在這裡有隱形價值——硬體故障是主機商的問題,備品與換機時間寫在合約裡,比自購機器壞了現找料件安心得多。</p>
<p>功耗與散熱同樣是選型的一部分:一張 4090 滿載約 450W,8 卡 H100 主機整機動輒上萬瓦,電力與空調是機房等級的需求,這也是「把訓練機放辦公室角落」幾乎都以跳電或過熱降頻收場的原因。租用台灣機房的主機,電費、散熱、UPS、消防都包在月租裡;把這些隱形成本攤回自建方案上比較,帳面月租其實比看起來便宜。</p>

<h2>對照表:同一個模型,兩種負載的配置</h2>
<table>
<thead><tr><th>模型規模</th><th>全參數訓練</th><th>LoRA 微調</th><th>FP16 推理</th><th>INT4 推理</th></tr></thead>
<tbody>
<tr><td>7B</td><td>110-140GB,2×H100</td><td>18-24GB,1×4090</td><td>14-16GB,1×4090</td><td>5-6GB,入門卡可跑</td></tr>
<tr><td>32B</td><td>500GB 上下,8×H100</td><td>75-95GB,2×H100</td><td>64-70GB,1×H100</td><td>18-20GB,1×4090</td></tr>
<tr><td>70B</td><td>700GB 以上,多節點</td><td>150-190GB,3×H100</td><td>140-150GB,2×H100</td><td>40-45GB,2×4090</td></tr>
</tbody>
</table>
<p>讀表的方式:橫著看是同一個模型從開發到上線的資源演變,直著看是你的預算能支撐的規模上限。多數企業的實際旅程是「租 H100 做一段時間的微調,上線後換成 4090 級推理機長期服務」——兩個階段、兩種規格、兩張報價單,合在一起才是專案的真實成本。</p>
<p>對照表也順便解釋了市場上一個常見的價格困惑:為什麼 H100 主機月租是 4090 的好幾倍,大家還是搶著租?因為它們根本不在同一個市場——H100 賣的是訓練與大模型推理的「能力」,4090 賣的是中小模型推理的「性價比」。拿 4090 的價格去砍 H100 的規格,或拿 H100 的規格去要求 4090 的價格,都是在浪費彼此的時間;先分清楚負載,報價單自然就看得懂了。</p>

<h2>台灣案例:電子廠把同一筆預算用出兩倍效果</h2>
<p>桃園一家電子組裝廠導入 AOI 瑕疵檢測的視覺模型加上產線知識問答的 LLM,最初的規劃是租一台 4×H100 主機包辦所有工作,月租七位數邊緣,財務直接退件。顧問重排後的架構:訓練需求(每月一次的瑕疵模型重訓、每季一次的 LLM 微調)改成短租 H100 主機,每次 3-5 天、月均成本約 NT$40,000-60,000;推理需求(產線 24 小時的即時檢測加辦公室的知識問答)交給兩台雙 4090 主機,月租合計約 NT$70,000。</p>
<p>結果是總月成本從原規劃砍掉超過一半,推理服務的 p95 延遲反而更好,因為推理機可以按產線位置就近部署、多副本分流。訓練短租的另一個好處是規格自由:下一季想試 32B 模型的微調,直接改租更大的配置,不用被自有硬體綁死。資料面也乾淨——檢測影像涉及客戶產品外觀,全程留在台灣機房,滿足客戶稽核的資料在地要求。</p>
<p>數字攤開更有說服力:原方案 4×H100 全年月租估 NT$180 萬年支出;新架構是訓練短租年約 NT$55-70 萬,加推理雙機年約 NT$84 萬,合計省下約四成,而且推理機的 p95 延遲從共用時代的不穩定,變成穩定壓在 0.8 秒內。財務長最買單的一句話是:「訓練的錢花在有訓練的月份,推理的錢才是固定成本。」預算結構跟著負載走,審預算的人也看得懂。</p>

<h2>混合策略:讓 GPU 不再有下班時間</h2>
<p>訓練與推理分開配置之後,還有一層進階玩法:時間分割。推理有明顯的日夜週期,辦公型應用晚上十點後使用率常掉到 10% 以下,這段時間正好拿來跑訓練:夜間排程啟動 LoRA 微調或資料處理,清晨完成後釋放顯存回到推理服務。一張 24GB 的卡,白天服務 10-20 路併發的問答,晚上跑 7B 的 QLoRA 迭代,等於一份月租買兩份產能。</p>
<p>落地這套策略的前提是服務層要俐落:推論引擎能快速卸載與重載模型、任務排程有優先權設計、監控能確認「早上八點推理服務一定回來」。這些工程細節在 <a href="https://www.nss.com.tw/ai-inference-api-hosting">AI 推論 API 自建教學</a> 有完整展開。原則只有一條:先分清楚你的每一個工作負載是訓練還是推理,再決定它該住在哪種 GPU 上、住多久。想清楚這題,GPU 預算的效率至少差一倍。</p>
<p>風險控管兩條底線要守住:混用的那張卡,推理服務的恢復要有自動檢核——訓練任務結束後服務沒起來就告警加自動重啟;訓練任務要設資源上限與最晚結束時間,寧可訓練慢一天,不要早上八點推理服務起不來。時間分割是省錢技巧,不是走鋼索,把保險機制寫好才有資格用。</p>
<p>把整篇的判斷濃縮成四個問題:這個負載是一次性專案還是長期服務?顯存需求是權重的十倍(訓練)還是一點多倍(推理)?它需要多卡緊耦合還是多副本分流?尖峰在白天還是可以排進夜間?四題答完,該租 H100 還是 4090、該短租還是長租、該一台還是兩台,答案基本上自動浮現。之後每次規劃卡關,回來把這四題重答一次,比翻任何規格表都快。</p>
<p>「先租後買」的節奏也順帶講清楚:前六個月用租的,把負載形狀量出來——尖峰、離峰、訓練頻率、顯存水位;若使用率長期在七成以上且規格已經穩定,再評估買斷或簽長約換折扣。反過來,負載還在變的階段就買硬體,等於把不確定性直接鎖進資產負債表,那是財務最不想看到的一種浪漫。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-24-points-20260714.jpg" alt="AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯" loading="lazy"/><figcaption>▲ 兩種工作負載的配置邏輯</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>訓練短租 H100、推理長租 RTX 系列,這種分離式配置需要主機商同時具備兩種產品線與彈性租期。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,訓練與推理可以分開租、隨階段調整。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問會依你的工作負載組合試算最省的架構。</p>

<h2>常見問題 FAQ</h2><h3>為什麼訓練需要的顯存是推理的近十倍?</h3><p>訓練時卡上同時放權重(FP16 每參數 2 bytes)、梯度(2 bytes)、AdamW 優化器狀態(8 bytes)與激活值,合計每參數 16-20 bytes;推理只要權重加 KV cache。7B 的對比就是 110-140GB 對 14-16GB,差距近十倍。</p><h3>RTX 4090 適合訓練還是推理?</h3><p>推理是它的主場:24GB 顯存能跑 7B FP16 或 32B INT4,每 token 成本遠低於資料中心卡。訓練方面,單卡跑 7B-14B 的 LoRA/QLoRA 沒問題,但缺 NVLink 與 ECC,多卡全參數訓練效率差、穩定性風險高,大型訓練還是交給 H100。</p><h3>H100 比 4090 貴好幾倍,貴在哪裡?</h3><p>貴在訓練需要的三樣東西:80GB HBM 高頻寬顯存(頻寬約 3.35TB/s,是 4090 GDDR6X 的 3 倍以上)、NVLink 900GB/s 卡間互連、以及 ECC 與資料中心級穩定性。若你的負載是中小模型推理,這些溢價用不到,選 RTX 系列性價比更高。</p><h3>推理的 KV cache 是什麼?會吃多少顯存?</h3><p>KV cache 是推理時暫存注意力鍵值的快取,讓模型不用重算前文,代價是顯存:依架構每路 4K token 約 0.5-2GB,與併發數、context 長度成正比。20 路併發、8K context 的服務,KV cache 可達 20-40GB,規劃時要在權重外預留 20-40% 空間。</p><h3>先租訓練機還是先租推理機?</h3><p>看專案階段。要微調自有模型:先短租訓練規格(如 H100,一次 3-7 天),模型定版後換長租推理規格(如 4090 主機月租 NT$15,000-25,000)服務使用者。直接用現成開源模型的話,跳過訓練段,從推理機開始,POC 兩週內就能上線。</p><h3>同一台主機可以白天推理、晚上訓練嗎?</h3><p>可以,而且是中小團隊最省錢的玩法。推理服務入夜後使用率常掉到 10% 以下,排程在深夜卸載推理、跑 LoRA 微調,清晨恢復服務,一張 24GB 卡等於當兩台用。前提是任務排程、模型快速重載與開機自檢都要自動化,避免早上服務沒回來。</p><h3>訓練和推理可以用同一種量化嗎?</h3><p>不行,方向相反。推理常態使用 INT8/INT4 量化,省一半以上顯存、品質損失多在 1-3%;訓練必須維持較高精度(FP16/BF16 混合精度)以保梯度品質,QLoRA 雖然把凍結底模壓到 4-bit,可訓練的適配層仍是高精度。拿 INT4 權重直接全參數訓練會學壞。</p><h3>推理服務要怎麼估需要幾張卡?</h3><p>公式:先定尖峰併發數與延遲目標,單卡容量 = 權重 + 併發×每路 KV cache + 20% 餘裕。例如 32B INT4(20GB)配 15 路併發(約 15-20GB),需 40GB 以上,即一張 48GB 卡或兩張 4090。上線後看佇列深度與 p95 延遲決定加卡時機。</p><h3>訓練短租真的比長租划算嗎?</h3><p>多數情況是。企業微調的節奏常是每月或每季一輪,每輪 3-7 天,短租 H100 的月均支出約 NT$40,000-80,000;同規格長租且大半時間閒置,月租是它的好幾倍。只有訓練排程滿到每月超過 20 天時,長租或買斷才開始划算。</p><h3>邊緣推理和機房推理怎麼選?</h3><p>延遲極敏感或斷網不可接受的場景(產線即時檢測、門店互動)放邊緣小型 GPU;需要大模型、集中管理與彈性擴充的(知識問答、文件處理)放台灣機房主機,網路往返 5ms 上下對多數應用無感。常見架構是邊緣跑小模型、機房跑大模型,各司其職。</p>"
                ["post_title"]=>
                string(85) "AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯"
                ["post_excerpt"]=>
                string(0) ""
                ["post_status"]=>
                string(7) "publish"
                ["comment_status"]=>
                string(6) "closed"
                ["ping_status"]=>
                string(6) "closed"
                ["post_password"]=>
                string(0) ""
                ["post_name"]=>
                string(28) "ai-training-vs-inference-gpu"
                ["to_ping"]=>
                string(0) ""
                ["pinged"]=>
                string(0) ""
                ["post_modified"]=>
                string(19) "2026-07-14 11:06:01"
                ["post_modified_gmt"]=>
                string(19) "2026-07-14 03:06:01"
                ["post_content_filtered"]=>
                string(0) ""
                ["post_parent"]=>
                int(0)
                ["guid"]=>
                string(51) "https://www.nss.com.tw/ai-training-vs-inference-gpu"
                ["menu_order"]=>
                int(0)
                ["post_type"]=>
                string(4) "post"
                ["post_mime_type"]=>
                string(0) ""
                ["comment_count"]=>
                string(1) "0"
                ["filter"]=>
                string(3) "raw"
              }
              ["comment_count"]=>
              int(0)
              ["current_comment"]=>
              int(-1)
              ["found_posts"]=>
              int(1669)
              ["max_num_pages"]=>
              float(140)
              ["max_num_comment_pages"]=>
              int(0)
              ["is_single"]=>
              bool(false)
              ["is_preview"]=>
              bool(false)
              ["is_page"]=>
              bool(false)
              ["is_archive"]=>
              bool(false)
              ["is_date"]=>
              bool(false)
              ["is_year"]=>
              bool(false)
              ["is_month"]=>
              bool(false)
              ["is_day"]=>
              bool(false)
              ["is_time"]=>
              bool(false)
              ["is_author"]=>
              bool(false)
              ["is_category"]=>
              bool(false)
              ["is_tag"]=>
              bool(false)
              ["is_tax"]=>
              bool(false)
              ["is_search"]=>
              bool(false)
              ["is_feed"]=>
              bool(true)
              ["is_comment_feed"]=>
              bool(false)
              ["is_trackback"]=>
              bool(false)
              ["is_home"]=>
              bool(true)
              ["is_privacy_policy"]=>
              bool(false)
              ["is_404"]=>
              bool(false)
              ["is_embed"]=>
              bool(false)
              ["is_paged"]=>
              bool(false)
              ["is_admin"]=>
              bool(false)
              ["is_attachment"]=>
              bool(false)
              ["is_singular"]=>
              bool(false)
              ["is_robots"]=>
              bool(false)
              ["is_favicon"]=>
              bool(false)
              ["is_posts_page"]=>
              bool(false)
              ["is_post_type_archive"]=>
              bool(false)
              ["query_vars_hash":"WP_Query":private]=>
              string(32) "afed949ddc44bda5a704cf3b30d61301"
              ["query_vars_changed":"WP_Query":private]=>
              bool(false)
              ["thumbnails_cached"]=>
              bool(false)
              ["allow_query_attachment_by_filename":protected]=>
              bool(false)
              ["stopwords":"WP_Query":private]=>
              NULL
              ["compat_fields":"WP_Query":private]=>
              array(2) {
                [0]=>
                string(15) "query_vars_hash"
                [1]=>
                string(18) "query_vars_changed"
              }
              ["compat_methods":"WP_Query":private]=>
              array(2) {
                [0]=>
                string(16) "init_query_flags"
                [1]=>
                string(15) "parse_tax_query"
              }
            }
          }
        }
        [14]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(565)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              object(WP_Query)#26160 (55) {
                ["query"]=>
                array(1) {
                  ["xml_sitemap"]=>
                  string(7) "params="
                }
                ["query_vars"]=>
                array(66) {
                  ["xml_sitemap"]=>
                  string(7) "params="
                  ["error"]=>
                  string(0) ""
                  ["m"]=>
                  string(0) ""
                  ["p"]=>
                  int(0)
                  ["post_parent"]=>
                  string(0) ""
                  ["subpost"]=>
                  string(0) ""
                  ["subpost_id"]=>
                  string(0) ""
                  ["attachment"]=>
                  string(0) ""
                  ["attachment_id"]=>
                  int(0)
                  ["name"]=>
                  string(0) ""
                  ["pagename"]=>
                  string(0) ""
                  ["page_id"]=>
                  int(0)
                  ["second"]=>
                  string(0) ""
                  ["minute"]=>
                  string(0) ""
                  ["hour"]=>
                  string(0) ""
                  ["day"]=>
                  int(0)
                  ["monthnum"]=>
                  int(0)
                  ["year"]=>
                  int(0)
                  ["w"]=>
                  int(0)
                  ["category_name"]=>
                  string(0) ""
                  ["tag"]=>
                  string(0) ""
                  ["cat"]=>
                  string(0) ""
                  ["tag_id"]=>
                  string(0) ""
                  ["author"]=>
                  string(0) ""
                  ["author_name"]=>
                  string(0) ""
                  ["feed"]=>
                  string(0) ""
                  ["tb"]=>
                  string(0) ""
                  ["paged"]=>
                  int(0)
                  ["meta_key"]=>
                  string(0) ""
                  ["meta_value"]=>
                  string(0) ""
                  ["preview"]=>
                  string(0) ""
                  ["s"]=>
                  string(0) ""
                  ["sentence"]=>
                  string(0) ""
                  ["title"]=>
                  string(0) ""
                  ["fields"]=>
                  string(0) ""
                  ["menu_order"]=>
                  string(0) ""
                  ["embed"]=>
                  string(0) ""
                  ["category__in"]=>
                  array(0) {
                  }
                  ["category__not_in"]=>
                  array(0) {
                  }
                  ["category__and"]=>
                  array(0) {
                  }
                  ["post__in"]=>
                  array(0) {
                  }
                  ["post__not_in"]=>
                  array(0) {
                  }
                  ["post_name__in"]=>
                  array(0) {
                  }
                  ["tag__in"]=>
                  array(0) {
                  }
                  ["tag__not_in"]=>
                  array(0) {
                  }
                  ["tag__and"]=>
                  array(0) {
                  }
                  ["tag_slug__in"]=>
                  array(0) {
                  }
                  ["tag_slug__and"]=>
                  array(0) {
                  }
                  ["post_parent__in"]=>
                  array(0) {
                  }
                  ["post_parent__not_in"]=>
                  array(0) {
                  }
                  ["author__in"]=>
                  array(0) {
                  }
                  ["author__not_in"]=>
                  array(0) {
                  }
                  ["search_columns"]=>
                  array(0) {
                  }
                  ["ignore_sticky_posts"]=>
                  bool(false)
                  ["suppress_filters"]=>
                  bool(false)
                  ["cache_results"]=>
                  bool(true)
                  ["update_post_term_cache"]=>
                  bool(true)
                  ["update_menu_item_cache"]=>
                  bool(false)
                  ["lazy_load_term_meta"]=>
                  bool(true)
                  ["update_post_meta_cache"]=>
                  bool(true)
                  ["post_type"]=>
                  string(0) ""
                  ["posts_per_page"]=>
                  int(12)
                  ["nopaging"]=>
                  bool(false)
                  ["comments_per_page"]=>
                  string(2) "50"
                  ["no_found_rows"]=>
                  bool(false)
                  ["order"]=>
                  string(4) "DESC"
                }
                ["tax_query"]=>
                object(WP_Tax_Query)#37285 (6) {
                  ["queries"]=>
                  array(0) {
                  }
                  ["relation"]=>
                  string(3) "AND"
                  ["table_aliases":protected]=>
                  array(0) {
                  }
                  ["queried_terms"]=>
                  array(0) {
                  }
                  ["primary_table"]=>
                  string(11) "tD6qv_posts"
                  ["primary_id_column"]=>
                  string(2) "ID"
                }
                ["meta_query"]=>
                object(WP_Meta_Query)#37283 (9) {
                  ["queries"]=>
                  array(0) {
                  }
                  ["relation"]=>
                  NULL
                  ["meta_table"]=>
                  NULL
                  ["meta_id_column"]=>
                  NULL
                  ["primary_table"]=>
                  NULL
                  ["primary_id_column"]=>
                  NULL
                  ["table_aliases":protected]=>
                  array(0) {
                  }
                  ["clauses":protected]=>
                  array(0) {
                  }
                  ["has_or_relation":protected]=>
                  bool(false)
                }
                ["date_query"]=>
                bool(false)
                ["queried_object"]=>
                NULL
                ["queried_object_id"]=>
                NULL
                ["request"]=>
                string(2564) "
					SELECT SQL_CALC_FOUND_ROWS  tD6qv_posts.ID
					FROM tD6qv_posts 
					WHERE 1=1  AND ((tD6qv_posts.post_type = 'post' AND (tD6qv_posts.post_status = 'publish' OR tD6qv_posts.post_status = 'acf-disabled'))) AND tD6qv_posts.ID NOT IN ( 31016, 31017, 31018, 31019, 31020, 31021, 31023, 31047, 31048, 31049, 31050, 31051, 31052, 31053, 31054, 31061, 31062, 31063, 31064, 31065, 31074, 31075, 31076, 31077, 31078, 31079, 31094, 31095, 31096, 31097, 31098, 31103, 31104, 31105, 31110, 31111, 31113, 31115, 31117, 31119, 31121, 31123, 31125, 31127, 31129, 31131, 31133, 31135, 31137, 31140, 31142, 31144, 31150, 31152, 31155, 31157, 31159, 31161, 31163, 31165, 31167, 31169, 31171, 31173, 31176, 31178, 31180, 31189, 31199, 31200, 31201, 31202, 31203, 31210, 31211, 31212, 31213, 31214, 31222, 31223, 31224, 31225, 31226, 31233, 31234, 31235, 31237, 31238, 31239, 31242, 31243, 31245, 31247, 31249, 31257, 31258, 31260, 31261, 31262, 31263, 31264, 31265, 31287, 31288, 31289, 31290, 31339, 31342, 32291, 32570, 32694, 33157, 33302, 33304, 33981, 34831, 34832, 35549, 35551, 35586, 35590, 35591, 35592, 35593, 35594, 35595, 35659, 35660, 35661, 35662, 35663, 35664, 35665, 35666, 35668, 35672, 35676, 35679, 35680, 35681, 35682, 35683, 35684, 35685, 35689, 35694, 35696, 35697, 35698, 35702, 35703, 35704, 35706, 35713, 35720, 35742, 35743, 35744, 35746, 35747, 35748, 35749, 35750, 35751, 35752, 35753, 35754, 35755, 35756, 35757, 48063, 48070, 48071, 48072, 48074, 48075, 48184, 48188, 48189, 49076, 49099, 49104, 49106, 49455, 49457, 49459, 49461, 49463, 49465, 49467, 49469, 49676, 49681, 49682, 49683, 49727, 49729, 49731, 49733, 49735, 49737, 49739, 49854, 49969, 50452, 50455, 50457, 50459, 50461, 50463, 50465, 50709, 50711, 50713, 50715, 50717, 50719, 50721, 50723, 50725, 50727, 50729, 50731, 50733, 50735, 50737, 50739, 50741, 50743, 50745, 50749, 50753, 50755, 50756, 50758, 50760, 50762, 50764, 50766, 51313, 51345, 51347, 51349, 51405, 51511, 51513, 51952, 52094, 54373, 54375, 54377, 54379, 54382, 54384, 54387, 54389, 54391, 54393, 54396, 54400, 55813, 57567, 57569, 57579, 57582, 57586, 57591, 60450, 60718, 60842, 60974, 60977, 89588, 89591, 89593, 89595, 89597, 89601, 91915, 91916, 91918, 93992, 93994, 109831, 109911, 110004, 110006, 110011, 110015, 110018, 110020, 110024, 110028, 110030, 110032, 110034, 110039, 110041, 110043, 110045, 110047, 110051, 110122, 110124, 110126, 110128, 110131, 110134, 110137, 110139, 110142, 110144, 110146, 110148 ) 
					
					ORDER BY tD6qv_posts.menu_order, tD6qv_posts.post_date DESC
					LIMIT 0, 12
				"
                ["posts"]=>
                &array(12) {
                  [0]=>
                  object(WP_Post)#36597 (24) {
                    ["ID"]=>
                    int(125232)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:21:11"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:21:11"
                    ["post_content"]=>
                    string(16299) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:AI 模型訓練和推理的 GPU 需求差在哪裡?</p><p style="margin:0">訓練要同時保存權重、梯度、優化器狀態與激活值,顯存約權重的 8-10 倍:7B 全參數訓練要 110-140GB,還吃多卡互連,是 H100 的主場。推理只需權重加 KV cache:同個 7B 模型 FP16 只要 14-16GB,一張 RTX 4090 可服務,INT4 量化再省一半。搞混兩者最浪費預算。</p></div>
<p>「我們要導入 AI,該租什麼 GPU?」這個問題沒辦法直接回答,因為它少了一個關鍵前提:你要跑的是訓練,還是推理?這兩種工作負載對硬體的要求差異之大,大到同一筆預算可能差出十倍的效果。把推理的需求拿去租訓練級的 8 卡 H100,是把錢丟進水裡;拿一張消費卡硬跑全參數訓練,是把時間丟進水裡。這篇文章把兩種負載的本質差異、顯存計算方式、硬體選型邏輯一次講清楚,最後給出讓同一批 GPU 發揮兩倍價值的混合策略。不需要 ML 背景,看得懂乘法就能跟著算完每一筆帳。</p>

<h2>本質差異:一個在學習,一個在服務</h2>
<p>訓練是讓模型「學會」:資料前向傳播算出預測,跟標準答案比對出誤差,再反向傳播計算每個參數的梯度,由優化器更新權重——這個迴圈重複數萬到數百萬步。推理是讓模型「工作」:只有前向傳播,權重完全不動,吃進 prompt、吐出 token,一次一步。</p>
<p>這個差異決定了一切。訓練是吞吐導向的批次作業:在乎「多久跑完一輪」,可以中斷續跑,對延遲無感,但要為梯度與優化器狀態付出巨額顯存,多卡之間還要頻繁同步。推理是延遲導向的線上服務:在乎「使用者等多久」,全年無休不能斷,顯存需求小得多,但要面對併發起伏與尖峰。用一句話記:訓練買的是算力與互連,推理買的是顯存容量與穩定服務。</p>
<p>營運節奏的差異同樣關鍵:訓練是「專案」,有開始有結束,排程可以彈性挪動,失敗的代價是重跑;推理是「營運」,有 SLA、有使用者體驗、半夜掛掉要有人爬起來處理,失敗的代價是商譽。這決定了兩者連租賃形態都不同——訓練適合短租衝刺,用完即退;推理適合長租加備援設計。把這兩種節奏塞進同一台機器、同一張預算表,就是多數 GPU 規劃失敗的起點。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-24-data-20260714.jpg" alt="AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯" loading="lazy"/><figcaption>▲ 7B 全參數訓練 110-140GB;推理 FP16 只要 14-16GB</figcaption></figure>
<h2>顯存帳怎麼算:8-10 倍的差距從哪來</h2>
<p>同一個 7B 模型,為什麼訓練要 110-140GB、推理只要 14-16GB?把顯存內容攤開就懂。訓練時,卡上要同時放四樣:FP16 權重(每參數 2 bytes,7B 約 14GB)、梯度(再 2 bytes)、AdamW 優化器狀態(FP32 動量與變異數,8 bytes,約 56GB)、外加隨 batch 與序列長度成長的激活值。合計每參數約 16-20 bytes,是純權重的 8-10 倍。</p>
<p>推理時,卡上只有 FP16 權重(14GB)加 KV cache(隨併發與 context 成長,單人使用約 1-2GB)。而且推理還有訓練沒有的省錢大招:INT4 量化把權重壓到四分之一,7B 從 14GB 縮到 5-6GB,品質損失多在 1-3% 內。這就是為什麼 LoRA 這類參數高效微調這麼受歡迎——它凍結原模型、只訓練低秩適配層,把「訓練帳」的梯度與優化器項目縮到趨近推理等級,7B 的 LoRA 訓練只要 18-24GB,詳細做法見 <a href="https://www.nss.com.tw/llm-finetuning-lora-gpu">LLM 微調實戰</a>。</p>
<p>推理端還有一個跟訓練相反的槓桿:批次。訓練的 batch 是為了學習效率,推理的 batching 則是把多個使用者的請求交錯塞進同一次運算,GPU 使用率從 20-30% 拉到 80% 以上,單卡吞吐翻好幾倍——代價是個別請求的延遲略升。這也是為什麼生產環境一定要用支援 continuous batching 的推論引擎:同樣的硬體、同樣的模型,服務容量差 5-10 倍,等於直接把月租除以五。</p>
<p>拿 7B 走一遍完整算式,你就再也不會忘記這個差距:權重 7B 參數乘 2 bytes 等於 14GB;訓練再加梯度 14GB、優化器狀態 56GB、激活值 10-50GB(隨 batch 與序列長度),合計 94-134GB。推理則是 14GB 權重加 KV cache——單人對話 1-2GB、20 路併發 10-20GB,合計 15-35GB。同一個模型,兩張預算表差出一個數量級;而且推理還能用 INT4 把權重壓到 5-6GB,訓練卻必須維持高精度,差距進一步拉大。</p>

<h2>硬體選型:兩種負載看的規格完全不同</h2>
<p>訓練機的三個關鍵規格:HBM 顯存頻寬(反向傳播是頻寬飢渴型運算)、卡間互連(NVLink 900GB/s 對上 PCIe 的 64GB/s,多卡訓練差距立現)、以及 ECC 記憶體與散熱穩定性(一輪訓練跑七天,第六天當機等於重來)。這些正是 H100 這類資料中心卡貴的理由,錢花在你看不到但訓練跑不掉的地方。</p>
<p>推理機的邏輯不同:單卡顯存容量決定放得下多大的模型,每 token 成本決定毛利,而消費級的 RTX 4090 在這兩項的性價比極高——這也是它成為推理神卡的原因。多卡互連對推理重要性低(除非模型大到必須跨卡切分),反而是多開副本做負載均衡更實際。一個常見的錯誤採購:為了「以後可能要訓練」而全上 H100,結果 90% 的時間在跑 7B 推理,單位成本是 4090 方案的三四倍。</p>
<p>那推理什麼時候輪到 H100?三種情況:模型大到單卡裝不下且要 FP16 品質(70B 以上)、長 context 場景讓 KV cache 動輒數十 GB、或高併發對外服務需要單點高吞吐。多卡策略也跟訓練相反:訓練的多卡是「合力算一件事」,要 NVLink 緊耦合;推理的多卡多數時候是「各自服務、負載均衡」,兩台單卡主機常常比一台雙卡主機更好用——還順便有了備援。</p>
<p>穩定性的要求也值得一提:訓練跑七天,中途壞卡靠檢查點續命;推理是全年無休,看的是故障率與換修速度。租用方案在這裡有隱形價值——硬體故障是主機商的問題,備品與換機時間寫在合約裡,比自購機器壞了現找料件安心得多。</p>
<p>功耗與散熱同樣是選型的一部分:一張 4090 滿載約 450W,8 卡 H100 主機整機動輒上萬瓦,電力與空調是機房等級的需求,這也是「把訓練機放辦公室角落」幾乎都以跳電或過熱降頻收場的原因。租用台灣機房的主機,電費、散熱、UPS、消防都包在月租裡;把這些隱形成本攤回自建方案上比較,帳面月租其實比看起來便宜。</p>

<h2>對照表:同一個模型,兩種負載的配置</h2>
<table>
<thead><tr><th>模型規模</th><th>全參數訓練</th><th>LoRA 微調</th><th>FP16 推理</th><th>INT4 推理</th></tr></thead>
<tbody>
<tr><td>7B</td><td>110-140GB,2×H100</td><td>18-24GB,1×4090</td><td>14-16GB,1×4090</td><td>5-6GB,入門卡可跑</td></tr>
<tr><td>32B</td><td>500GB 上下,8×H100</td><td>75-95GB,2×H100</td><td>64-70GB,1×H100</td><td>18-20GB,1×4090</td></tr>
<tr><td>70B</td><td>700GB 以上,多節點</td><td>150-190GB,3×H100</td><td>140-150GB,2×H100</td><td>40-45GB,2×4090</td></tr>
</tbody>
</table>
<p>讀表的方式:橫著看是同一個模型從開發到上線的資源演變,直著看是你的預算能支撐的規模上限。多數企業的實際旅程是「租 H100 做一段時間的微調,上線後換成 4090 級推理機長期服務」——兩個階段、兩種規格、兩張報價單,合在一起才是專案的真實成本。</p>
<p>對照表也順便解釋了市場上一個常見的價格困惑:為什麼 H100 主機月租是 4090 的好幾倍,大家還是搶著租?因為它們根本不在同一個市場——H100 賣的是訓練與大模型推理的「能力」,4090 賣的是中小模型推理的「性價比」。拿 4090 的價格去砍 H100 的規格,或拿 H100 的規格去要求 4090 的價格,都是在浪費彼此的時間;先分清楚負載,報價單自然就看得懂了。</p>

<h2>台灣案例:電子廠把同一筆預算用出兩倍效果</h2>
<p>桃園一家電子組裝廠導入 AOI 瑕疵檢測的視覺模型加上產線知識問答的 LLM,最初的規劃是租一台 4×H100 主機包辦所有工作,月租七位數邊緣,財務直接退件。顧問重排後的架構:訓練需求(每月一次的瑕疵模型重訓、每季一次的 LLM 微調)改成短租 H100 主機,每次 3-5 天、月均成本約 NT$40,000-60,000;推理需求(產線 24 小時的即時檢測加辦公室的知識問答)交給兩台雙 4090 主機,月租合計約 NT$70,000。</p>
<p>結果是總月成本從原規劃砍掉超過一半,推理服務的 p95 延遲反而更好,因為推理機可以按產線位置就近部署、多副本分流。訓練短租的另一個好處是規格自由:下一季想試 32B 模型的微調,直接改租更大的配置,不用被自有硬體綁死。資料面也乾淨——檢測影像涉及客戶產品外觀,全程留在台灣機房,滿足客戶稽核的資料在地要求。</p>
<p>數字攤開更有說服力:原方案 4×H100 全年月租估 NT$180 萬年支出;新架構是訓練短租年約 NT$55-70 萬,加推理雙機年約 NT$84 萬,合計省下約四成,而且推理機的 p95 延遲從共用時代的不穩定,變成穩定壓在 0.8 秒內。財務長最買單的一句話是:「訓練的錢花在有訓練的月份,推理的錢才是固定成本。」預算結構跟著負載走,審預算的人也看得懂。</p>

<h2>混合策略:讓 GPU 不再有下班時間</h2>
<p>訓練與推理分開配置之後,還有一層進階玩法:時間分割。推理有明顯的日夜週期,辦公型應用晚上十點後使用率常掉到 10% 以下,這段時間正好拿來跑訓練:夜間排程啟動 LoRA 微調或資料處理,清晨完成後釋放顯存回到推理服務。一張 24GB 的卡,白天服務 10-20 路併發的問答,晚上跑 7B 的 QLoRA 迭代,等於一份月租買兩份產能。</p>
<p>落地這套策略的前提是服務層要俐落:推論引擎能快速卸載與重載模型、任務排程有優先權設計、監控能確認「早上八點推理服務一定回來」。這些工程細節在 <a href="https://www.nss.com.tw/ai-inference-api-hosting">AI 推論 API 自建教學</a> 有完整展開。原則只有一條:先分清楚你的每一個工作負載是訓練還是推理,再決定它該住在哪種 GPU 上、住多久。想清楚這題,GPU 預算的效率至少差一倍。</p>
<p>風險控管兩條底線要守住:混用的那張卡,推理服務的恢復要有自動檢核——訓練任務結束後服務沒起來就告警加自動重啟;訓練任務要設資源上限與最晚結束時間,寧可訓練慢一天,不要早上八點推理服務起不來。時間分割是省錢技巧,不是走鋼索,把保險機制寫好才有資格用。</p>
<p>把整篇的判斷濃縮成四個問題:這個負載是一次性專案還是長期服務?顯存需求是權重的十倍(訓練)還是一點多倍(推理)?它需要多卡緊耦合還是多副本分流?尖峰在白天還是可以排進夜間?四題答完,該租 H100 還是 4090、該短租還是長租、該一台還是兩台,答案基本上自動浮現。之後每次規劃卡關,回來把這四題重答一次,比翻任何規格表都快。</p>
<p>「先租後買」的節奏也順帶講清楚:前六個月用租的,把負載形狀量出來——尖峰、離峰、訓練頻率、顯存水位;若使用率長期在七成以上且規格已經穩定,再評估買斷或簽長約換折扣。反過來,負載還在變的階段就買硬體,等於把不確定性直接鎖進資產負債表,那是財務最不想看到的一種浪漫。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-24-points-20260714.jpg" alt="AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯" loading="lazy"/><figcaption>▲ 兩種工作負載的配置邏輯</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>訓練短租 H100、推理長租 RTX 系列,這種分離式配置需要主機商同時具備兩種產品線與彈性租期。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,訓練與推理可以分開租、隨階段調整。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問會依你的工作負載組合試算最省的架構。</p>

<h2>常見問題 FAQ</h2><h3>為什麼訓練需要的顯存是推理的近十倍?</h3><p>訓練時卡上同時放權重(FP16 每參數 2 bytes)、梯度(2 bytes)、AdamW 優化器狀態(8 bytes)與激活值,合計每參數 16-20 bytes;推理只要權重加 KV cache。7B 的對比就是 110-140GB 對 14-16GB,差距近十倍。</p><h3>RTX 4090 適合訓練還是推理?</h3><p>推理是它的主場:24GB 顯存能跑 7B FP16 或 32B INT4,每 token 成本遠低於資料中心卡。訓練方面,單卡跑 7B-14B 的 LoRA/QLoRA 沒問題,但缺 NVLink 與 ECC,多卡全參數訓練效率差、穩定性風險高,大型訓練還是交給 H100。</p><h3>H100 比 4090 貴好幾倍,貴在哪裡?</h3><p>貴在訓練需要的三樣東西:80GB HBM 高頻寬顯存(頻寬約 3.35TB/s,是 4090 GDDR6X 的 3 倍以上)、NVLink 900GB/s 卡間互連、以及 ECC 與資料中心級穩定性。若你的負載是中小模型推理,這些溢價用不到,選 RTX 系列性價比更高。</p><h3>推理的 KV cache 是什麼?會吃多少顯存?</h3><p>KV cache 是推理時暫存注意力鍵值的快取,讓模型不用重算前文,代價是顯存:依架構每路 4K token 約 0.5-2GB,與併發數、context 長度成正比。20 路併發、8K context 的服務,KV cache 可達 20-40GB,規劃時要在權重外預留 20-40% 空間。</p><h3>先租訓練機還是先租推理機?</h3><p>看專案階段。要微調自有模型:先短租訓練規格(如 H100,一次 3-7 天),模型定版後換長租推理規格(如 4090 主機月租 NT$15,000-25,000)服務使用者。直接用現成開源模型的話,跳過訓練段,從推理機開始,POC 兩週內就能上線。</p><h3>同一台主機可以白天推理、晚上訓練嗎?</h3><p>可以,而且是中小團隊最省錢的玩法。推理服務入夜後使用率常掉到 10% 以下,排程在深夜卸載推理、跑 LoRA 微調,清晨恢復服務,一張 24GB 卡等於當兩台用。前提是任務排程、模型快速重載與開機自檢都要自動化,避免早上服務沒回來。</p><h3>訓練和推理可以用同一種量化嗎?</h3><p>不行,方向相反。推理常態使用 INT8/INT4 量化,省一半以上顯存、品質損失多在 1-3%;訓練必須維持較高精度(FP16/BF16 混合精度)以保梯度品質,QLoRA 雖然把凍結底模壓到 4-bit,可訓練的適配層仍是高精度。拿 INT4 權重直接全參數訓練會學壞。</p><h3>推理服務要怎麼估需要幾張卡?</h3><p>公式:先定尖峰併發數與延遲目標,單卡容量 = 權重 + 併發×每路 KV cache + 20% 餘裕。例如 32B INT4(20GB)配 15 路併發(約 15-20GB),需 40GB 以上,即一張 48GB 卡或兩張 4090。上線後看佇列深度與 p95 延遲決定加卡時機。</p><h3>訓練短租真的比長租划算嗎?</h3><p>多數情況是。企業微調的節奏常是每月或每季一輪,每輪 3-7 天,短租 H100 的月均支出約 NT$40,000-80,000;同規格長租且大半時間閒置,月租是它的好幾倍。只有訓練排程滿到每月超過 20 天時,長租或買斷才開始划算。</p><h3>邊緣推理和機房推理怎麼選?</h3><p>延遲極敏感或斷網不可接受的場景(產線即時檢測、門店互動)放邊緣小型 GPU;需要大模型、集中管理與彈性擴充的(知識問答、文件處理)放台灣機房主機,網路往返 5ms 上下對多數應用無感。常見架構是邊緣跑小模型、機房跑大模型,各司其職。</p>"
                    ["post_title"]=>
                    string(85) "AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(28) "ai-training-vs-inference-gpu"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 11:06:01"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 03:06:01"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(51) "https://www.nss.com.tw/ai-training-vs-inference-gpu"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [1]=>
                  object(WP_Post)#36599 (24) {
                    ["ID"]=>
                    int(125231)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:21:10"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:21:10"
                    ["post_content"]=>
                    string(16477) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:怎麼把自己的 AI 模型架成推論 API 服務?</p><p style="margin:0">POC 用 Ollama,生產用 vLLM 或 SGLang,提供 OpenAI 相容 API,前端改 base_url 就能接。7B 權重約 14-16GB 顯存,每路 4K 對話的 KV cache 抓 0.5-2GB,10-20 路併發用一張 24GB 卡起步,台灣機房月租 NT$15,000-25,000。</p></div>
<p>模型選好了、也驗證過效果,接下來的問題才是工程的開始:怎麼讓全公司、甚至你的客戶,穩定地用到這個模型?答案就是把它包成推論 API。這一步的難度常被低估——單人測試跑得飛快的模型,一上線就延遲爆炸;或者為了扛併發把規格拉滿,月底看帳單才發現 GPU 大半時間在發呆。自建推論 API 本質上是在延遲、併發、成本三個角之間找平衡,這篇教學把三角關係拆開講,給你可以直接套用的估算方法與架構建議。</p>

<h2>為什麼要自建:三個過不去的檻</h2>
<p>用現成的雲端模型 API 沒什麼不對,直到你撞上三件事之一。資料敏感:客戶對話、病歷、財務數據不能送出境,個資法與行業主管機關的要求擺在那裡;成本失控:按 token 計費的帳單跟著用量線性長,月百萬次呼叫的產品,API 費用常常超過自建月租的兩三倍;客製需求:你微調過的模型、特殊的取樣參數、需要保證的回應時間,公有 API 都給不了。成本這條再講個常見劇本:產品加了「AI 摘要」按鈕,上線時每天 2,000 次呼叫,三個月後功能被預設開啟、變成每天 5 萬次,API 帳單從五位數跳到六位數,而訂閱定價早就鎖死——毛利被吃掉的速度比任何人的反應都快,自建的固定月租在這種「功能普及化」劇本裡就是定價保險。三者中一項成立,自建就值得認真評估;兩項成立,基本上是遲早的事。</p>
<p>反過來也要誠實:三種情況不建議自建。用量太小——每天幾百次呼叫,API 月費幾百塊,自建怎麼算都不划算;完全沒有維運人力——連 Linux 都沒人碰的團隊,先用 API 把產品驗證起來;以及任務非旗艦閉源模型不可——開源模型盲測過確實不夠力的少數場景。自建是工程決策不是信仰,拿你的用量、資料屬性與人力對照上面六條,答案通常很清楚。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-23-data-20260714.jpg" alt="AI 推論 API 自建教學:把模型變成服務,延遲、併發與 GPU 成本的三角習題" loading="lazy"/><figcaption>▲ 7B 權重 14-16GB,每路 4K 對話 KV cache 抓 0.5-2GB</figcaption></figure>
<h2>三角習題:延遲、併發、成本怎麼互相拉扯</h2>
<p>看懂三角關係,要先認識兩個延遲指標。TTFT(Time to First Token)是使用者按下送出到看到第一個字的時間,決定「有沒有在動」的體感,健康值在 0.5-2 秒;生成速度(token/s)決定字流出來的速度,單人閱讀場景 20 token/s 以上就順。併發是同時處理的請求路數,成本則是你為此付出的 GPU 月租。</p>
<p>三者的拉扯關係很具體:併發拉高,同一張卡上的請求互搶算力,TTFT 與生成速度都會掉;要守住延遲就得加卡,成本上升;要省成本就得接受排隊,延遲變長。工程上沒有三全其美,只有「依產品需求選兩個保、放掉一個」:內部工具保成本與併發、犧牲一點延遲;對客戶的付費服務保延遲、用超額配置換體驗。規格單一直搖擺的團隊,多半不是不會算,是還沒想清楚產品定位,先回去把定位吵完再來選卡。先寫下你的目標值(例如 p95 TTFT 低於 1.5 秒、尖峰 30 併發、月預算 NT$60,000),再開始選規格,順序不要反過來。</p>
<p>給一組實測的感覺:一張 4090 跑 7B FP16 配 vLLM,單人使用 TTFT 約 0.3 秒、生成 70-100 token/s;把併發灌到 10 路,TTFT 升到 0.8-1.2 秒、每路生成掉到 30-50 token/s;灌到 25 路,TTFT 破 2 秒、開始排隊。同一張卡,體驗從「飛快」到「將就」到「不可用」,差的只是併發數——這就是為什麼規格討論一定要從「尖峰有幾路」開始,而不是從「模型幾 B」開始。</p>
<p>TTFT 的組成也值得拆開看:排隊等資源、prefill(把整段輸入一次算完)、然後才開始逐字生成。長輸入的 prefill 很重——丟一份 8K token 的文件進去,光 prefill 就可能占掉一兩秒,這是文件型應用的 TTFT 永遠比聊天型難看的原因。對策有三:前綴快取讓相同的系統提示詞不重算、超長輸入先截斷或摘要、把文件批次任務改走非同步路徑,別讓它跟即時對話搶同一條佇列。</p>

<h2>推論引擎選型:效率差距可以到十倍</h2>
<table>
<thead><tr><th>引擎</th><th>定位</th><th>關鍵能力</th><th>適用階段</th></tr></thead>
<tbody>
<tr><td>Ollama</td><td>極簡部署</td><td>一行指令起服務、自動量化</td><td>POC、個人與小團隊</td></tr>
<tr><td>vLLM</td><td>生產標準</td><td>PagedAttention、continuous batching,吞吐高 5-10 倍</td><td>正式環境首選</td></tr>
<tr><td>SGLang</td><td>高階生產</td><td>RadixAttention 前綴快取,重複前綴場景更快</td><td>Agent、大量共用 prompt</td></tr>
<tr><td>TensorRT-LLM</td><td>極致效能</td><td>NVIDIA 深度優化、需編譯</td><td>極端吞吐需求、固定模型</td></tr>
</tbody>
</table>
<p>選擇邏輯很簡單:POC 用 Ollama 十分鐘上線;要對多人服務,直接上 vLLM——它的 continuous batching 會把不同請求的生成步驟交錯排進 GPU,同一張卡的有效吞吐是逐條處理的 5-10 倍,這一項就決定你要租一張卡還是五張卡。四個引擎都支援 OpenAI 相容 API,應用端程式碼可以完全不動,把 base_url 從商用服務換成自家端點即可,這也讓「先用商用 API 驗證產品、再切自建」的路徑幾乎零改寫成本。</p>
<p>引擎與量化的搭配有慣例可循:vLLM 生產部署搭 AWQ 或 GPTQ 的 4-bit 權重最順,顯存省一半以上、吞吐幾乎不折損;Ollama 用 GGUF 格式,拉檔即用。要留意的是不同引擎的預設參數差很多——最大併發數、KV cache 上限、context 長度都要按你的硬體明確設定,用預設值上線然後 OOM,是新手工程師的固定戲碼。</p>

<h2>顯存預算:權重之外,KV cache 才是變數</h2>
<p>推論顯存等於「模型權重加 KV cache 加少量開銷」。權重好算:7B FP16 約 14-16GB、32B INT4 約 18-20GB;KV cache 是每一路進行中的對話都要占用的快取,依模型架構,每路 4K token 大約 0.5-2GB,而且跟併發數與 context 長度成正比。這就是為什麼「單人測試沒問題,上線就 OOM」的劇本不斷重演:20 路併發、每路 8K context,KV cache 可能吃掉 20-40GB,比模型本體還大。</p>
<p>實用的估算流程:先定尖峰併發與平均 context,算 KV cache 總量,加上權重,再留 15-20% 餘裕。舉例:32B INT4(20GB)服務 15 路併發、平均 4K context(約 15-20GB KV cache),總需求 40-48GB,一張 L40S 48GB 剛好,或雙 4090 用張量平行分攤。若跑的是 DeepSeek R1 這類思考鏈很長的推理模型,context 消耗更兇,預留空間要再放大,各版本的具體數字見 <a href="https://www.nss.com.tw/deepseek-r1-gpu-requirements">DeepSeek R1 GPU 需求對照</a>。</p>
<p>好消息是新一代架構與引擎都在幫你省這筆錢:採用 GQA 的模型(Llama 3、Qwen2.5 世代)KV cache 比舊架構省 4-8 倍;vLLM 的 PagedAttention 把 cache 切成小分頁按需配置,傳統部署裡三到五成的顯存碎片浪費幾乎歸零。同樣一張 24GB 卡,2023 年的部署方式撐 4-5 路併發,2026 年的組合拳可以撐 15-20 路——選對引擎本身就是最大的一次降本。</p>

<h2>台灣案例:SaaS 團隊把月帳單砍掉六成</h2>
<p>一家台中的 HR SaaS 公司,產品內建履歷解析與面談摘要功能,原本走海外商用 API。用戶成長後兩個問題同時爆:月 API 帳單衝到 NT$90,000 出頭並持續上升;金融與醫療類客戶在資安問卷上直接問「求職者個資是否出境」,答不好就丟單。他們花了六週切換到自建:模型選 Qwen2.5-14B 微調版,INT4 量化後 9-11GB,跑在台灣機房一台雙 4090 主機上(月租約 NT$35,000),vLLM 做服務層,尖峰實測 22 路併發。</p>
<p>六週的切換時程值得拆開參考:第 1-2 週租單卡主機做離線評測,拿 500 筆歷史請求對比自建模型與原 API 的輸出品質,確認可接受;第 3 週建雙卡生產環境與監控;第 4 週用 5% 真實流量做灰度,發現兩個格式邊界問題,修 prompt 解決;第 5 週流量放到 50%,壓測驗證尖峰;第 6 週全量切換,原 API 降為備援。全程使用者無感,這是照劇本走的結果,不是運氣。</p>
<p>切換後的數字:月固定成本 NT$35,000,比原帳單省六成,而且不再隨用量成長;p95 TTFT 從 2.8 秒(含跨海往返)降到 1.1 秒,台灣機房到台灣用戶的網路往返只有 5ms 上下;資安問卷的資料出境欄位從此填「否」,當季就簽下兩家原本卡關的金融客戶。他們保留了原本的商用 API 作為 fallback:自建端點健康檢查失敗時自動切換,雙保險的月成本不到 NT$1,000,因為 99% 的流量都走自建。</p>
<p>壓測方法他們也走了標準流程:用開源壓測工具重放歷史流量的放大版(平常尖峰的 1.5 倍),連續打 30 分鐘,盯 p95 延遲與錯誤率;再單獨測「長文件」路徑——履歷有一頁的也有八頁的,長輸入是延遲長尾的主要來源,單獨設超時與截斷規則後,p99 才穩下來。切換這種事,九成的信心來自壓測,一成才來自祈禱。</p>

<h2>上線後才是重點:監控、SLA 與擴容節奏</h2>
<p>推論服務的維運圍繞四個數字:p50/p95 TTFT、生成速度、佇列深度、GPU 使用率。前三個顧體驗,最後一個顧錢包——GPU 使用率長期低於 30%,表示規格買太大或該把批次任務排進離峰;佇列深度常態大於零,表示該擴容了。告警設在使用者抱怨之前:p95 TTFT 超標 20% 就通知,而不是等客服工單進來。儀表板不用花俏,四個數字加一條佇列趨勢線,值班的人一眼能看懂,就是好儀表板。</p>
<p>成本也要有月報:每月統計 token 總量、GPU 平均與尖峰使用率、換算的單位成本(每百萬 token 幾塊錢),跟商用 API 的牌價對照一次。這張報表有兩個用途——向管理層證明自建的價值持續成立,以及在用量成長到需要擴容時,用數據而不是感覺去申請預算。自建服務最怕的不是壞掉,是沒人說得清它到底省了多少錢。</p>
<p>資安層的最低標配:API key 按應用發放、每季輪替;閘道做速率限制擋暴衝與濫用;請求日誌全留但個資欄位遮罩;管理介面只開內網。這四件事一天可以做完,卻是資安問卷與稽核的必考題,別等被問到才補。</p>
<p>擴容的節奏建議「垂直先、水平後」:先把量化等級、批次參數、context 上限調到位,再考慮換大卡,最後才是多卡多副本加負載均衡。另外,推論主機與訓練主機的規格邏輯完全不同,別拿訓練的配置思維來配推論——這個常見誤區在 <a href="https://www.nss.com.tw/ai-training-vs-inference-gpu">訓練與推理的 GPU 配置邏輯</a> 有完整拆解。把這些機制建立起來,自建 API 的穩定度可以做到跟商用服務同級,成本卻是自己可控的。</p>
<p>人力配置的真實答案:一套自建推論 API 的日常維運,由一位後端工程師兼任就夠,前提是監控與告警已經自動化;需要專注投入的是前兩個月的建置與調校期。很多團隊卡在「我們沒有 AI 工程師」的心理門檻,實際上推論服務的維運技能跟一般後端服務八成重疊,缺的那兩成——顯存邏輯與引擎參數——一週可以補起來,或者選一家願意陪你調參數的主機商,把學習曲線再砍一半。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-23-points-20260714.jpg" alt="AI 推論 API 自建教學:把模型變成服務,延遲、併發與 GPU 成本的三角習題" loading="lazy"/><figcaption>▲ 把模型變成服務的三步</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>推論 API 的規格會隨產品成長而演進:從單卡 POC、雙卡生產,到多副本高可用。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、使用者資料不出境,月租 NT$15,000 起,7×24 中文技術支援,擴容時可平滑升級不中斷服務。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問可依你的併發與延遲目標試算最省的配置。</p>

<h2>常見問題 FAQ</h2><h3>自建推論 API 和呼叫商用 API,成本怎麼比?</h3><p>商用 API 按 token 計費,量小便宜;月呼叫量到百萬次後,帳單常達 NT$80,000-200,000。自建是固定月租:雙 4090 主機約 NT$35,000、H100 約 NT$60,000-80,000,用量再大也不變。月 API 費穩定超過自建月租 1.5 倍,就該評估切換。</p><h3>TTFT 和 token/s 是什麼?目標值該設多少?</h3><p>TTFT 是送出請求到第一個字出現的時間,對話產品建議 p95 壓在 1.5-2 秒內;token/s 是後續生成速度,單人閱讀 20 token/s 以上就流暢,程式生成建議 40 以上。兩者都要在「尖峰併發」下量測才有意義,單人測試的數字不能當 SLA。</p><h3>一張 RTX 4090 能撐多少併發?</h3><p>以 7B FP16 加 vLLM 估:權重 14-16GB,剩 8-10GB 給 KV cache,每路 4K context 約 0.5-1GB,尖峰 10-20 路併發可維持每路 20 token/s。32B INT4 權重占 18-20GB,單卡空間有限,併發壓在 5-8 路或改雙卡。</p><h3>vLLM 為什麼比一般部署快這麼多?</h3><p>兩個機制:PagedAttention 把 KV cache 分頁管理,顯存利用率從常見的 20-40% 拉到 90% 以上;continuous batching 讓不同請求的生成步驟交錯執行,GPU 不再等最慢的請求。合計效果是同卡吞吐提升 5-10 倍,等於直接省下 5-10 倍的硬體租金。</p><h3>KV cache 到底要預留多少顯存?</h3><p>粗略公式:每路併發、每 4K token 的 context,依模型抓 0.5-2GB(GQA 架構的新模型較省)。例如 15 路併發、平均 4K context,預留 8-30GB。實務建議:總顯存 = 權重 + KV cache 估算 + 15-20% 餘裕,上線後再用實測數據修正。</p><h3>自建 API 的延遲可以比商用 API 低嗎?</h3><p>可以,而且低很多。台灣用戶呼叫海外 API,光網路往返就 60-150ms,加上排隊常見 p95 兩三秒;自建在台灣機房,網路往返 5ms 上下,搭配合理併發配置,p95 TTFT 壓在 1 秒上下是常態。對即時互動型產品,這是體感等級的差距。</p><h3>怎麼做到服務不中斷的模型更新?</h3><p>標準做法是藍綠部署:新模型先在第二個服務副本載入並通過煙霧測試,負載均衡器再把流量切過去,舊副本觀察 24-48 小時後下線。單卡預算做不了雙副本時,選離峰時段換模型,vLLM 重載一個 14B 模型約 3-8 分鐘,公告維護窗口即可。</p><h3>需要準備 fallback 機制嗎?怎麼設計?</h3><p>建議要。常見設計:自建端點健康檢查連續失敗 3 次,閘道自動把流量切到商用 API 或備用副本,並發告警。fallback 的月成本通常不到 NT$1,000(因為 99% 流量走自建),卻能把服務可用率從單機的 99% 拉到 99.9% 以上,對外服務尤其必要。</p><h3>推論 API 的資安要注意什麼?</h3><p>最少四件:API key 發放與輪替、請求與回應日誌(留存供稽核,注意個資遮罩)、輸入輸出的敏感內容過濾、以及網路層的 IP 白名單或 VPN。自建的意義是資料不出境,但機房內的存取控制與日誌若沒做,稽核一樣過不了,第一天就要納入架構。</p><h3>從零開始自建,合理的時程是多久?</h3><p>有經驗的團隊:第 1 週選型與 POC(Ollama 加內部測試),第 2-3 週建生產環境(vLLM、監控、日誌、fallback),第 4-6 週試營運與壓測,共 4-6 週。沒有 GPU 維運經驗的話,選有 7×24 中文支援的台灣主機商可以把前期環境問題的處理時間砍掉一半以上。</p>"
                    ["post_title"]=>
                    string(93) "AI 推論 API 自建教學:把模型變成服務,延遲、併發與 GPU 成本的三角習題"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(24) "ai-inference-api-hosting"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 11:05:05"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 03:05:05"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(47) "https://www.nss.com.tw/ai-inference-api-hosting"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [2]=>
                  object(WP_Post)#36601 (24) {
                    ["ID"]=>
                    int(125230)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:21:08"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:21:08"
                    ["post_content"]=>
                    string(16169) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:商用部署 Stable Diffusion 需要什麼 GPU、出圖速度多快?</p><p style="margin:0">SD 1.5 只要 4-6GB 顯存,SDXL 建議 10-12GB,SD3.5 與 FLUX.1 要 16-24GB,一張 RTX 4090 通吃。4090 出一張 1024 的 SDXL 圖約 4-6 秒,批次月產能 15 萬張以上。台灣機房單卡月租約 NT$15,000-25,000,商用前務必逐版本確認授權。</p></div>
<p>生成式 AI 的討論度都被 LLM 占走了,但真正在台灣企業裡默默賺錢的,常常是圖像生成。電商去背改景、廣告素材 A/B 量產、遊戲美術概念圖、產品打樣視覺——這些工作流一旦導入 Stable Diffusion 系列模型,產能是用「倍」在算的。不過商用部署跟玩家在自己電腦上跑圖是兩回事:顯存要抓多少、出圖速度怎麼估產能、授權條款哪些版本能商用、服務怎麼撐住多人同時用,每一題都有具體答案。這篇指南一次講完。</p>

<h2>先盤點場景:你要的是「快」還是「多」</h2>
<p>商用圖像生成的需求分兩型。互動型:設計師在工作流裡即時生圖改圖,重點是單張延遲,最好 10 秒內出圖,不然創作節奏會斷;批次型:半夜排程量產上千張商品圖或素材變體,重點是每小時吞吐與單張成本,延遲無所謂。兩型的 GPU 配置邏輯不同——互動型值得上單卡效能最強的卡,批次型看的是「每萬張成本」,有時兩張中階卡比一張旗艦卡划算。訓練自家風格模型(LoRA)又是第三種負載,吃的資源結構不一樣,可參考 <a href="https://www.nss.com.tw/ai-training-vs-inference-gpu">訓練與推理的 GPU 配置邏輯</a>。</p>
<p>開需求會議時,把三個問題先問清楚,規格自然浮現:每月要產多少張、誰在什麼流程裡用(設計師即時創作還是系統自動批次)、素材與成品的保密等級。第三題常被跳過,卻最關鍵——未上市商品照、客戶提供的原始素材,一旦流進境外生圖服務,合約上的保密條款就破了。這也是為什麼台灣的電商、遊戲與代理商,這兩年紛紛把出圖工作流搬回自建或租用的在地主機。</p>
<p>台灣市場的需求輪廓大致是:電商與代營運要商品情境圖量產,遊戲與 IP 產業要概念圖與宣傳素材,製造業拿它做產品外觀提案與型錄視覺,行銷代理商則是廣告素材的 A/B 變體海量測試。共通點是量大、風格要穩、交期以天計——正好是自建 GPU 產線最擅長的三件事,也是按張計費的境外服務最貴的三件事。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-22-data-20260714.jpg" alt="Stable Diffusion 商用部署指南:出圖速度、顯存需求與 GPU 選型【2026】" loading="lazy"/><figcaption>▲ RTX 4090 批次月產能 15 萬張;FLUX.1 要 16-24GB</figcaption></figure>
<h2>模型版本與顯存需求:從 SD 1.5 到 FLUX</h2>
<p>2026 年還在商用戰場上的主力模型,顯存需求差距很大。SD 1.5 最老但生態最肥,512×512 原生解析度,推論只要 4-6GB,大量現成 LoRA 與 ControlNet 可用,適合量產小圖與風格固定的素材線。SDXL 是目前商用主流,1024×1024 原生解析度,推論建議 10-12GB,畫質與提示詞理解力都上一個檔次。SD 3.5 Large(8B 參數)與 FLUX.1(12B 參數)是畫質天花板,文字渲染與人手細節明顯進步,但 FP16 推論要 16-24GB,加上 ControlNet 或高解析修復流程,24GB 卡會逼近上限,FP8 量化可壓回 12-16GB,畫質損失輕微。</p>
<p>經驗上的配卡建議:純 SD 1.5 產線用 12-16GB 卡就夠;SDXL 為主、偶爾跑 FLUX,一張 RTX 4090(24GB)是甜蜜點;FLUX 全流程加訓練 LoRA,直上 48GB 的 L40S 或 RTX 6000 Ada,省去顯存調度的所有麻煩。</p>
<p>選版本時別只看畫質,要看「生態資產」。SDXL 的社群累積最厚:上千個風格 checkpoint、數萬個 LoRA、成熟的 ControlNet 全家桶(姿勢、深度、線稿、佈局控制)與 IP-Adapter 參考圖機制,商用工作流需要的「可控性」幾乎都靠這些配件堆出來,而新模型的配件生態要再等半年到一年才會齊。這就是為什麼 2026 年的商業產線上,SDXL 仍然是主力、FLUX 負責高規格單張輸出的分工格局。</p>
<p>硬體配套也交代一下:模型 checkpoint 一個 2-7GB,加上 LoRA 庫與 ControlNet 權重,硬碟直接抓 1TB NVMe 起跳;系統記憶體 32-64GB,模型切換與批次排程時吃得兇;輸出圖的儲存與備份另外算,量產線一個月幾百 GB 很正常。這些配套在租用方案裡先確認清楚,比事後加購省事。</p>

<h2>出圖速度對照:秒數背後是產能與成本</h2>
<table>
<thead><tr><th>GPU</th><th>SDXL 1024×1024(30 步)</th><th>FLUX.1 dev(20 步)</th><th>批次月產能估算(SDXL)</th></tr></thead>
<tbody>
<tr><td>RTX 4090 24GB</td><td>約 4-6 秒/張</td><td>約 15-25 秒/張</td><td>15-25 萬張</td></tr>
<tr><td>L40S 48GB</td><td>約 5-8 秒/張</td><td>約 18-30 秒/張</td><td>12-20 萬張</td></tr>
<tr><td>H100 80GB</td><td>約 2.5-4 秒/張</td><td>約 8-15 秒/張</td><td>25-40 萬張</td></tr>
</tbody>
</table>
<p>幾個讓數字更準的細節。步數影響線性:20 步的時間約是 30 步的三分之二,搭配 LCM/Turbo 類加速技術可壓到 4-8 步,速度翻好幾倍,適合先快速出草稿再精修的流程。高解析放大(upscale)與 ControlNet 每加一層,時間多 30-100%。還有排隊時間:多人共用時真正的體感延遲是「生成時間加排隊」,這就是下一節服務化要解的問題。用月產能回推,一張 4090 主機月租 NT$15,000-25,000,量產情境的單張成本不到 NT$0.2,跟按張計費的雲端生圖 API(單張約 NT$0.5-4)差距一個數量級。</p>
<p>還想再壓速度,加速堆疊照這個順序上:先確認 FP16 與高效注意力機制(新版框架多半預設開啟),再套 LCM 或 Turbo 類的少步數模型,最後才是 TensorRT 編譯——它能再快 30-50%,但每換一個模型或解析度都要重新編譯,適合模型固定的量產線,不適合天天換風格的創作環境。互動與批次的參數也不同:互動用 batch 1 求快,批次拉 batch 4-8 榨吞吐,同一張卡兩種設定的時薪產能差三成以上。</p>
<p>解析度是另一個常被低估的變數:同一張卡,SDXL 從 1024 拉到 1536 見方,時間接近翻倍;要 2048 以上的大圖,先出 1024 再走放大流程,品質更穩、總時間反而更短。至於負向提示詞與 CFG 這類參數,對速度影響輕微,放心按品質需求調,產能規劃時不用把它們算進變數。</p>

<h2>商用授權地雷:每個版本規則都不一樣</h2>
<p>技術選型前,先讓法務看授權,這是圖像生成商用化最常翻車的地方。SD 1.5 與 SDXL 用 CreativeML OpenRAIL 系授權,商用基本開放,但有禁止用途清單;SD 3.5 用 Stability AI 社群授權,年營收 100 萬美元以下企業可免費商用,超過要買企業授權;FLUX.1 要特別小心:schnell 版是 Apache 2.0 隨便用,dev 版是非商用授權,拿 dev 直接做商業服務就是違約,商用要走 BFL 的授權方案。</p>
<p>另外兩件事一起交代:生成內容的著作權在台灣現行實務下,純 AI 產出難以主張著作權保護,商業使用要靠人工參與創作與合約安排;訓練自家 LoRA 用的素材,確認你有權利使用,拿客戶圖庫訓練前先把授權條款寫進合約。這些功課做在前面,比出事後補救便宜太多。</p>
<p>管理上建議建一張「授權清冊」:表列每個在用的模型與 LoRA、授權類型、可否商用、來源連結與下載日期,新模型進產線前先過這張表。特別注意合併模型(merge)與微調衍生版——它們繼承原始模型的授權,拿非商用底模 merge 出來的東西照樣不能商用;社群下載的風格 LoRA 更是重災區,訓練素材來路不明的,商業案子直接避開。這張清冊花一天建立,能擋掉未來九成的授權糾紛。</p>
<p>再往前看一步:主要平台與廣告通路陸續要求 AI 生成內容標示,台灣的主管機關也在跟進研議。把「AI 生成、人工審核」的標示與紀錄機制先做進流程,產出的每張圖都留有模型版本與參數的中繼資料,未來法規落地時你只需要開個開關,而不是回頭補三個月的資料。</p>

<h2>台灣案例:電商代營運的出圖農場</h2>
<p>一家台北的電商代營運公司,替 40 多個品牌管商品頁,長期痛點是攝影棚產能:一檔活動要 300-500 張情境圖,外包攝影單張 NT$300-800、來回兩週。他們在台灣機房租了兩台 RTX 4090 主機(月租合計約 NT$40,000)建出圖農場:白天設計師用 ComfyUI 做互動創作與修圖,晚上跑批次——商品去背後套 SDXL 情境模板,自動生成不同場景、光線、節慶主題的變體,隔天早上人工挑圖。</p>
<p>三個月後的數字:每月產出約 6 萬張候選圖、採用約 4,500 張,單張採用成本從外包的數百元降到十位數;一檔活動的素材製作週期從兩週壓到三天。品牌客戶在意的資料問題也順帶解決——商品原始圖與未上市新品照全部留在台灣機房,不經過任何境外生圖服務,代營運合約裡的保密條款直接過關。機器在台灣還有個實際好處:傳輸大批 PSD 與成品圖走內網或國內頻寬,幾 GB 的檔案分鐘級搞定,不用跟跨海頻寬搏鬥。</p>
<p>他們的批次工作流值得拆開看:商品圖先自動去背與構圖對位,套用預先調好的 SDXL 情境模板(棚拍、居家、戶外、節慶四大類),ControlNet 鎖住商品輪廓避免變形,生成後自動跑一輪放大與色彩校正,再進人工挑圖。每個商品產 12 個變體、人工挑留 1-2 張,挑圖率穩定在一成上下——這個數字很重要,產能規劃時要用「候選張數」而不是「採用張數」去算 GPU 需求,兩者差了十倍。</p>

<h2>服務化:讓一張卡服務一個部門</h2>
<p>單機跑 ComfyUI 或 WebUI 是個人用法,商用部署要加三層。佇列層:用 Redis 或內建 queue 把請求排隊,尖峰時設計師看到的是「排隊中第 3 位」而不是逾時錯誤;API 層:把常用工作流(去背、換景、放大)固化成參數化 API,讓 PM 與行銷不碰節點圖也能出圖;資產層:模型、LoRA、工作流版本化管理,不然三個月後沒人知道哪個 checkpoint 配哪個 LoRA 才能重現當初的風格。這套 API 化的思路與 LLM 服務共通,可參考 <a href="https://www.nss.com.tw/ai-inference-api-hosting">AI 推論 API 自建教學</a>。</p>
<p>容量規劃的粗略公式:一張 4090 跑 SDXL 約每分鐘 10-15 張,一個 10 人設計團隊的互動使用加上夜間批次,單卡通常夠;超過 20 人或有對外服務,再加卡做負載分流。從一張卡開始,用佇列長度數據決定何時擴充,比一次到位猜規格務實。</p>
<p>維運面把四件事自動化就很省心:任務失敗自動重試(顯存偶發不足、模型載入逾時是常客)、每日產能與佇列報表、輸出內容的安全過濾(商用環境必開,尤其是開放自由 prompt 的內部工具)、以及模型與工作流的版本備份。監控指標盯兩個就夠——平均單張生成時間(飆高代表有人塞了超大解析度或掛錯模型)與佇列等待 p95(超過一分鐘就是擴充訊號)。這套機制建好,一個設計部門的出圖農場,每週維運時間可以壓在兩小時內。</p>
<p>若農場要服務多個部門或多個客戶,再加一層簡單的配額管理:每個專案有月度張數配額與優先級,超額走申請流程。這不是官僚,是讓產能衝突浮上檯面的機制——沒有配額的共用農場,三個月後一定演變成先搶先贏,協調的隱形成本比寫這層邏輯高得多。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-22-points-20260714.jpg" alt="Stable Diffusion 商用部署指南:出圖速度、顯存需求與 GPU 選型【2026】" loading="lazy"/><figcaption>▲ SD 商用部署的三個檢核</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>圖像生成的商用部署,從單張 RTX 4090 的設計部門共用機,到多卡 H100 的量產農場,規格跨度很大。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、素材與商業資料不出境,月租 NT$15,000 起,7×24 中文技術支援,產能不夠隨時加卡。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問可依你的出圖量與工作流建議配置。</p>

<h2>常見問題 FAQ</h2><h3>跑 Stable Diffusion 最少需要多少顯存?</h3><p>SD 1.5 推論 4-6GB 就能跑,SDXL 建議 10-12GB,SD 3.5 Large 與 FLUX.1 需要 16-24GB(FP8 量化可壓到 12-16GB)。商用環境建議直接配 24GB 的 RTX 4090:主流模型全部通吃,還留得下 ControlNet 與放大流程的空間。</p><h3>RTX 4090 出一張圖要幾秒?</h3><p>SDXL 1024×1024、30 步約 4-6 秒;SD 1.5 的 512 小圖 1-2 秒;FLUX.1 dev 20 步約 15-25 秒。搭配 LCM/Turbo 加速可把步數壓到 4-8 步,SDXL 能進到 2 秒內。批次量產時單卡每小時穩定產出 600-900 張 SDXL 圖。</p><h3>哪些 Stable Diffusion 版本可以商用?</h3><p>SD 1.5 與 SDXL 走 OpenRAIL 系授權,商用開放但有禁止用途;SD 3.5 對年營收 100 萬美元以下企業免費商用,超過需企業授權;FLUX.1 schnell 是 Apache 2.0 可自由商用,dev 版為非商用授權,商業服務必須另購授權。上線前務必逐版本核對。</p><h3>商用出圖該自建 GPU 還是用生圖 API?</h3><p>月出圖量是分水嶺。雲端 API 單張約 NT$0.5-4,月產一萬張就要 NT$5,000-40,000 且素材要上傳境外;自建單卡 4090 主機月租 NT$15,000-25,000,月產能 15 萬張以上,單張成本壓到 NT$0.2 以下。月量破萬張或素材敏感,自建幾乎必勝。</p><h3>SDXL 和 FLUX 該選哪個?</h3><p>量產與生態優先選 SDXL:速度快 3-5 倍、LoRA 與 ControlNet 資源最齊,商品圖情境圖綽綽有餘。文字渲染、手部細節、複雜構圖要求高的主視覺,才用 FLUX 或 SD 3.5。多數團隊的實務解是雙軌:SDXL 跑量、FLUX 出精稿,一張 24GB 卡就能切換。</p><h3>一個 10 人設計團隊需要幾張卡?</h3><p>通常一張 RTX 4090 就夠:互動使用尖峰約 3-5 人同時排隊,SDXL 每張 4-6 秒,佇列體感仍順;夜間再排批次任務把閒置時段用滿。建議先單卡上線、監控佇列長度,平均等待常態超過 30 秒再加第二張卡,擴充有數據依據。</p><h3>訓練自己風格的 LoRA 需要什麼規格?</h3><p>SDXL LoRA 用 20-100 張標註圖、24GB 顯存的卡訓練 1-3 小時就有可用結果;FLUX LoRA 建議 24-48GB 顯存、時間再多五成。重點反而在素材權利:訓練圖要有合法使用權,替客戶訓練品牌風格模型時,把素材授權與產出歸屬寫進合約。</p><h3>出圖服務多人共用要怎麼架?</h3><p>標準架構三層:ComfyUI 或 Diffusers 當生成核心,前面加佇列(Redis/RabbitMQ)吸收尖峰,再包一層參數化 API 讓非技術同事直接用固定工作流。搭配任務優先級(互動優先、批次讓路),單卡就能同時服務設計部門與夜間量產線。</p><h3>生成的圖片著作權歸誰?可以商用嗎?</h3><p>台灣現行實務上,無人類創作參與的純 AI 產出難以取得著作權保護;有實質人為創作(構圖指導、後製合成)的成品較有主張空間。商用本身可行,但建議以合約約定產出的使用權歸屬,並保留創作過程紀錄,以降低爭議風險。</p><h3>顯存不足會發生什麼事?怎麼緩解?</h3><p>輕則自動切到 CPU/RAM 分流讓速度掉 5-10 倍,重則直接 OOM 中斷任務。緩解手段依序:改用 FP8/半精度、降批次數、關閉不必要的 ControlNet、用 tiled VAE 分塊處理高解析圖。若每天都在用這些手段,就是該升 48GB 卡的訊號。</p>"
                    ["post_title"]=>
                    string(87) "Stable Diffusion 商用部署指南:出圖速度、顯存需求與 GPU 選型【2026】"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(31) "stable-diffusion-gpu-deployment"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 11:04:09"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 03:04:09"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(54) "https://www.nss.com.tw/stable-diffusion-gpu-deployment"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [3]=>
                  object(WP_Post)#36603 (24) {
                    ["ID"]=>
                    int(125229)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:21:07"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:21:07"
                    ["post_content"]=>
                    string(16593) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:DeepSeek R1 各版本分別需要什麼 GPU 才能跑?</p><p style="margin:0">蒸餾版 7B/8B 需 14-16GB 顯存,一張 RTX 4090 可跑;32B 的 INT4 量化約 18-20GB、FP16 要 64-70GB;70B 要 140-150GB,建議雙 H100。滿血 671B 是 MoE 架構,FP8 需 700GB 以上、8×H200 等級。多數企業從 32B 蒸餾版起手。</p></div>
<p>DeepSeek R1 在 2025 年初用一紙 MIT 授權和逼近閉源旗艦的推理能力,把「企業自建 AI」的門檻直接砍了一截。一年多過去,它仍是台灣企業私有部署詢問度最高的模型家族——但也是版本誤會最多的一個。很多人以為自己要部署的是「那個 671B 的 DeepSeek」,實際上多數場景該用的是 7B 到 70B 的蒸餾版,兩者的硬體需求差了一個數量級,月租差距可以從一萬五到七位數。這篇把每個版本的 GPU 需求、實測速度、適用場景一次對照清楚,再給出台灣企業的選版決策路徑,幫你把預算花在真正需要的推理能力上。</p>

<h2>R1 為什麼紅:推理模型加 MIT 授權</h2>
<p>R1 屬於推理模型(reasoning model):回答前會先生成一長段思考鏈,把問題拆解、驗算、自我修正,再給出答案。這讓它在數學、程式、邏輯分析、複雜文件比對這類任務上,表現遠超同尺寸的一般指令模型。對企業更關鍵的是授權:MIT 授權幾乎沒有商用限制,可以改、可以蒸餾、可以包進產品賣,法務審查的阻力比社群授權的模型小得多。</p>
<p>代價也要先講明:思考鏈是用 token 買來的。同一個問題,一般模型 300 字收工,R1 可能先「想」2,000 到 8,000 個 token 才開始回答,輸出總量常是 3-10 倍,回應時間以十秒到分鐘計,KV cache 的顯存占用也跟著暴增。簡單的分類、摘要、格式轉換用 R1 是浪費——更慢、更貴、還不見得更準;R1 的主場是「答錯成本很高、值得讓它想久一點」的題目:合約條款衝突檢查、財務數字勾稽、程式除錯、多條件的方案評估。</p>
<p>務實的部署形態因此很清楚:R1 幾乎不會是企業唯一的模型,而是跟一般指令模型並排,由應用層按任務路由——日常雜務走快的,難題走 R1。這個「雙模型」前提會影響你後面每一個規格決策。</p>
<p>判斷哪些任務值得導到 R1,有個很土但有效的方法:把過去三個月人工修改率最高的十類任務攤開,圈出「錯了會賠錢」的那幾類——對帳異常分析、報價條件檢核、程式碼審查、合約風險標記。以一家導入過的公司為例,R1 只接手全系統 15% 的流量,卻消化掉了返工與客訴成本的大宗;剩下 85% 的摘要翻譯雜務,繼續讓一般模型用三分之一的成本跑。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-21-data-20260714.jpg" alt="DeepSeek R1 該選哪個版本?7B/32B/70B/671B 的 GPU 需求對照表與部署實測" loading="lazy"/><figcaption>▲ 蒸餾版 7B/8B 需 14-16GB;滿血 671B FP8 需 700GB 以上</figcaption></figure>
<h2>版本釐清:滿血 671B 與蒸餾版是兩回事</h2>
<p>DeepSeek R1 本尊是 671B 參數的 MoE(混合專家)模型。MoE 的特性是每次推論只「啟用」約 37B 參數,計算量像個中型模型,但路由器隨時可能點名任何一組專家,所以全部 671B 的權重都得待在顯存裡——這就是為什麼它計算不算太重、顯存需求卻是怪獸級:FP8 精度下要 700GB 以上,屬於 8×H200 單機或雙節點 8×H100 的世界。</p>
<p>官方同步釋出了一整排蒸餾版:以 Qwen 為底的 1.5B、7B、14B、32B,和以 Llama 為底的 8B、70B,用 R1 生成的推理資料訓練,學到了思考鏈的行為模式,能力隨尺寸遞減。底模血統有實務意義:Qwen 底的版本中文表現通常較穩,Llama 底的英文生態工具較齊,做繁中應用的台灣企業多半從 Qwen 底的 14B 或 32B 開始測。</p>
<p>坊間常見的誤解是「蒸餾版是閹割品,沒有價值」。實測結論恰好相反:32B 蒸餾版在多數企業推理任務上已能交付可用的品質,而部署成本只要滿血版的二十分之一。務實的問法不是「要不要上 671B」,而是「32B 夠不夠、什麼題目才值得升 70B」。</p>
<p>下載時的命名陷阱也提醒一下:模型倉庫上叫 DeepSeek-R1 的是 671B 本尊,蒸餾版的全名是 DeepSeek-R1-Distill-Qwen-32B 這種格式,少看一眼就會下錯檔案;社群還流通大量第三方微調與量化變體,品質參差不齊。企業部署建議認官方帳號的權重,量化版挑下載量大、附評測數據的來源,並把檔案雜湊值記進部署文件,日後出現怪行為才有辦法追查到底是模型的問題還是自己的問題。</p>

<h2>GPU 需求對照表:1.5B 到 671B</h2>
<table>
<thead><tr><th>版本</th><th>FP16 顯存需求</th><th>INT4 量化顯存</th><th>建議配置</th><th>單流速度參考</th></tr></thead>
<tbody>
<tr><td>R1-Distill 1.5B</td><td>3-4GB</td><td>1-2GB</td><td>任何現代 GPU</td><td>100+ token/s</td></tr>
<tr><td>R1-Distill 7B/8B</td><td>14-16GB</td><td>5-6GB</td><td>1×RTX 4090</td><td>60-100 token/s</td></tr>
<tr><td>R1-Distill 14B</td><td>28-32GB</td><td>9-11GB</td><td>1×RTX 4090(INT4)</td><td>35-60 token/s</td></tr>
<tr><td>R1-Distill 32B</td><td>64-70GB</td><td>18-20GB</td><td>1×4090(INT4)或 1×H100(FP16)</td><td>25-45 token/s</td></tr>
<tr><td>R1-Distill 70B</td><td>140-150GB</td><td>40-45GB</td><td>2×H100(FP16)或 2×4090(INT4)</td><td>15-30 token/s</td></tr>
<tr><td>R1 滿血 671B(MoE)</td><td>FP8 700GB 以上</td><td>約 350-400GB</td><td>8×H200 或雙節點 8×H100</td><td>依配置 10-25 token/s</td></tr>
</tbody>
</table>
<p>表中速度是單使用者連續生成的區間值,實際會隨推論引擎、context 長度與量化方式浮動。另外提醒:R1 系列因為思考鏈很長,顯存要在權重之外多留 20-40% 給 KV cache,尤其是 32B 以上搭配 8K-32K context 的場景,這筆帳漏算是部署後 OOM(顯存不足)的頭號原因。</p>
<p>量化格式的選擇也交代一下:走 vLLM 生產部署,選 AWQ 或 GPTQ 的 4-bit 版本,吞吐與相容性最好;用 Ollama 快速起步,抓 GGUF 格式的 Q4_K_M 等級即可,品質與體積的平衡點很成熟。同一個 32B,不同量化等級的顯存可以差出 5GB 以上,下載前先看清楚檔名後綴,別拿 Q8 的檔案塞 24GB 的卡。</p>
<p>context 長度對顯存的影響值得單獨講:同樣是 32B INT4,限制 8K context 的服務跟開放 32K 的服務,KV cache 預算差了四倍。文件分析型應用——把整份合約或規格書丟進去那種——幾乎都要 16K 起跳,這時單卡 24GB 就不夠看了,直接規劃 48GB 卡或雙卡配置,省得上線一週就被顯存不足的警報追著跑。</p>

<h2>部署實測筆記:三種常見配置的真實表現</h2>
<p>我們在台灣機房實際部署過的三種典型配置,數字給你參考。配置一:單張 RTX 4090 跑 32B 的 INT4 量化版(AWQ),Ollama 起服務,單流輸出 25-35 token/s,一題需要完整思考鏈的分析題約 40-90 秒跑完,適合 10-30 人的內部使用。配置二:單張 H100 80GB 跑 32B FP16 配 vLLM,單流 40-55 token/s,continuous batching 下同時服務 15-20 路併發仍能維持每路 20 token/s 以上,適合百人級企業或對外服務。</p>
<p>配置三:雙 4090 跑 70B INT4,張量平行切兩卡,單流 15-22 token/s。品質上,70B 對 32B 的優勢集中在長鏈推理與艱深領域題,一般企業問答的盲測勝率差距約一成;但速度慢了四成,月租多一倍。這也是為什麼我們最常給的建議是:32B 起手,用你自己的題目測,證明不夠再升級。</p>
<p>兩個實測才會知道的細節。TTFT(第一個字出現的時間)在 R1 上要重新理解:如果你把思考鏈隱藏、只給最終答案,使用者會盯著空白畫面等一兩分鐘,體驗極差——建議至少顯示「思考中」的進度或摘要。還有思考長度的長尾:同一個模型,九成題目 2,000 token 內想完,偶爾一題會想到 10,000 token 以上,不設上限的話,尖峰時段一題就能拖垮整條佇列,上線前一定要配 token 預算與逾時截斷。完整的模型挑選方法論可以參考 <a href="https://www.nss.com.tw/private-llm-deployment">私有 LLM 部署完整攻略</a>。</p>
<p>上線前的壓測劇本照抄即可:用歷史真題組一個 100 題的混合集,短題七成、長題三成,以目標併發數灌進去跑半小時,記錄 p50/p95 延遲、總吞吐與截斷率;再故意塞進三題已知會想很久的難題,確認佇列調度不會被單題塞死。這套流程一個下午跑得完,能提前抓出九成的容量問題,比上線後被使用者抓到便宜太多。</p>

<h2>台灣企業怎麼選:法遵是加分題,任務是必考題</h2>
<p>R1 對台灣企業還有一層現實意義:它讓「資料不出境的高階推理能力」變成可負擔的選項。金融業要分析內部審計報告、製造業要比對製程異常紀錄、律所要跑合約條款審閱——這些資料按個資法與各行業主管機關的要求,出境都是麻煩事,而 R1 蒸餾版讓這類任務可以完全在台灣機房內完成,MIT 授權也讓法務不用再為商用條款開好幾輪會。</p>
<p>一家新竹的 IC 設計服務公司是很典型的樣板:他們用單張 H100 跑 32B 蒸餾版,做內部技術文件的推理問答與規格衝突檢查,規格書與客戶資料全程不落地到任何境外服務,法遵審查兩週過件。導入時他們拿 50 題歷史案例盲測,32B 在「找出兩版規格書的矛盾點」這類題目的命中率約八成五,資深工程師的平均審閱時間從 50 分鐘降到 15 分鐘——剩下的一成五漏網,由人工複核補上,人機分工反而比全自動更受工程師信任。</p>
<p>金融場景再給一個輪廓:某投顧團隊把 32B 蒸餾版接進晨會流程,清晨自動比對前一日的公告與研究底稿,標記數字不一致或說法矛盾的段落,供研究員開盤前複核。跑在單張 H100 上,每天處理約 300 份文件,負載尖峰集中在清晨 6 到 8 點,其餘時段這張卡就轉去服務一般的內部問答——推理模型與指令模型共用硬體、分時排程,是把 H100 月租攤薄的標準做法,值得直接抄進你的架構。</p>
<p>選版的決策樹很短:預算單卡 24GB 以內,選 7B/8B 做輔助性任務;要正經的推理品質,32B INT4 是性價比之王;唯有當你用 50 題實際業務題盲測、確認 32B 明顯不夠,才考慮 70B;至於滿血 671B,除非你要對外提供旗艦級 AI 服務或做模型研究,否則多數企業碰不到需要它的那一天。</p>

<h2>從模型到服務:上線前的最後三關</h2>
<p>選好版本只是一半,R1 上線還有三個特有的坑。思考鏈的顯示策略:內部工具可以顯示完整推理過程輔助查核,對外服務通常隱藏、只回最終答案,兩者的 token 成本與體驗設計差好幾倍,要在產品設計時就決定。context 與併發的預算:R1 一題思考動輒數千 token,32B FP16 每路 4K context 的 KV cache 約再吃 1-2GB,併發數要按這個帳去乘。超時與截斷機制:給思考鏈設 token 上限(常見 4K-8K)與逾時保護,避免個別難題把整個服務卡死。</p>
<p>監控也要為推理模型調整:除了常規的延遲與吞吐,多看兩個指標——平均思考 token 數(突然變長常代表題型漂移或 prompt 被改壞)與截斷率(超過 5% 就該檢討上限設定或題目分流)。搭配每月一次的答案品質抽查,R1 服務才能長期穩定。版本更新也要守紀律:新版蒸餾模型先進影子環境跑一週,對同一批題目比較思考長度與答案品質,確認沒有回歸再切流量;思考鏈行為對系統提示詞極度敏感,任何一行改動都要走同一套回歸,別讓小改動把平均思考長度翻倍,延遲跟成本一起爆炸。這些服務化細節——OpenAI 相容 API、批次策略、告警設計——的完整做法,見 <a href="https://www.nss.com.tw/ai-inference-api-hosting">AI 推論 API 自建教學</a>。把這三關過完,R1 才算真正從「跑得動」變成「用得住」。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-21-points-20260714.jpg" alt="DeepSeek R1 該選哪個版本?7B/32B/70B/671B 的 GPU 需求對照表與部署實測" loading="lazy"/><figcaption>▲ DeepSeek R1 版本對照</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>部署 R1 蒸餾版,從單張 RTX 4090 跑 32B INT4,到雙 H100 跑 70B FP16,規格彈性很大。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,可以先租單卡驗證、確認版本後再升級。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問會依你的任務類型建議 R1 版本與對應規格。</p>

<h2>常見問題 FAQ</h2><h3>DeepSeek R1 滿血版和蒸餾版差在哪?</h3><p>滿血版是 671B 的 MoE 模型,推理能力最強,但 FP8 就要 700GB 以上顯存,屬於 8×H200 等級的部署;蒸餾版是把 R1 的推理風格訓進 Qwen/Llama 底模,有 1.5B 到 70B 六個尺寸,一張 RTX 4090 就能起步。多數企業任務用 32B 蒸餾版已可交付。</p><h3>一張 RTX 4090 可以跑哪個版本的 R1?</h3><p>24GB 可跑:7B/8B 的 FP16 版(14-16GB)、14B 的 INT4 版(9-11GB)、32B 的 INT4 版(18-20GB,較緊)。跑 32B 時建議把 context 控制在 8K 內,留足 KV cache 空間,單流速度約 25-35 token/s,內部使用夠流暢。</p><h3>部署滿血 671B 需要什麼等級的硬體?</h3><p>FP8 精度需要 700GB 以上顯存,對應 8×H200(1,128GB)單機,或雙節點 8×H100 加高速互連;INT4 量化可壓到 350-400GB,單機 8×H100(640GB)勉強可行。這是月租七位數的等級,建議先確認 32B/70B 蒸餾版真的不敷使用再評估。</p><h3>R1 是推理模型,和一般 LLM 用起來差在哪?</h3><p>R1 回答前會先輸出思考鏈,自我拆解與驗算,數學、程式、邏輯題的正確率明顯高於同尺寸一般模型;代價是輸出 token 常多 3-10 倍、回應時間以十秒計。簡單的摘要分類任務用一般模型更划算,R1 適合答錯成本高的分析型任務。</p><h3>R1 蒸餾版的實際生成速度多快?</h3><p>單使用者:7B 在 4090 上約 60-100 token/s,32B INT4 約 25-35,H100 跑 32B FP16 約 40-55,70B INT4 雙 4090 約 15-22。加上思考鏈長度,一題完整推理常需 30 秒到 2 分鐘,設計使用者體驗時要把等待時間納入。</p><h3>為什麼說 32B 是企業部署的甜蜜點?</h3><p>32B 蒸餾版的推理品質已足夠處理多數企業分析任務,INT4 量化後 18-20GB 顯存讓單張 24GB 卡就能服務,月租成本約 NT$15,000-25,000;升到 70B 品質提升約一成,成本卻翻倍。先用 32B 搭配自家題庫實測,確認不足再升級,是最省錢的路徑。</p><h3>R1 的 KV cache 為什麼特別吃顯存?</h3><p>思考鏈讓每次生成的 token 數暴增,context 累積得比一般模型快。以 32B FP16 為例,每路 4K context 的 KV cache 約 1-2GB,10 路併發就要再多 10-20GB。部署時顯存要在權重外預留 20-40%,並給思考鏈設 4K-8K 的 token 上限。</p><h3>R1 可以商用嗎?授權有什麼限制?</h3><p>R1 與其蒸餾版採 MIT 授權,可商用、可修改、可再散布,幾乎沒有附帶條件,是目前主流開源模型中授權最寬鬆的之一。注意蒸餾版的底模授權仍要一併確認:Qwen 底的多為 Apache 2.0,Llama 底的要遵循 Meta 社群授權條款。</p><h3>用 R1 做繁體中文任務,表現如何?</h3><p>R1 系列的中文能力整體優秀,繁中輸出偶有簡繁混用,可用系統提示詞強制繁體並搭配後處理修正,實務上處理後的繁中可用率在 95% 以上。對用字精確度要求極高的場景(法律、公文),建議在評測集加入用字檢查項目再決定版本。</p><h3>從下載模型到上線服務,大概要多久?</h3><p>單卡跑蒸餾版的話很快:權重下載數十 GB 約半天,Ollama 或 vLLM 起服務 1-2 小時,加上內部評測與提示詞調校,一週內可完成 POC。正式上線含權限、日誌與監控,常見時程是 3-6 週。滿血版因涉及多卡多節點調校,要另抓 2-4 週。</p>"
                    ["post_title"]=>
                    string(85) "DeepSeek R1 該選哪個版本?7B/32B/70B/671B 的 GPU 需求對照表與部署實測"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(28) "deepseek-r1-gpu-requirements"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 11:03:12"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 03:03:12"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(51) "https://www.nss.com.tw/deepseek-r1-gpu-requirements"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [4]=>
                  object(WP_Post)#36605 (24) {
                    ["ID"]=>
                    int(125228)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:21:06"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:21:06"
                    ["post_content"]=>
                    string(16646) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:什麼時候一台 GPU 主機不夠用、需要多節點分散式訓練?</p><p style="margin:0">單台 8×H100 約有 640GB 顯存,70B 的 LoRA 微調、32B 以下全參數微調都夠;要全參數訓練 70B(需 700GB 以上)或做預訓練才須跨節點。關鍵不是卡數而是網路:節點間至少 100Gbps 的 InfiniBand 或 RoCE,否則通訊等待會吃掉 30-40% 算力,加卡不加速。</p></div>
<p>「一張 GPU 不夠,那我多租幾台主機串起來就好了吧?」這句話對了一半。多節點分散式訓練確實是大模型時代的標準解法,但它不是把主機疊起來就會變快的魔法:節點之間的網路頻寬、平行策略的選擇、故障恢復的機制,任何一環沒做對,你花三倍的錢可能只換到 1.5 倍的速度。這篇入門文把「什麼時候真的需要多節點」講清楚,再用白話拆解幾種平行策略與網路需求,並用一個台灣新創的實際訓練專案示範怎麼把叢集用在刀口上。看完的目標很務實:讓你在對的時間點做對的擴充決策,而不是提早半年付叢集的錢。</p>

<h2>先算清楚:一台主機的天花板在哪</h2>
<p>2026 年的主流訓練主機是單機 8 卡:8×H100 80GB 共 640GB 顯存,或 8×H200 141GB 共 1,128GB。這個容量能做什麼?以 FP16 混合精度、AdamW 優化器估算,全參數微調的顯存需求約是模型權重的 8-10 倍:7B 需要 110-140GB,單機輕鬆;32B 約 500GB,單機 8×H100 緊繃但可行;70B 需要 700GB 以上,單機 H100 裝不下,這就是第一道跨節點的門檻。</p>
<p>把 70B 的帳攤開看會更有感:FP16 權重 140GB、梯度再 140GB、AdamW 優化器狀態(FP32)約 560GB,合計 840GB 還沒算激活值——就算開滿 gradient checkpointing 與 ZeRO 分片,640GB 的單機也是塞不進去的,這不是調參數能解的問題,是物理限制。反過來說,8×H200 的 1,128GB 單機就能硬扛,所以「要不要跨節點」有時候也是「要不要換更大單機」的選擇題,兩個方案都該拿來報價比較。</p>
<p>換成 LoRA 這類參數高效微調,帳完全不同:70B 的 LoRA 只要 150-190GB,兩三張 H100 就夠,根本不用跨節點。所以判斷的順序應該是:先確認你的訓練方式(全參數還是 LoRA)、模型規模與資料量,再回頭看單機夠不夠。訓練與推論的顯存邏輯差異,可以參考 <a href="https://www.nss.com.tw/ai-training-vs-inference-gpu">訓練與推理的 GPU 配置邏輯</a>。</p>
<p>除了「放不放得下」,另一個天花板是「跑不跑得完」。訓練時間大致與「資料 token 數乘以模型參數量」成正比:同樣 300 億 token 的語料,14B 模型用單機 8×H100 要跑一個多月,16 卡叢集能壓進三週;若是 70B,單機就算塞得下也要跑上季度等級,商業上根本等不起。所以多節點的第二個理由是時程——當「慢慢跑」的時間成本超過「租叢集」的價差,跨節點就從奢侈品變成必需品,這筆帳要拿專案死線來算,不是拿硬體價格算。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-20-data-20260714.jpg" alt="多節點分散式訓練入門:什麼時候一台 GPU 主機不夠用?叢集架構與網路需求" loading="lazy"/><figcaption>▲ 網路不夠快,通訊等待吃掉 30-40% 算力:加卡不加速</figcaption></figure>
<h2>四種平行策略,白話拆解</h2>
<p>資料平行(Data Parallel)最直觀:每張卡放一份完整模型,各吃不同批次的資料,反向傳播後同步梯度。前提是單卡放得下整個模型,所以它解決的是「訓練太慢」而不是「模型太大」。ZeRO 與 FSDP 是資料平行的進化版,把優化器狀態、梯度、甚至權重切碎分散到各卡,讓每卡只保管一部分,單卡顯存需求大幅下降,是目前中型規模訓練的主力。</p>
<p>張量平行(Tensor Parallel)把單一層的矩陣運算切開,由多張卡合力算一層,通訊極度頻繁,基本上只能在有 NVLink 的同一台主機內做。管線平行(Pipeline Parallel)則把模型按層切段,前幾層放節點一、後幾層放節點二,像工廠流水線。真正的大規模訓練是三者混用:節點內張量平行、節點間管線加資料平行。</p>
<p>對號入座的口訣:模型放得下單卡、只嫌慢——用資料平行;模型放不下單卡、但單機多卡總量夠——ZeRO/FSDP 或張量平行;單機總量都不夠——管線平行加資料平行跨節點。好消息是你不需要手刻這些,DeepSpeed、Megatron-LM、PyTorch FSDP 都把策略包好了,設定檔幾行就能切換;壞消息是框架不會幫你判斷哪種組合適合你的模型與網路,這個功課還是得自己做,而且選錯組合的代價是以「天」計的訓練時間。</p>
<p>ZeRO 的三個階段也值得認識一下,因為它是最多人實際用到的:stage 1 只切優化器狀態,通訊負擔最小;stage 2 加切梯度;stage 3 連權重都切,單卡顯存壓到最低、通訊也最重。實務上的起手式是 stage 2 配 gradient checkpointing,不夠再上 stage 3;另有 offload 選項能把狀態丟到 CPU 記憶體換更多空間,速度會再掉兩三成,適合「就差一點點塞不下」的邊界情況。</p>

<h2>網路才是主角:頻寬決定加卡有沒有意義</h2>
<p>多節點訓練的成敗,八成取決於節點之間的網路。看幾個數量級就懂:單機內 NVLink 的卡對卡頻寬約 900GB/s,PCIe 5.0 x16 約 64GB/s,而一般企業機房的 10GbE 乙太網路換算只有 1.25GB/s——差了七百倍。梯度同步是每一步訓練都要做的事,若網路太慢,GPU 會有 30-40% 甚至更多時間在等資料,你付的是 8 卡的錢,拿到 5 卡的效能。</p>
<p>具體算一次你就不會再懷疑這件事:70B 模型的 FP16 梯度一份 140GB,資料平行每一步都要做全體同步(all-reduce 的實際傳輸量約是梯度量的兩倍),在 10GbE 上光傳輸就要上百秒,而一步的計算時間可能只有幾秒——網路慢到這種程度,加節點是負優化。換成 100Gbps(12.5GB/s)的 RDMA 網路,加上 NCCL 的通訊與計算重疊技術,同步時間能壓到與計算時間同級,叢集才開始「像一台機器」。</p>
<p>所以跨節點訓練的入場標準是:節點間至少 100Gbps 的 InfiniBand 或 RoCE,大型叢集普遍上到 400Gbps。搭配得當,2-4 節點的擴展效率(scaling efficiency)可以維持在 85-95%;用普通乙太網路硬跑,效率常掉到 50-70%,等於加一倍的卡只快三四成。租用多節點方案時,「節點間網路規格」這一行比 GPU 型號更值得追問。另外別忘了儲存:多節點要共享資料集與檢查點,NVMe 等級的共享儲存與夠粗的儲存網路,不然資料載入會變成新瓶頸,GPU 利用率照樣上不去。</p>
<p>進場前的驗收動作很簡單:拿 nccl-tests 跑一輪 all-reduce 頻寬測試,實測值應該到標稱頻寬的八成以上;再跑一小時的迷你訓練,盯著 GPU 利用率——健康的叢集應該穩定在 90% 以上,若在 60-70% 之間鋸齒狀跳動,九成是通訊或資料載入在拖後腿。這兩個測試合計半天,能把「租了才發現不對」的風險擋在簽約之前,正規的主機商都願意配合你做。</p>

<h2>什麼規模需要幾個節點:對照表</h2>
<table>
<thead><tr><th>訓練需求</th><th>顯存總量估算</th><th>建議配置</th><th>節點間網路</th></tr></thead>
<tbody>
<tr><td>7B-32B LoRA/QLoRA 微調</td><td>10-95GB</td><td>單機 1-2 卡(4090/H100)</td><td>不需要</td></tr>
<tr><td>70B LoRA 微調</td><td>150-190GB</td><td>單機 3-4×H100</td><td>不需要</td></tr>
<tr><td>7B-14B 全參數微調</td><td>110-280GB</td><td>單機 2-4×H100</td><td>不需要</td></tr>
<tr><td>32B-70B 全參數微調</td><td>500GB-1.4TB</td><td>單機 8×H200 或 2 節點 8×H100</td><td>100-400Gbps RDMA</td></tr>
<tr><td>百億級以上持續預訓練</td><td>數 TB 起</td><td>4 節點以上叢集</td><td>400Gbps InfiniBand</td></tr>
</tbody>
</table>
<p>表格透露的重點:絕大多數企業微調需求停在「單機多卡」就能解決,真正需要跨節點的,是全參數訓練 70B 以上、或做持續預訓練(continual pre-training)注入大量領域語料的團隊。一個常見的規劃錯誤是「預算不夠就把節點切小」——用四台 2 卡機組叢集,不如一台 8 卡機:節點越多、跨網路的通訊占比越高,小節點叢集的效率天生吃虧。同樣預算永遠優先把單節點餵滿,再考慮加節點。表中的顯存估算已含優化器狀態,但激活值依 batch 與序列長度浮動,實際規劃再留一到兩成緩衝會安全得多。</p>

<h2>台灣案例:新創訓練 14B 繁中領域模型</h2>
<p>一家台北的 AI 新創要做金融領域的繁中模型:以開源 14B 底模做持續預訓練,語料 300 億 token,涵蓋公開財報、法規與新聞。他們評估過三條路:買 8 卡機(資本支出 NT$1,500 萬起、交期兩三個月)、海外雲(H100 每卡時 US$2.5-6,整案含實驗估 NT$250-400 萬,資料還要出境)、以及台灣機房租用 2 節點 16×H100 加 200Gbps InfiniBand 的方案,最後走第三條。</p>
<p>執行分兩階段:第一階段用單節點跑 1B 小模型,把資料管線、tokenizer、評測、檢查點機制全部驗證一遍,兩週;第二階段 16 卡全開跑 14B 主訓練,21 天完成,scaling efficiency 實測 91%。過程中不是沒出事——第 9 天一張卡 ECC 錯誤觸發中斷,因為每 30 分鐘存一次檢查點到共享儲存,重啟後只損失了 20 分鐘進度;這種「一定會發生的故障」,正是前兩週把續訓機制跑順的價值所在。</p>
<p>語料工程也占了整案三分之一的工時:300 億 token 的原始資料先過去重與品質過濾,砍掉近四成;再依「領域語料七成、通用語料三成」的配比混合,避免模型學了金融卻忘了普通話;每一批資料都留了 1% 做驗證集,訓練途中每天看一次 loss 與下游任務分數,發現異常能立刻定位是哪一批資料的問題。他們的心得很直接:多節點訓練燒錢的速度是每小時計的,資料沒準備好之前,一分鐘叢集都不要開。</p>
<p>成本這樣拆:叢集租期三個月(含前置與緩衝)控制在七位數初,大約是自購方案的六分之一,而且訓練結束就退租,不用養一台每年折舊六位數的鐵。對台灣團隊還有一個實際的點:凌晨三點的 NCCL 通訊錯誤,打電話有中文工程師一起查,不用等美西時區上班——多節點訓練的除錯常常是「環境問題」而不是「程式問題」,在地支援的價值在這種時刻最明顯。</p>

<h2>還沒到多節點的你,該做的三件事</h2>
<p>看完如果你發現自己的需求其實是「微調 32B 以下」,恭喜,省下一大筆:一台單卡或雙卡主機就能開工,方法見 <a href="https://www.nss.com.tw/llm-finetuning-lora-gpu">LLM 微調實戰</a>。如果你在單機 8 卡的邊緣,先把三件事做滿再談擴充:開 gradient checkpointing 用兩三成的速度換 30-50% 顯存、用 ZeRO-3 或 FSDP 把狀態切碎、評估 LoRA 能不能取代全參數。三招用盡還是不夠,才進多節點。</p>
<p>真的要進場,依這個節奏走:從 2 節點開始,把 NCCL 參數、網卡綁定、檢查點續訓、故障重啟的 SOP 全部跑順,量到穩定的 scaling efficiency 之後,再決定要不要往 4 節點以上加。跳過這一步直接租大叢集的團隊,常常花一週的叢集租金在查一個網卡設定,那是全案最貴的學費。多節點訓練是能力,不是身分象徵;在對的時間點用對的規模,才是把每一塊 GPU 預算都花在算力而不是等待上。</p>
<p>排程上還有一個省錢技巧:訓練專案的叢集需求是脈衝式的——資料準備期用單卡機、主訓練期租滿、收尾評測期再縮回單卡。跟主機商把這條曲線講清楚,分階段租用,比整案期間全程掛著大叢集省 30-50%。台灣機房的另一個優勢在這裡:溝通成本低,規格調整常常一通電話當天生效,海外供應商光開工單來回就是兩三天。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-20-points-20260714.jpg" alt="多節點分散式訓練入門:什麼時候一台 GPU 主機不夠用?叢集架構與網路需求" loading="lazy"/><figcaption>▲ 跨節點前先確認三件事</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>從單卡實驗機、單機 8 卡,到多節點訓練專案,戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列的彈性配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,訓練型專案可以短租、用完即退。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,由顧問依你的模型規模與訓練排程試算節點數與網路規格。</p>

<h2>常見問題 FAQ</h2><h3>什麼情況一定要用多節點訓練?</h3><p>兩種:全參數訓練 70B 以上模型(顯存需求 700GB 起,超過單機 8×H100 的 640GB),或持續預訓練需要在合理時間內吃完數百億 token 語料。若只是 LoRA 微調,70B 也只要 150-190GB,單機 3-4 張 H100 就能解決,不必跨節點。</p><h3>資料平行、張量平行、管線平行差在哪?</h3><p>資料平行是每卡一份完整模型、分頭吃資料,解決「訓練太慢」;張量平行把單層運算切給多卡合算,解決「單層太大」,通訊量極高只適合 NVLink 內;管線平行把模型按層切段跨卡跨節點放,解決「模型太深」。大型訓練通常三者混用,由框架自動調度。</p><h3>節點之間的網路要多快才夠?</h3><p>跨節點訓練的入場標準是 100Gbps RDMA(InfiniBand 或 RoCE),大型叢集普遍用 400Gbps。對照組:10GbE 乙太網路只有 1.25GB/s,跑梯度同步會讓 GPU 閒置 30-40% 以上。租用前務必確認節點間網路規格,這行字比 GPU 型號更影響實際訓練速度。</p><h3>scaling efficiency(擴展效率)多少算合格?</h3><p>2-4 節點的健康值是 85-95%:意思是卡數翻倍、實際吞吐拿到 1.7-1.9 倍。若實測掉到 70% 以下,先查節點間頻寬、NCCL 拓撲設定與資料載入瓶頸。效率長期低於 75% 時,多租的節點等於在燒錢,不如先回單機把配置調順。</p><h3>ZeRO 和 FSDP 是什麼?能省多少顯存?</h3><p>兩者都是把優化器狀態、梯度、權重切碎分散到多卡的技術,ZeRO 來自 DeepSpeed,FSDP 是 PyTorch 原生版。以 ZeRO-3 全切為例,單卡顯存需求可降到接近「總需求除以卡數」,讓 8×80GB 有機會跑動 500GB 級的全參數訓練,代價是通訊量增加、速度慢 10-30%。</p><h3>多節點訓練中途斷掉怎麼辦?</h3><p>標準做法是週期性存檢查點(checkpoint):每 30-60 分鐘或每 N 步把權重與優化器狀態寫進共享儲存,故障後從最近檢查點續訓,損失控制在一小時內。檢查點檔案很大(70B 全狀態約 800GB 以上),儲存要配 NVMe 並預留 3-5 份的空間。</p><h3>訓練 70B 模型大概要多少張 H100、多久?</h3><p>全參數微調 70B、資料量 100 萬筆指令等級:常見配置是 2 節點 16×H100,訓練數天到兩週,視序列長度與 epoch 數而定。若改用 LoRA,單機 4×H100 數天內可完成,成本差 3-5 倍。先確認任務真的需要全參數,再上重裝備。</p><h3>租多節點叢集,月費大概什麼量級?</h3><p>台灣機房的行情,單機 8×H100 等級月租約在七位數上下浮動,2 節點翻倍,另計 InfiniBand 網路與儲存。好消息是訓練專案通常 1-3 個月結束,短租加用完即退,總成本常只有自購的 10-20%,還不用扛折舊與機房維運。</p><h3>單機多卡和多節點,程式要改多少?</h3><p>用 PyTorch FSDP、DeepSpeed 或 Accelerate 的話,單機到多節點主要是改啟動參數與環境設定(節點清單、NCCL 網卡綁定),訓練程式碼本身改動很小。真正花時間的是叢集除錯:網卡挑錯、防火牆擋掉通訊埠這類環境問題,佔了多數導入工時。</p><h3>可以先在單機驗證,再擴到多節點嗎?</h3><p>這是最推薦的路徑:先用單機小模型(如 1B-7B)把資料管線、評測、檢查點機制全部跑通,確認 loss 曲線健康,再原封不動放大到多節點。90% 的訓練問題在小規模就能暴露,單機驗證的幾天時間,能省下多節點階段數十萬的試錯機時。</p>"
                    ["post_title"]=>
                    string(97) "多節點分散式訓練入門:什麼時候一台 GPU 主機不夠用?叢集架構與網路需求"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(31) "multi-node-distributed-training"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 11:02:14"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 03:02:14"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(54) "https://www.nss.com.tw/multi-node-distributed-training"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [5]=>
                  object(WP_Post)#36607 (24) {
                    ["ID"]=>
                    int(125227)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:21:04"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:21:04"
                    ["post_content"]=>
                    string(16202) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:企業要私有部署 LLM,該怎麼選模型和 GPU 規格?</p><p style="margin:0">依任務難度選模型:內部問答用 7B-14B,進階分析用 32B——INT4 量化後約 18-20GB 顯存,24GB 卡可跑;70B 需 140GB 以上、至少雙 H100。授權上 Qwen 是 Apache 2.0、DeepSeek 是 MIT 最單純。台灣機房單卡月租 NT$15,000 起,POC 兩到四週。</p></div>
<p>過去兩年,台灣企業對生成式 AI 的態度走了一個完整的弧線:從「先用 ChatGPT 試試」,到法務跳出來擋下所有把客戶資料貼進境外服務的行為,再到現在——「我們能不能自己架一套?」答案是可以,而且 2026 年的開源模型生態已經成熟到,多數企業任務用開放權重模型就能做到商用等級。這篇攻略把私有 LLM 部署的完整決策鏈走一遍:為什麼要私有化、模型怎麼挑、GPU 規格怎麼配、推論引擎怎麼選,以及一個台灣金融業的實際導入時程與成本。讀完你可以直接拿著這份清單跟主機商或內部團隊開需求會議,每一個環節都有可以驗證的數字。</p>

<h2>三個回不去的理由:法遵、成本、延遲</h2>
<p>企業選擇私有部署,理由通常不是情懷。第一個是資料主權與法遵:個資法對當事人資料的利用有明確界線,金管會對金融機構使用雲端服務另有委外規範,醫療則有醫療法與人體研究的資料限制。把病歷、對帳單、客訴紀錄送進境外 API,法遵部門要背的評估與舉證成本,常常比 GPU 還貴。私有部署把整條資料流關在自家或台灣機房內,稽核時一句「資料不出境」能省掉大半文書工作。</p>
<p>第二個是成本結構:API 按 token 計費,用量成長帳單跟著失控;自建是固定月租,量越大單位成本越低。一個內部工具從 50 人試用擴大到全公司 800 人,API 帳單會長 16 倍,自建主機可能只需要從單卡升級成雙卡。第三個是延遲與可控性:台灣機房內網往返 5ms 以內,海外 API 動輒 100ms 起跳,還要承受對方改版、限流、模型下架的風險——2025 年幾波商用模型無預警調價與版本汰換,讓不少把 LLM 綁進核心流程的公司吃過悶虧。當你的產品把 LLM 當成核心元件而不是玩具,這三點遲早會把你推向私有化。</p>
<p>要不要「全部」私有化則是另一題。務實的答案常是分流:敏感資料與高頻任務走私有模型,偶發的長尾雜務留在商用 API,兩邊用同一套 OpenAI 相容介面切換。這種混合架構讓你不必為了 5% 的特殊需求,把私有叢集規格拉到天上。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-19-data-20260714.jpg" alt="私有 LLM 部署完整攻略:資料不出門的企業 AI,從模型挑選到 GPU 規格" loading="lazy"/><figcaption>▲ 內部問答 7B-14B;70B 需 140GB 以上、至少雙 H100</figcaption></figure>
<h2>模型怎麼挑:授權先看,再看中文能力</h2>
<p>2026 年可商用的開放權重模型主要三個家族。Qwen2.5 系列(0.5B 到 72B)多數尺寸採 Apache 2.0 授權,商用最乾淨,繁體中文能力在開源陣營裡屬第一梯隊,是台灣企業的預設起點。DeepSeek 系列採 MIT 授權,R1 推理模型與其蒸餾版(7B 到 70B)在數學、程式、多步推理任務上表現突出,各版本的顯存需求整理在 <a href="https://www.nss.com.tw/deepseek-r1-gpu-requirements">DeepSeek R1 GPU 需求對照</a>。Llama 3.x 系列生態工具最完整,但用的是 Meta 社群授權,有月活躍用戶數等附帶條件,法務過件前要看清楚。</p>
<p>繁體中文有幾個實測才會浮現的細節:部分模型輸出會夾雜簡體字或中國用語(「軟件」「視頻」這類),對外文件不能接受,解法是系統提示詞強制台灣用語加後處理檢查,或直接挑繁中表現穩定的模型版本;金融與法律的專有名詞理解也要專門測,「附買回」「融資融券」這種詞彙,不同模型的表現差距很大。建議的做法是準備 50-100 題你自己領域的測題,拉兩三個候選模型做盲測,由業務單位而不是工程師評分。</p>
<p>挑尺寸的原則比挑家族簡單:內部問答、摘要、格式轉換,7B-14B 就夠;涉及多步推理、長文分析、程式生成,32B 是品質與成本的甜蜜點;70B 留給對答案品質錙銖必較的場景。別迷信參數量——盲測常常發現 14B 在你的任務上跟 32B 打平,一年省下的月租差價是六位數。另外記得看模型的「款式」:一般指令模型反應快、適合日常任務;推理模型(如 R1 系列)會先輸出思考過程,難題正確率高但 token 消耗數倍,兩種各架一個、按任務路由,是越來越主流的配置。</p>
<p>下載與供應鏈也別隨便:權重一律從官方 Hugging Face 帳號或可信鏡像取得,核對雜湊值並記錄版本;推論框架與相依套件鎖定版本,進了內網就不隨意更新。曾有企業從來路不明的鏡像抓了號稱加速版的權重,行為跟官方版有出入,查了兩週才找到源頭。私有部署的安全紅利,建立在你對每一個元件的來源都有掌握的前提上,這份清單值得放進資安檢核表。</p>

<h2>GPU 規格對照:從 7B 到 70B 的顯存帳</h2>
<table>
<thead><tr><th>模型規模</th><th>FP16 推論顯存</th><th>INT4 量化顯存</th><th>建議配置(含 KV cache 餘裕)</th></tr></thead>
<tbody>
<tr><td>7B-8B</td><td>14-16GB</td><td>5-6GB</td><td>1×RTX 4090 24GB</td></tr>
<tr><td>14B</td><td>28-32GB</td><td>9-11GB</td><td>1×RTX 4090(INT4)或 1×L40S 48GB(FP16)</td></tr>
<tr><td>32B</td><td>64-70GB</td><td>18-20GB</td><td>1×RTX 4090(INT4)或 1×H100 80GB(FP16)</td></tr>
<tr><td>70B-72B</td><td>140-150GB</td><td>40-45GB</td><td>2×H100(FP16)或 2×RTX 4090 / 1×L40S+(INT4)</td></tr>
</tbody>
</table>
<p>三個規劃要點。量化是私有部署的好朋友:INT4 讓顯存需求砍半再砍半,主流任務的品質損失多在 2-3% 內,先上量化版、有預算再升 FP16 是務實路線。KV cache 要另外算:表中權重之外,每一路併發、每 4K token 的上下文,依模型會再吃 0.5-2GB,對外服務至少預留 30% 顯存。還有升級路徑:用支援張量平行的推論引擎,之後從單卡換雙卡、雙卡換 H100,服務層程式碼幾乎不用改。</p>
<p>用一個情境把 KV cache 講得更白:你部署 32B INT4(權重 20GB)在一張 24GB 卡上,單人使用一切正常;開放給 50 人後,尖峰 6 路併發、每路 8K 上下文,KV cache 需要 6-12GB,這張卡立刻爆。同一個模型,規格卻要看「誰在用、怎麼用」,這就是為什麼報規格前要先回答併發數與上下文長度兩個問題,而不是只報模型名字。長文件分析場景(動輒 32K 上下文)更要特別小心,單路的 KV cache 就可能吃掉 4-8GB。</p>

<h2>推論引擎與服務化:從 Ollama 到 vLLM</h2>
<p>模型下載下來只是權重檔,要變成服務還缺一層推論引擎。POC 階段用 Ollama 最快,一行指令拉起模型,適合給內部小規模試用;要上生產環境,vLLM 或 SGLang 才是正解——它們的 continuous batching 與 PagedAttention 能把同一張卡的吞吐拉高 5-10 倍,並提供 OpenAI 相容 API,前端應用只要改一行 base_url 就能從商用 API 無縫切換過來。</p>
<p>服務化的細節——延遲怎麼壓、併發怎麼估、要不要開多副本——是另一篇的主題,見 <a href="https://www.nss.com.tw/ai-inference-api-hosting">AI 推論 API 自建教學</a>。這裡只強調一件最常被忘掉的事:私有部署不等於裸奔。API key 的發放與輪替、請求與回應日誌(含個資遮罩)、輸入輸出的敏感詞過濾、每月用量報表——這些治理機制要在第一天就做,不然「私有」只是把風險從供應商搬回自己家。金融業的稽核尤其會查日誌完整性與權限分離,補做的成本是先做的三倍起跳。</p>
<p>維運面給一個誠實的預期:私有 LLM 上線後的常態工作量,約是每週半天到一天——看監控、處理個案、每月演練一次故障重啟、每季評估一次新模型。這不需要專職團隊,但需要一個明確的負責人;完全沒有 Linux 維運能力的公司,建議把這層外包給主機商的託管服務,別讓系統變成沒人敢動的孤兒。</p>

<h2>台灣案例:投信公司的內部文件助理</h2>
<p>一家台北的投信公司,120 名員工,想讓研究員用自然語言查詢內部研究報告、公開說明書與法遵文件。資料屬性決定一切:這些文件不能離開公司控制範圍,金管會的雲端委外規範也讓境外 API 直接出局。他們的做法是在台灣機房租一台 H100 80GB 主機,跑 Qwen2.5-32B FP16 配 vLLM,前面接 RAG 檢索層,月租約 NT$70,000。</p>
<p>時程走得很典型:第 1-2 週用一張 4090 主機(月租 NT$18,000)做 POC,拿 80 題研究員實際會問的問題盲測 7B、14B、32B 三個尺寸,結論是 32B 在跨文件比對題上正確率高出 14B 約 12 個百分點,值得上;第 3-6 週建正式環境、接 SSO 權限與稽核日誌;第 7-8 週試營運。POC 用小卡、正式上大卡的兩段式做法,讓他們在只花 1.8 萬的階段就修正了兩個方向性決策——原本想用 70B,盲測發現對他們的題型增益不到 3 個百分點,直接省下一半月租。</p>
<p>上線三個月的營運數字:研究員平均每天問 340 次,尖峰併發 8 路,p95 回應延遲 2.1 秒;使用率最高的不是原本設想的報告查詢,而是「幫我把這段英文法遵函釋整理成繁中重點」這類翻譯摘要任務,佔了四成流量——這也是私有部署的隱藏優勢,用量爆了也不心疼,員工才敢把它用進日常。法遵部門的評語比任何跑分都有說服力:資料流全程在境內,稽核一次過。</p>

<h2>導入時程與總成本怎麼抓</h2>
<p>綜合幾十個案子的經驗,私有 LLM 部署的合理時程是:POC 兩到四週(單卡主機、量化模型、內部評測集),試營運四到六週(正式規格、權限與日誌、小範圍開放),然後全面上線。硬體之外的成本大頭是人:需要一位能維運 Linux 與容器的工程師兼職照顧,加上業務單位一位懂資料的窗口。全案抓下來,中型企業第一年的總持有成本多落在 NT$50 萬到 200 萬之間,對比動輒七八位數的商用授權案,這個數字通常過得了董事會。時程的最大變數在資料:文件散亂、權限歸屬不明的公司,前置整理常吃掉一半時間,這部分請誠實評估。</p>
<p>驗收建議寫成里程碑:POC 結束要有盲測分數與規格建議書;試營運結束要有 p95 延遲、可用率與使用量報表;全面上線滿一個月,要有部門滲透率與滿意度數字。每一關都有可驗證的產出,預算追加才有依據,專案也不會走著走著變成沒人敢驗收的懸案。</p>
<p>把第一年 TCO 拆開看會更好談預算:主機月租(單卡 NT$15,000-25,000 或 H100 級 NT$60,000-80,000)占五到七成,導入期的顧問或工程工時占兩到三成,剩下是評測、資安檢測與雜項。第二年起只剩月租與少量維運,成本曲線是前高後低。至於「租還是買」:買一台 H100 等級主機資本支出數百萬,加上機房、電力、備品與三年折舊,只有在負載長期滿載時才划算;先租十二個月把規格試到收斂,再拿真實使用率去算買斷的回本期,是財務上最站得住腳的順序。</p>
<p>最容易被砍掉重練的錯誤只有一個:第一天就買卡。模型迭代太快,今天為 70B 買的 8 卡機,半年後可能被 32B 的新模型追平。用台灣機房的月租主機把規格試到收斂,再決定要不要自建,是風險最低的路。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-19-points-20260714.jpg" alt="私有 LLM 部署完整攻略:資料不出門的企業 AI,從模型挑選到 GPU 規格" loading="lazy"/><figcaption>▲ 資料不出門的部署路徑</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>私有 LLM 部署的每個階段需要的火力不同:POC 用單張 RTX 4090,正式環境可能要 H100 多卡。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,規格可隨導入階段升級。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問會依你的資料敏感度與任務需求試算規格。</p>

<h2>常見問題 FAQ</h2><h3>私有部署 LLM 最低的硬體門檻是多少?</h3><p>一張 24GB 的 RTX 4090 就能起步:7B 模型 FP16 推論占 14-16GB,或 32B 的 INT4 量化版占 18-20GB,都放得下。台灣機房這種單卡主機月租約 NT$15,000-25,000,足夠支撐數十人的內部使用,是最常見的 POC 起點。</p><h3>開源模型商用,授權上要注意什麼?</h3><p>Qwen2.5 多數尺寸是 Apache 2.0、DeepSeek 是 MIT,商用幾乎沒有附帶條件;Llama 3.x 用 Meta 社群授權,有大型平台月活門檻與再散布規定,需要法務確認。另外注意部分模型的量化版與衍生版授權可能與原版不同,下載來源要留紀錄備查。</p><h3>7B、32B、70B 模型的能力差距到底多大?</h3><p>以企業任務實測,7B 足以應付摘要、分類、格式轉換;32B 在多步推理與跨文件分析上,正確率常比 7B 高 15-25 個百分點;70B 再往上的增幅通常剩 3-8 個百分點,但顯存需求翻倍。建議用自己的 50-100 題測題盲測,而不是看排行榜。</p><h3>INT4 量化會讓模型變笨嗎?</h3><p>主流 GPTQ、AWQ 量化在常見任務上的品質損失約 1-3%,多數使用者感覺不出來;顯存卻能省 70% 以上,32B 從 64-70GB 壓到 18-20GB。要求最高的場景(法律條款比對、程式生成)可以 FP16 與 INT4 各架一套 A/B 實測再決定。</p><h3>私有部署後,模型多久要更新一次?</h3><p>開源模型大約每 3-6 個月出現一波明顯升級。建議每季用固定評測集重測一次新模型,分數高出 5 個百分點以上再換,避免追版本疲勞。換模型的成本主要在重跑評測與回歸測試,權重本身下載替換半天內可完成。</p><h3>vLLM 和 Ollama 該用哪個?</h3><p>POC 與個人使用選 Ollama,安裝到起服務 10 分鐘搞定;正式環境選 vLLM 或 SGLang,continuous batching 可把同卡吞吐拉高 5-10 倍,多人併發下的 p95 延遲差距非常明顯。兩者都有 OpenAI 相容 API,前期驗證、上線切換很順。</p><h3>金融業用私有 LLM,法遵上可行嗎?</h3><p>可行,而且私有化正是為了過法遵:資料全程留在境內機房,滿足個資法與金管會對委外及資料治理的要求,搭配存取控制與完整日誌即可受檢。台灣已有投信、銀行把內部文件助理跑在自建或租用 GPU 主機上的案例,稽核重點是資料流向與權限紀錄。</p><h3>私有 LLM 的回應速度大概多快?</h3><p>單使用者:7B 在 RTX 4090 上約每秒 60-100 個 token,32B INT4 約 25-40 個,一段 300 字回答 10 秒內完成;上 vLLM 後 10-20 路併發仍可維持每人每秒 20 個 token 以上。台灣機房網路往返約 5ms,體感比海外 API 快得多。</p><h3>除了 GPU,主機的 CPU 和記憶體要怎麼配?</h3><p>推論主機的通則是:系統記憶體至少是總顯存的 1.5-2 倍(載入與轉檔時要用),CPU 8-16 核心即可,硬碟建議 NVMe SSD 500GB 起跳放多版本權重。RAG 場景另外加向量資料庫的 16-32GB 記憶體。這些在租用方案裡通常已包含,確認規格單即可。</p><h3>一年的總持有成本大概多少?</h3><p>以 120 人企業、32B 模型、單張 H100 規格估:主機月租約 NT$60,000-80,000,一年 72-96 萬;加上工程師兼職維運與前期導入顧問,第一年總成本常落在 NT$100-200 萬。同樣用量走商用 API,帳單加法遵評估往往不會比較便宜,且資料須出境。</p>"
                    ["post_title"]=>
                    string(87) "私有 LLM 部署完整攻略:資料不出門的企業 AI,從模型挑選到 GPU 規格"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(22) "private-llm-deployment"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 11:01:19"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 03:01:19"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(45) "https://www.nss.com.tw/private-llm-deployment"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [6]=>
                  object(WP_Post)#36621 (24) {
                    ["ID"]=>
                    int(125226)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:21:00"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:21:00"
                    ["post_content"]=>
                    string(16377) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:RAG 是什麼、企業導入需要什麼 GPU 配置?</p><p style="margin:0">RAG(檢索增強生成)先把文件切塊轉成向量索引,提問時檢索出最相關段落,交給 LLM 生成附來源的回答,模型不必重訓,知識更新是分鐘級。50 人內用 7B-14B 模型,一張 RTX 4090 主機就能起步,台灣機房月租約 NT$15,000-25,000;200 人以上建議 32B 模型與 48-80GB 顯存。</p></div>
<p>企業想讓 AI 回答內部知識,第一直覺常是「微調一個自己的模型」。但 2026 年的實務標準答案,八成是 RAG。原因很直接:公司的知識天天在變,產品規格改版、SOP 更新、法規修正,你不可能每次都重訓模型;而 RAG 只要更新索引,幾分鐘內新知識就上線。這篇文章講清楚 RAG 的運作原理、三段式的 GPU 需求怎麼估、導入成本落在什麼區間,並用一個台灣製造業的案例展示從評估到上線的完整過程。看完你應該能自己畫出第一版架構圖,並且對「這件事要花多少錢」有一個誤差不超過三成的估計。</p>

<h2>RAG 是什麼?一條「檢索加生成」的流水線</h2>
<p>RAG 的全名是 Retrieval-Augmented Generation,檢索增強生成。流程拆開看只有四步:把企業文件切成 300-800 字的小塊(chunking),用 embedding 模型把每一塊轉成向量存進向量資料庫;使用者提問時,問題同樣轉成向量,到資料庫裡找出最相近的 3-8 個段落;可以再加一層 reranker 模型精排,把真正相關的段落挑到前面;最後把這些段落連同問題一起塞進 prompt,讓 LLM 生成回答,並附上引用來源。</p>
<p>用一個具體例子走一遍。員工問「特休沒休完可以換錢嗎?」系統把這句話轉成向量,從索引裡撈出人事規章第 3.2 節與勞基法相關段落,reranker 確認這兩段最相關,LLM 讀完後回答:「依公司人事規章 3.2 條,年度未休畢特休依比例折算工資……」並在答案下方列出出處。使用者點開出處就是原始文件,這條「可驗證」的路徑,正是企業敢把 RAG 交給全公司用的原因。</p>
<p>規模感也給一下:一份 200 頁的 PDF 大約切成 400-800 個 chunk;一萬份文件、百萬級 chunk 的向量索引(1024 維、FP16)本體約 2-4GB,加上原文與中繼資料,整套索引通常在 10-20GB 之間——對現代主機來說是很輕的負擔。關鍵在於:模型本身完全不用動,LLM 負責閱讀理解與寫作,知識全部放在外部索引,加新文件的邊際成本趨近於零。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-18-data-20260714.jpg" alt="RAG 是什麼?不用重訓模型的企業知識庫方案,GPU 配置與導入成本指南" loading="lazy"/><figcaption>▲ 檢索增強生成:不重訓模型,回答自帶來源</figcaption></figure>
<h2>為什麼企業知識庫首選 RAG 而不是微調</h2>
<p>把知識「訓進」模型有兩個結構性問題。一是更新成本:每次文件異動都要重跑訓練,一輪動輒數小時到數天,而企業知識的半衰期很短——電商的品規週週改,製造業的製程參數月月調,金融業的法遵函釋隨時來。二是不可追溯:模型答錯了,你不知道它是從哪筆資料學歪的,對需要稽核軌跡的產業是致命傷。RAG 剛好相反,答案旁邊就掛著來源文件,稽核人員點開就能核對。</p>
<p>成本差距也很具體。維護一套 RAG 索引,新增文件是增量更新、秒級完成,全量重建一次的 GPU 機時通常不到一小時;而同等知識量的微調,單輪訓練成本是它的數十倍,還要先把文件改寫成上萬筆問答格式的訓練資料,這道工序本身就是一個小專案。</p>
<p>還有一個很少被講白的面向:RAG 會逼你把知識治理做起來。哪些文件是現行版、誰有權看哪一類、過期文件怎麼下架——這些問題在建索引的第一週全部會浮出來,而它們本來就該被回答。反過來看,微調把知識揉進權重裡,版本與權限完全無從管理,答案對錯只能事後抽查,對受監理的金融、醫療產業幾乎是不可接受的黑盒。很多公司做完 RAG 之後回頭感謝的,其實是這一段被迫完成的文件大掃除。</p>
<p>當然,RAG 也有做不到的事:它改不了模型的語氣、輸出格式與任務行為,那是微調的守備範圍,兩者的分工可以參考 <a href="https://www.nss.com.tw/llm-finetuning-lora-gpu">LLM 微調實戰</a>。成熟團隊的終局架構多半是混合式:RAG 管知識、LoRA 管行為,先做 RAG 驗證價值,半年後再視需要補一層微調,投資順序不要反過來。</p>

<h2>GPU 需求拆解:embedding、reranker、LLM 三段</h2>
<p>RAG 系統的顯存消耗來自三個模型,量級差很多。embedding 模型(如 bge-m3、multilingual-e5 這類 0.3-2B 參數的模型)推論只要 2-6GB;reranker 模型同樣輕,2-4GB 就夠;真正的大戶是負責生成的 LLM——7B 模型 FP16 推論約需 14-16GB,14B 約 28-32GB,32B 約 64-70GB,若用 INT4 量化可以再省一半以上,32B 壓到 18-20GB,一張 24GB 卡就裝得下。</p>
<p>延遲的組成也值得認識:embedding 一次查詢 10-30ms,向量搜尋 10-50ms,reranker 50-150ms,而 LLM 生成占掉九成時間——一段 300 字的回答,以每秒 30-60 個 token 的速度要跑 10-20 秒。所以優化體感的重點永遠在生成段:開串流輸出讓使用者邊生成邊閱讀,體感延遲立刻從「等 15 秒」變成「等 1 秒」。建索引的吞吐則看 embedding:一張 4090 每秒可處理數百到數千個 chunk,百萬級索引初次建置約 1-3 小時,夜間排程綽綽有餘。</p>
<p>併發的速算法也給一個:內部工具的尖峰併發約是總人數的 5-10%,100 人公司抓 5-10 路。7B 模型配一張 4090,撐 10-20 路沒問題;32B INT4 因為權重就占掉 18-20GB,單卡併發建議壓在 5-8 路,超過就分雙卡或升 48GB 卡。先用保守配置上線、看兩週監控數據再決定加不加卡,永遠比一次到位便宜。</p>
<p>三段可以塞在同一張卡,也可以分開。50 人以內的內部知識庫,一張 RTX 4090 同時跑 7B INT4 生成加 embedding 綽綽有餘;使用者破兩百人、尖峰併發 10-20 路時,建議把 embedding 與 reranker 留在小卡或 CPU,生成模型獨占一張 48GB 以上的卡,否則檢索尖峰會跟生成搶資源,延遲直接翻倍。另一個常被忽略的顯存項目是 KV cache:併發越高、對話越長,占用越大,規劃時要在模型權重之外預留 20-40% 顯存。</p>

<h2>規模對照表與成本區間</h2>
<table>
<thead><tr><th>使用規模</th><th>建議模型組合</th><th>GPU 配置</th><th>月租行情(台灣機房)</th></tr></thead>
<tbody>
<tr><td>POC 驗證</td><td>7B INT4 + bge-m3</td><td>1×RTX 4090 24GB</td><td>NT$15,000-20,000</td></tr>
<tr><td>50 人內部使用</td><td>7B-14B + embedding + reranker</td><td>1×RTX 4090 或 1×L40S 48GB</td><td>NT$18,000-35,000</td></tr>
<tr><td>200 人、併發 10-20</td><td>32B INT4 + 完整檢索鏈</td><td>2×RTX 4090 或 1×H100 80GB</td><td>NT$40,000-80,000</td></tr>
<tr><td>500 人以上或對外服務</td><td>32B-70B、多副本負載均衡</td><td>2×H100 起跳</td><td>NT$120,000 起</td></tr>
</tbody>
</table>
<p>讀表時注意三件事。規模看的是「尖峰併發」而不是員工總數,一般內部工具的併發約是總人數的 5-10%;模型尺寸決定答案品質的天花板,32B 對 7B 的優勢在跨文件推理題上特別明顯,常有 15-20 個百分點的正確率差距;GPU 之外還有配角成本——向量資料庫吃的是 CPU 與 16-32GB 記憶體、索引與日誌的儲存、以及建置評測集的人力,這些加總約占專案總成本一到兩成。</p>
<p>對照雲端 API 的帳:呼叫商用模型 API 每百萬 token 約 US$0.5-15,小量使用便宜;但企業知識庫的痛點通常不是錢,而是文件必須送到境外模型商手上。自建 RAG 的月租是固定成本,量再大都不會爆,敏感文件也從頭到尾不離開機房,這兩點才是台灣企業選擇自建的主因。</p>
<p>拿數字算個分水嶺:一次問答連同檢索段落約消耗 3,000-6,000 個 token,200 人公司每天 500 次問答,月消耗大約 3,000-9,000 萬 token。走中階商用 API 月費看起來還可控,但前提是「文件可以出境」而且「用量不再成長」;一旦任一前提破掉——來了敏感專案、或使用量隨導入深化翻了三倍——自建的固定月租立刻反超。多數企業算完這筆帳,就把 API 留給不敏感的雜務,核心知識庫走自建。</p>

<h2>台灣案例:精密加工廠的 SOP 知識庫</h2>
<p>台中一家 280 人的精密加工廠,累積了 1.2 萬份文件:ISO 程序書、設備原廠手冊、工安 SOP、歷年異常處理紀錄。痛點很典型——新人找一份正確版本的 SOP 平均要 20 分鐘,夜班遇到設備異常只能打電話吵醒資深工程師。而這些文件混著客戶 NDA 與製程參數,受營業秘密法保護,法務直接否決任何「上傳到境外雲端 AI」的方案。</p>
<p>他們最後在台灣機房租了一台雙 4090 主機,跑 Qwen2.5-32B 的 INT4 量化版,配 bge-m3 做繁中檢索,月租約 NT$45,000。導入花了兩個月:第一個月清文件、建索引、跑 150 題內部評測集把命中率從 71% 調到 93%;第二個月試營運與權限分級。過程中真正難的不是模型,是文件工程——三成的手冊是掃描檔,要先過 OCR 與人工抽驗;製程參數表不能直接切塊,得整表保留並補上表頭說明;不同部門的文件還要掛權限標籤,業務看不到製程資料,產線查不到報價單,這些前置工作占掉全案一半以上的工時。</p>
<p>上線後新人查 SOP 的時間從 20 分鐘縮到 2 分鐘內,夜班打給資深工程師的次數少了六成。附帶的好處是延遲:機房在台灣,問答往返網路延遲 5ms 上下,比呼叫海外服務的 60-150ms 順暢得多,產線平板上用起來像即時對話。廠長事後的評語很實在:這套系統最大的價值不是 AI 多聰明,是它終於逼公司把二十年的文件整理成一套有版本、有權限的資產。</p>
<p>成本結構也值得記下來:這個案子的外部支出就是兩個月機器月租共約 9 萬元,其餘全是內部工時;同樣範圍交給系統整合商從零客製,市場報價常落在 NT$150-300 萬。自建加租機的組合,把試錯成本壓到外包報價的零頭,這也是我們一貫建議企業「先小做、驗證了再放大」的底氣。</p>

<h2>常見翻車點:九成的爛 RAG 都是檢索的錯</h2>
<p>導入 RAG 失敗的專案,問題極少出在 LLM,幾乎都出在檢索。常見的坑排下來:chunk 切太大或太小——300-800 字、前後保留 10-20% 重疊是穩健起點,表格與條列要特殊處理;embedding 模型不擅長繁體中文——選 bge-m3 或 multilingual-e5 這類多語模型,別拿純英文模型硬上;沒放 reranker——多這一層 2-4GB 顯存的小模型,常常就是命中率從七成到九成的差距;以及沒有評測集——上線前準備 50-200 題有標準答案的內部問題,每次調參數都重跑,不然你永遠在憑感覺調。</p>
<p>幻覺控制也有標準做法:在 prompt 裡強制「只能根據提供的段落回答,並列出引用編號」,檢索相似度低於門檻時直接回「資料庫中查無相關內容」,寧可不答也不要瞎掰。這些設定做齊,企業內部問答的可用率把握做到九成以上。</p>
<p>上線不是終點,RAG 是要養的。固定的維運節奏建議:新文件自動進索引(每日或每週排程)、每月跑一次評測集回歸確認沒有品質飄移、每季檢視一次「查無資料」與低分回答的清單,回頭補文件或調切塊。這些工作每月大約半人日,卻是系統一年後還好用的關鍵。想再深入私有化部署的模型選型與服務化細節,可以接著讀 <a href="https://www.nss.com.tw/private-llm-deployment">私有 LLM 部署完整攻略</a>。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-18-points-20260714.jpg" alt="RAG 是什麼?不用重訓模型的企業知識庫方案,GPU 配置與導入成本指南" loading="lazy"/><figcaption>▲ RAG 導入的規模對照表</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>RAG 是企業 AI 裡投資報酬最好算的一種:GPU 需求從單張 4090 起步,隨使用人數線性成長,不會一開始就逼你上重裝備。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,POC 到正式環境可以無痛升級。方案與規格見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問會依你的文件量與使用人數建議配置。</p>

<h2>常見問題 FAQ</h2><h3>RAG 和微調最大的差別是什麼?</h3><p>RAG 把知識放在外部向量索引,模型不動,文件更新後幾分鐘就生效,回答還能附上來源;微調是把行為訓進模型,適合改語氣與格式,但知識一變就要重訓,單輪成本是重建索引的數十倍。企業知識庫九成情境應該先做 RAG。</p><h3>導入 RAG 最低的 GPU 門檻是多少?</h3><p>POC 等級只要一張 24GB 的 RTX 4090:跑 7B 模型的 INT4 量化版約占 5-6GB,加上 bge-m3 embedding 的 2-4GB 與 KV cache,單卡綽綽有餘。台灣機房這種主機月租約 NT$15,000-20,000,兩週內可以搭出能給主管試用的版本。</p><h3>RAG 一定需要 GPU 嗎?用 CPU 不行嗎?</h3><p>檢索段可以用 CPU,但 embedding 建索引會慢 10 倍以上;生成段用 CPU 跑 7B 模型每秒只有個位數 token,一個回答要等一兩分鐘,基本不可用。實務上一張入門 GPU 就能讓回答速度到每秒 30-60 個 token,體驗完全不同。</p><h3>文件要怎麼切塊(chunking)比較好?</h3><p>通用起點是每塊 300-800 字、前後重疊 10-20%,依標題與段落邊界切而不是硬切字數。表格建議整張保留並附上表頭說明,條列式 SOP 以步驟為單位。切法對命中率的影響常達 10-20 個百分點,值得花一天實驗。</p><h3>向量資料庫該選哪一套?</h3><p>百萬級以下向量,Qdrant、Milvus、pgvector 都夠用,差異主要在維運習慣:已有 PostgreSQL 的團隊用 pgvector 最省事,獨立部署選 Qdrant 輕量好管。向量檢索通常吃 CPU 與記憶體,抓 16-32GB RAM 起步即可,不占 GPU 顯存。</p><h3>RAG 的回答品質要怎麼量化?</h3><p>上線前建 50-200 題有標準答案的評測集,追兩個數字:檢索命中率(正確段落有沒有進前 5)與答案正確率(人工或 LLM 評分)。健康的系統命中率要 85% 以上、正確率 90% 上下;每次調 chunk、換模型都重跑,才知道是變好還變壞。</p><h3>怎麼降低 RAG 的幻覺?</h3><p>三件事做齊:prompt 強制只依提供段落回答並附引用編號;檢索相似度低於門檻就回「查無資料」,不硬答;加 reranker 把不相關段落擋在生成之前。實務上這樣可以把幻覺率壓到 5% 以下,剩下的靠評測集持續抓漏。</p><h3>200 人規模的公司,RAG 主機月費大概多少?</h3><p>尖峰併發 10-20 路、用 32B INT4 模型加完整檢索鏈,建議 2×RTX 4090 或一張 H100 80GB,台灣機房月租約 NT$40,000-80,000。比起呼叫雲端 API,固定月租的好處是用量再大帳單也不會失控,且文件全程不出機房。</p><h3>RAG 適合處理 Excel 和圖面這類非文字資料嗎?</h3><p>表格類資料要先轉成結構化文字或用表格感知的解析器處理,效果才穩;工程圖面、照片則需要多模態模型(如 Qwen-VL 系列),顯存需求會多 30-50%。建議第一期先做純文字文件,驗證價值後再擴充多模態,風險最低。</p><h3>資料完全不能出公司,RAG 做得到嗎?</h3><p>可以,這正是自建 RAG 的主場:embedding、向量資料庫、LLM 全部跑在你租用或自有的主機上,文件與問答紀錄都不離開機房。台灣機房方案還能滿足個資法與客戶 NDA 的稽核要求,金融與製造業已有大量落地案例。</p>"
                    ["post_title"]=>
                    string(88) "RAG 是什麼?不用重訓模型的企業知識庫方案,GPU 配置與導入成本指南"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(24) "rag-enterprise-gpu-guide"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 11:00:21"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 03:00:21"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(47) "https://www.nss.com.tw/rag-enterprise-gpu-guide"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [7]=>
                  object(WP_Post)#36619 (24) {
                    ["ID"]=>
                    int(125224)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:20:58"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:20:58"
                    ["post_content"]=>
                    string(17010) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:LLM 微調該選 LoRA 還是 Full Fine-tuning?</p><p style="margin:0">八成企業場景用 LoRA 就夠:凍結原模型、只訓練低秩適配層,顯存約全參數微調的 1/3-1/10,7B 模型一張 RTX 4090 就能跑。Full Fine-tuning 效果上限較高,但 7B 就要 110GB 以上顯存、成本高 5-10 倍。建議先用 QLoRA 花半天驗證資料有訊號,再決定要不要加碼。</p></div>
<p>「我們想微調一個自己的模型」,這大概是 2026 年台灣企業 AI 導入會議上出現頻率最高的一句話。但再往下追問,十個團隊有八個說不清楚要微調什麼、需要幾張 GPU、預算該抓多少,甚至分不清自己要解的問題到底需不需要微調。這篇文章把 LLM 微調的兩條主要路線——LoRA 與 Full Fine-tuning(全參數微調)——的原理、顯存需求、訓練時間與租用成本一次算清,並附上一個台灣電商團隊從 POC 到上線的完整時程。先講立場:除非你已經用 LoRA 驗證過效果而且確定不夠,否則不要從全參數微調開始,這條原則能替多數團隊省下第一筆冤枉錢。</p>

<h2>先確認你要解的是「行為問題」還是「知識問題」</h2>
<p>微調改變的是模型的「行為」:輸出格式、語氣、領域用語、任務套路。它並不擅長把新知識塞進模型腦袋。想讓 LLM 回答公司內部文件、產品規格、常變動的政策條文,正確工具是 RAG(檢索增強生成),不用重訓模型,知識更新也是即時的,做法可以參考 <a href="https://www.nss.com.tw/rag-enterprise-gpu-guide">RAG 企業知識庫方案指南</a>。</p>
<p>那什麼情境值得微調?幾個典型:客服回覆必須完全符合品牌語氣與 SOP;輸出要是嚴格的 JSON 或報表格式,prompt 調到極限仍有 5% 上下的格式錯誤;醫療、法律、精密製造這類術語密集的領域,通用模型講話「不像內行人」;或者你想把原本要 70B 模型才穩定的任務壓進 7B 小模型,推論成本直接砍到三分之一以下——這是最容易回本的一種。</p>
<p>一個花半天就能做完的自我檢查:拿 20-30 題實際業務問題,用你手上最強的模型加上能寫出的最好 prompt 跑一遍。如果錯的是「答案內容」,例如模型不知道你們的產品規格,那是知識問題,微調救不了;如果錯的是「表達方式」——格式跑掉、語氣不對、廢話太多——才輪到微調上場。另外記住成本結構:prompt 迭代的邊際成本趨近於零,微調一輪動輒數千元機時起跳,能用 prompt 解決的問題,永遠優先用 prompt。多數企業最後的架構是混合的:RAG 管知識,微調管行為,兩邊各司其職。</p>


<figure class="wp-block-image size-full"><img title="戰國策集團LLM 微調實戰:LoRA 和 Full Fine-tuning 差在哪?GPU 需求與成本一次算清" src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-17-data-20260714.jpg" alt="LLM 微調實戰:LoRA 和 Full Fine-tuning 差在哪?GPU 需求與成本一次算清" loading="lazy"/><figcaption>▲ 7B 一張 RTX 4090 就能微調;全參數 7B 要 110GB 以上</figcaption></figure>
<h2>Full Fine-tuning:效果上限最高,顯存是無底洞</h2>
<p>全參數微調就是把模型每一個權重都拿出來更新。效果上限最高,但顯存開銷驚人,因為訓練期間要同時擺四樣東西:模型權重(FP16 每參數 2 bytes)、梯度(2 bytes)、AdamW 優化器狀態(FP32 動量加變異數,8 bytes),再加上隨序列長度與 batch size 成長的激活值。</p>
<p>經驗法則:全參數訓練的顯存需求,大約是「FP16 權重容量」的 8 到 10 倍。7B 模型權重約 14GB,全參數訓練就要 110-140GB,單張 H100 80GB 裝不下,2 張起跳,還得搭配 DeepSpeed ZeRO 或 FSDP 把狀態切到多卡。32B 約 500GB 上下,70B 直接衝破 700GB,進入多節點叢集的世界——那是另一門學問,可見 <a href="https://www.nss.com.tw/multi-node-distributed-training">多節點分散式訓練入門</a>。</p>
<p>激活值是最容易被低估的一項:它隨 batch 與序列長度線性成長,4K 序列、batch 8 的設定下,7B 的激活值可以再吃掉 30-60GB,所以實務估算永遠要留緩衝。另一筆隱性成本是實驗管理——全參數微調的每個 checkpoint 都是完整模型,7B 一份 14GB,訓練途中存十份就是 140GB 儲存;超參數掃五組,機時與儲存全部乘以五。這些帳在報價單上看不到,卻真實反映在時程與月結帳單上。</p>
<p>資料需求同樣是門檻:全參數微調通常要上萬到數十萬筆高品質資料才不容易過擬合,一輪訓練以天計。對多數企業,這條路的合理時機只有一個:LoRA 已經證明有效,而你需要再擠出最後幾個百分點,或者要做深度的領域續訓。</p>

<h2>LoRA:凍結原模型,只訓練低秩適配層</h2>
<p>LoRA(Low-Rank Adaptation)的思路完全不同:原模型權重全部凍結,在注意力層旁邊掛上兩個低秩矩陣(rank 一般取 8-64),只訓練這一小撮新增參數,通常僅占原模型參數量的 0.1% 到 1%。</p>
<p>因為梯度與優化器狀態只需要為這不到 1% 的參數保留,整體顯存需求大約降到全參數微調的 1/3 到 1/10。7B 模型跑 FP16 LoRA 約需 18-24GB,一張 RTX 4090(24GB)剛好能吃下;QLoRA 更進一步把凍結的底模量化成 4-bit,7B 只要 8-12GB,16GB 的消費卡都能拿來做實驗。</p>
<p>幾個實務參數直接給你抄:rank 從 16 或 32 起手,純風格任務 8 就有感,複雜任務再往 64-128 試;適配層先只掛注意力層的 Q、K、V、O 四個投影矩陣,效果不足再加 MLP 層,代價是參數量與顯存多三四成;學習率抓 1e-4 到 2e-4,比全參數微調高一個數量級。還有個反直覺的優點:當你的資料只有幾千筆,LoRA 因為可訓練參數少,反而比全參數更不容易過擬合——小資料集的企業場景等於天然適配。</p>
<p>工程面的好處也別忽略。訓練產出的 adapter 檔案只有幾十到幾百 MB,版本管理與回滾都輕鬆;同一個底模可以掛多組 adapter,客服、翻譯、摘要各練一個,推論時動態切換,一台主機同時服務多個任務。對人力有限的台灣中小團隊,這種可維運性比跑分高一兩分重要得多。</p>

<h2>GPU 需求對照表:7B 到 70B 一次看清</h2>
<table>
<thead><tr><th>模型規模</th><th>Full Fine-tuning</th><th>LoRA(FP16)</th><th>QLoRA(4-bit)</th></tr></thead>
<tbody>
<tr><td>7B</td><td>110-140GB,2×H100 80GB</td><td>18-24GB,1×RTX 4090</td><td>8-12GB,1×RTX 4090 有餘裕</td></tr>
<tr><td>14B</td><td>220-280GB,4×H100</td><td>36-48GB,1×L40S 48GB 或 2×4090</td><td>14-18GB,1×RTX 4090</td></tr>
<tr><td>32B</td><td>500GB 上下,8×H100</td><td>75-95GB,2×H100 或 2×L40S</td><td>26-34GB,1×L40S 或 2×4090</td></tr>
<tr><td>70B</td><td>700GB 以上,多節點</td><td>150-190GB,3×H100</td><td>42-50GB,2×4090 或 1×L40S(緊)</td></tr>
</tbody>
</table>
<p>兩個實務提醒。表中數字以 2K-4K 序列長度、小 batch 估算,序列拉到 8K 以上或 batch 加大,激活值會讓顯存再多吃 20-50%;另外,開 gradient checkpointing 可以省下 30-50% 顯存,代價是訓練慢兩到三成,當顯存卡在門檻邊緣時,這是最划算的交換。</p>
<p>訓練時間也給個基準,以 2 萬筆、平均 1K token 的指令資料跑 3 個 epoch 估算:7B LoRA 在 RTX 4090 上約 6-10 小時,H100 約 2-4 小時;14B 大致乘以二;32B 的 QLoRA 在雙 4090 上要 15-25 小時。換算成錢:台灣機房 4090 主機月租 NT$15,000-25,000,攤下來一輪訓練的機時成本不過幾百元——真正貴的是工程師指揮機器的時間,所以把迭代週期縮短,比省那一點機時重要得多。</p>
<p>用這張表抓預算的流程很直接:先定模型規模(絕大多數企業從 7B-14B 起步),再定訓練方式(預設 QLoRA),最後對出顯存與卡數。容易被忽略的是主機配套:載入與轉檔階段很吃系統記憶體,RAM 建議抓總顯存的 1.5-2 倍;資料集加上多版本 checkpoint,硬碟建議 NVMe SSD 500GB 起跳。這些在正規的租用方案裡通常已包含,自組機器時卻最常漏算,開訓當天才發現 RAM 不夠是很常見的慘劇。</p>

<h2>成本試算與導入案例:兩週從 POC 到上線</h2>
<p>先看租用行情。海外雲端 H100 每小時約 US$2.5-6,一次 6 小時的 7B LoRA 訓練折合 NT$500-1,500,單看很便宜。但實務上一個案子會迭代數十次,加上資料前處理、失敗重跑與除錯占用的機時,月帳單很容易衝到 NT$40,000-80,000,而且企業資料得出境。台灣在地 GPU 主機走包月制,RTX 4090 等級月租約 NT$15,000-25,000,吃到飽迭代,資料留在台灣機房,個資法遵評估也單純得多。</p>
<p>看一個實際案例。台北一家 35 人的跨境電商,想把客服 email 草擬自動化,選了 Qwen2.5-7B-Instruct 做 QLoRA,資料是 2.3 萬筆去識別化的歷史工單。時程是:第 1-2 天環境建置與資料清理;第 3 天跑通第一輪訓練,單輪約 4 小時;第 4-10 天共迭代 11 輪,主要在調資料配比與 rank;第 11-14 天做離線評測與上線。設備就是台灣機房一台單卡 4090 主機,整個專案的硬體成本等於一個月月租 NT$18,000。上線兩個月後,客服首次回覆時間從平均 4 小時降到 18 分鐘,AI 草稿採用率 76%。同樣的迭代量若按小時租海外 H100,估 NT$35,000-60,000,還沒算個資出境評估的隱形成本。</p>
<p>這個案子有兩個值得抄的細節。資料清理占掉整個專案約六成工時:他們把 5 萬筆原始工單去重、濾掉罐頭回覆、遮罩個資後只剩 2.3 萬筆可用,但正是這一步讓效果跳上來——第一版直接拿全量原始資料訓練的模型,盲測分數比底模還差。評測做得樸素而有效:上線前用 50 題真實客服情境做人工盲測,上線後每週抽 100 封 AI 草稿人工複核,採用率與修改幅度都進儀表板,「76% 採用率」這個數字就是這樣來的,不是感覺。</p>
<p>雲端與在地的比較,還有兩筆帳常被漏掉。上傳與下載的時間成本:幾十 GB 的資料集與模型權重在跨海頻寬上來回,每次迭代多等半小時起跳,兩週的專案硬是被拖成三週。還有法遵文件成本:客戶資料要出境,法務得做傳輸影響評估與契約檢核,這些人力成本往往超過機時費本身。台灣機房把這兩筆直接歸零,這才是月租數字之外真正的差異。</p>
<p>再補一個時程上的提醒:兩週上線的前提是資料已經存在、只需要清理。如果工單還散在個人信箱、客服系統沒有匯出機制,請先花兩到四週把資料管線建起來再開案,否則 GPU 租了只能空轉。評估微調專案時,「資料在哪、誰能拿到、乾不乾淨」這三個問題,永遠比「要租哪張卡」優先。</p>

<h2>LoRA 的極限:什麼時候該誠實加碼</h2>
<p>LoRA 不是萬靈丹。三種情況它會明顯不夠力:語言或領域移轉幅度太大,例如要讓英文底模深度學會台語文書寫;需要動到模型底層能力,像長推理鏈或更換 tokenizer;以及大規模續訓與蒸餾。此時的升級路徑通常是把 rank 拉高到 128-256 並套用到更多層,再不行才解凍部分層,最後才是全參數微調。</p>
<p>順帶回答一個常見的進階問題:DPO、RLHF 這些對齊技術呢?它們解的是「在多個可行回答之間挑更好的那個」,通常接在監督式微調(SFT)之後,資料要成對的偏好標註,顯存需求與 LoRA SFT 同級或略高。多數企業案子做到 LoRA SFT 就能交付,對齊訓練留給有專職 ML 團隊的公司;至於資料量以十億 token 計的領域續訓,進場前先確認你真的有那個量級的語料,多數產業其實沒有。</p>
<p>我們給客戶的標準建議是反過來走:先用 QLoRA 花半天、幾百元機時,驗證「你的資料有沒有訊號」。有效果,八成的案子就停在 LoRA 直接上線;有效果但不夠力,才值得討論全參數與更大的 GPU 配置。從第一天就上全參數微調的團隊,多數是把預算燒在還沒驗證過的假設上。預算排序也很直觀:先花錢整資料,再花錢租卡,買卡永遠放最後。</p>
<p>給一張可以直接對照的判斷清單:資料少於 5,000 筆、任務屬於格式語氣類、預算在六位數以內——停在 LoRA;盲測顯示模型能力天花板明顯、可用資料超過 10 萬筆、團隊有專職 ML 人力——才值得進全參數。拿這五條對照你的專案,九成的情況答案已經出來了,剩下一成,先跑一輪 QLoRA 再說。</p>


<figure class="wp-block-image size-full"><img title="戰國策集團LLM 微調實戰:LoRA 和 Full Fine-tuning 差在哪?GPU 需求與成本一次算清" src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-17-points-20260714.jpg" alt="LLM 微調實戰:LoRA 和 Full Fine-tuning 差在哪?GPU 需求與成本一次算清" loading="lazy"/><figcaption>▲ LoRA vs Full FT 的選擇邏輯</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>微調專案的 GPU 需求有明顯階段性:POC 期一張 4090 就夠,放大期可能要 H100 多卡。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,機器放在台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,可以隨專案階段彈性升級。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,由顧問依你的模型規模與資料量試算配置。</p>

<h2>常見問題 FAQ</h2><h3>用 LoRA 微調 7B 模型最少需要多少顯存?</h3><p>FP16 LoRA 約需 18-24GB,一張 RTX 4090(24GB)可以執行;QLoRA 把底模量化成 4-bit 後只要 8-12GB。若序列長度超過 4K 或 batch 加大,建議直接抓 24GB 以上,搭配 gradient checkpointing 還能再省 30-50% 顯存。</p><h3>LoRA 的效果會比全參數微調差很多嗎?</h3><p>在指令跟隨、語氣風格、格式控制這類任務上,LoRA 與全參數微調的差距多在 1-3% 以內,人工盲測常分不出來。差距明顯的是深度領域移轉與新語言學習。建議先用 LoRA 驗證方向,確認有效再評估是否值得多花 5-10 倍成本上全參數。</p><h3>微調需要準備多少訓練資料?</h3><p>風格與格式類任務約 500-3,000 筆高品質樣本就有感;任務型指令微調常見 5,000-50,000 筆;全參數領域續訓以十萬筆起跳。資料品質比數量重要,1,000 筆人工校對過的乾淨樣本,效果往往勝過 3 萬筆帶雜訊的原始資料。</p><h3>7B 模型 LoRA 微調一輪要跑多久?</h3><p>以 2 萬筆、平均 1K token 的指令資料訓練 3 個 epoch 估算:RTX 4090 約 6-10 小時,H100 約 2-4 小時;QLoRA 因量化運算反而慢 10-20%。整個專案含迭代通常要跑 10-20 輪,所以包月主機會比按小時計費划算。</p><h3>該選微調還是 RAG?</h3><p>要模型「知道最新內部知識」選 RAG,知識更新即時、回答可附來源;要改變「行為與語氣」選微調。實務上七成企業案子從 RAG 起步,最成熟的架構是 RAG 管知識、LoRA 管格式語氣,兩者並用,總成本反而比硬用單一方案低。</p><h3>QLoRA 是什麼?量化會不會犧牲效果?</h3><p>QLoRA 把凍結的底模用 NF4 格式壓到 4-bit,只有 LoRA 適配層維持高精度,7B 的訓練顯存從 18-24GB 降到 8-12GB。多數公開評測顯示效果損失在 1-2% 內,對預算有限的團隊是首選起點,驗證有效後再換 FP16 LoRA 收尾即可。</p><h3>微調後模型會不會忘記原本的能力?</h3><p>會,術語叫災難性遺忘。全參數微調最嚴重,LoRA 因為凍結原權重,影響小得多。實務解法是在訓練資料混入 5-10% 通用指令資料,並在驗證集加入通用能力測項;若通用分數掉超過 3-5%,通常是學習率太高或 epoch 太多。</p><h3>一張 RTX 4090 能微調 70B 模型嗎?</h3><p>單張 24GB 不行。70B 即使用 QLoRA 也需要 42-50GB 顯存,至少要 2 張 4090 合計 48GB 搭配分片,或一張 48GB 的 L40S 勉強容納。認真做 70B 建議 2-3 張 H100 跑 FP16 LoRA,訓練速度與穩定度跟消費卡是兩個世界。</p><h3>微調專案該租 GPU 還是買卡?</h3><p>迭代期建議用租的:台灣機房 4090 主機月租約 NT$15,000-25,000,免押金、硬體故障有人處理,兩三個月專案期的總成本遠低於購置。等你有全年不間斷的訓練需求且用量穩定,再評估買斷,回本週期一般抓 12-18 個月。</p><h3>訓練資料要整理成什麼格式?</h3><p>主流是 JSONL,每行一筆,含 instruction、input、output 欄位,或 OpenAI 式的 messages 對話格式。真正花時間的是去識別化、去重與品質篩選,這部分通常占專案 40-60% 的工時,比訓練本身還重,建議一開始就排進時程。</p>"
                    ["post_title"]=>
                    string(84) "LLM 微調實戰:LoRA 和 Full Fine-tuning 差在哪?GPU 需求與成本一次算清"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(23) "llm-finetuning-lora-gpu"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 10:59:24"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 02:59:24"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(46) "https://www.nss.com.tw/llm-finetuning-lora-gpu"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [8]=>
                  object(WP_Post)#36617 (24) {
                    ["ID"]=>
                    int(125223)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:16:10"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:16:10"
                    ["post_content"]=>
                    string(18062) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:浸沒式液冷伺服器是什麼?為什麼高密度 GPU 機房要把伺服器泡進液體裡?</p><p style="margin:0">浸沒式液冷伺服器就是把整台伺服器浸入不導電的介電冷卻液中散熱,分為單相(液體不沸騰,靠泵浦與對流循環帶熱)與兩相(液體在晶片表面沸騰汽化,以潛熱散熱,效率更高)兩種。液體帶熱能力遠勝空氣,單櫃可支援 30 到 100kW 以上的 GPU 高密度部署,機房 PUE 能從氣冷的 1.4-1.6 降到約 1.05-1.1,散熱電費大減,還能拆除風扇、大幅降低噪音與故障率。</p></div>
<p>走進一座傳統機房,最先感受到的是風:上千顆風扇的轟鳴、冷通道的寒意、熱通道撲面而來的熱浪。走進一座浸沒式液冷機房,卻安靜得像圖書館,伺服器整台泡在清澈的液體裡,只剩泵浦低鳴。這不是科幻場景,而是 AI 時代高密度 GPU 機房正在發生的散熱革命。這篇文章用顧問的視角,把浸沒式液冷伺服器的原理、單相與兩相的差異、PUE 電費帳本、與氣冷及冷板方案的取捨,以及台灣機房的導入現況,一次講清楚。</p><h2>當機櫃功率衝破 30kW:氣冷正在逼近物理極限</h2><p>十年前,一座標準機櫃裝滿伺服器,總功率大約 3 到 5kW,機房空調吹一吹就能應付。今天一台八卡的 AI 訓練伺服器,滿載功率就可能超過 10kW;疊四台進同一櫃,單櫃輕鬆突破 40kW。NVIDIA 新世代 GPU 平台的參考架構,單櫃功率更已規劃到 100kW 以上。業界的共識很直白:AI 機櫃的功率密度在五年內成長了一個數量級,而且還在往上爬。</p><p>麻煩在於,空氣本質上是很差的導熱介質:熱容量低、導熱係數低,要帶走同樣的熱量,需要非常大的體積流量。機房因此塞滿風扇、空調箱與冷熱通道封閉設施,整棟建築有相當比例的電力不是拿來運算,而是拿來吹風。當單櫃功率超過大約 20 到 30kW,氣冷開始捉襟見肘:風量再大,晶片熱點依舊壓不住,GPU 為了自保觸發降頻,你買來的算力就這樣悄悄打了折。風扇本身也吃電、也會壞,密度越高,這條路就越走越窄。</p><p>許多機房的第一反應是「攤開放」:一櫃只裝三分之一,把熱源稀釋。代價是機位租金與樓地板面積翻倍,叢集節點被迫拉遠,網路佈線與延遲一起惡化。如果你正在規劃 AI 訓練或高效能運算叢集,這道散熱天花板遲早會撞上;想先補齊運算架構的基礎,可參考這篇 <a href='https://www.nss.com.tw/hpc-gpu-computing-guide'>HPC 高效能運算入門指南</a>,本文則聚焦散熱這一側的解法。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-16-data-20260714.jpg" alt="浸沒式液冷伺服器是什麼?高密度 GPU 機房的散熱革命與台灣現況" loading="lazy"/><figcaption>▲ 氣冷機房 PUE 1.4-1.6;浸沒式液冷讓散熱電費大減</figcaption></figure>
<h2>浸沒式液冷伺服器是什麼?單相與兩相的差別</h2><p>浸沒式液冷(immersion cooling)的做法非常直觀:把整台伺服器泡進裝滿「不導電冷卻液」的液槽。這種液體是絕緣的介電流體,主機板、記憶體、GPU 全部浸在裡面也不會短路。液體的導熱與帶熱能力遠勝空氣,晶片的熱量直接傳給緊貼表面的液體,不必再經過散熱鰭片、風扇、空氣這一長串低效率的接力賽。</p><p>依照冷卻液是否沸騰,浸沒式分成兩條技術路線:</p><ul><li><strong>單相浸沒(single-phase)</strong>:冷卻液全程維持液態、不沸騰,靠泵浦與自然對流循環,把熱帶到熱交換器,再由水迴路送出機房。液體多為礦物油或合成碳氫流體,價格相對親民、系統簡單,是目前商用部署的主流。</li><li><strong>兩相浸沒(two-phase)</strong>:使用低沸點氟化液,液體直接在晶片表面沸騰汽化,蒸氣上升到液槽頂部的冷凝盤管,凝結後再滴回槽內形成封閉循環。汽化吸收的是潛熱,單位質量帶走的熱量遠高於單純升溫,散熱效率更高、可支撐更極端的功率密度;代價是氟化液昂貴、槽體要處理蒸氣密封,工程複雜度與成本都高一截。</li></ul><p>一個好記的比喻:單相像把發燙的鐵塊放進不斷攪拌的油鍋,靠油的流動持續帶走熱;兩相像把水灑上燒紅的鐵板,水在瞬間汽化,那一刻吸走的熱量大得多。</p><p>浸沒式還有一項常被低估的紅利:風扇全數拆除。風扇通常吃掉伺服器本身約一成電力,也是機房裡最常故障的機械零件;拆掉之後,故障點減少,震動與灰塵問題一併消失,機房從 85 分貝的轟鳴變成 60 分貝以下的低鳴,運維人員終於不必戴著耳罩巡檢。</p><p>至於大家最擔心的維護:設備要先吊出液槽、瀝液之後才能動手,液槽上方通常配有導軌或小型吊臂輔助,流程與氣冷確實不同。冷卻液本身反而不嬌貴,單相液體的使用壽命常見規劃 8 到 10 年以上,期間定期檢測黏度、含水量與酸值即可;真正的消耗是設備進出時帶走的少量液體,屬於可預估、可編列的營運成本,而不是隱藏地雷。</p><h2>PUE 是什麼?從 1.5 到 1.1 的電費帳本</h2><p>評估機房能效,業界通用的指標是 PUE(Power Usage Effectiveness,電力使用效率):機房總用電除以 IT 設備用電,數字越接近 1 越好。PUE 1.5 代表 IT 設備每用 1 度電,空調、風扇、供電損耗等非 IT 開銷還要再吃 0.5 度。</p><p>傳統氣冷資料中心的 PUE 多落在 1.4 到 1.6;把冷熱通道封閉與氣流管理做到位,壓到 1.3 出頭已屬佳作。浸沒式液冷把散熱主力交給液體,幾乎不需要壓縮機制冷,冷卻迴路可接受 40 度上下的較高水溫,多數時間靠乾式冷卻塔就能把熱排掉,PUE 因此可壓到約 1.05 到 1.1。</p><p>帳本攤開來算最有感。假設一座 IT 負載 1,000kW 的 AI 機房:</p><ul><li>PUE 1.5:總用電 1,500kW,非 IT 耗電 500kW;</li><li>PUE 1.1:總用電 1,100kW,非 IT 耗電僅 100kW,直接砍掉八成;</li><li>兩者差距 400kW,乘上一年 8,760 小時,約省下 350 萬度電;以工業電價每度 NT$3.5 元估算,一年電費差距約 NT$1,200 萬元。</li></ul><p>還有一個行家才會注意的細節:伺服器內建風扇的用電,在 PUE 公式裡是算在 IT 設備那一側的。浸沒式把風扇整批拆掉,等於連分母裡的無效用電也一併省下,實際節能幅度比 PUE 數字表面呈現的更漂亮。省下的也不只是電費:散熱負擔變小,不斷電系統與發電機的容量需求跟著下降,同一棟建築的供電餘裕可以再塞進更多算力,這對受限於契約容量的台灣機房尤其關鍵。同樣的算力,只因散熱方式不同,一年就是千萬元等級的差距;機房規模越大、電價越高,這筆帳越驚人。</p><h2>三條散熱路線對照:氣冷、冷板、浸沒式</h2><p>液冷不是只有浸沒式一條路。另一條更漸進的路線是直接晶片液冷(Direct-to-Chip,簡稱 D2C,俗稱冷板式):在 GPU、CPU 等主要發熱晶片上鎖一塊內部有水道的冷板(cold plate),冷卻液只流經冷板、不接觸其他零件,其餘元件仍靠風扇散熱。D2C 對機房的改造幅度較小,拉水路、加裝冷卻液分配單元(CDU)後即可沿用現有機櫃型態,因此成為多數大型資料中心導入液冷的第一步。</p><p>浸沒式則是最徹底的方案:散熱效果最好、密度上限最高,但機房要改成液槽型態、樓板承重要重新計算、冷卻液要採購與管理、維運流程也得重新訓練。三條路線的取捨,一張表看得最清楚:</p><table><tr><th>比較項目</th><th>傳統氣冷</th><th>直接晶片液冷(D2C 冷板)</th><th>浸沒式液冷</th></tr><tr><td>典型 PUE</td><td>約 1.4-1.6</td><td>約 1.15-1.3</td><td>約 1.05-1.1</td></tr><tr><td>可支援單櫃功率</td><td>常見 10-20kW,優化後約 30kW 接近極限</td><td>約 50-100kW</td><td>100kW 以上,兩相潛力更高</td></tr><tr><td>導入成本</td><td>低,沿用既有設施</td><td>中,需水路管線與 CDU</td><td>高,需液槽、冷卻液與機房改造</td></tr><tr><td>維護難度</td><td>低,人員最熟悉</td><td>中,需管理接頭與防漏</td><td>較高,設備進出需吊掛與瀝液</td></tr><tr><td>噪音與風扇</td><td>風扇多、噪音大</td><td>風扇減少</td><td>幾乎無風扇,近乎安靜</td></tr></table><p>選擇邏輯大致是:單櫃 20kW 以下、預算有限,把氣冷優化到位即可;30 到 80kW 的 AI 機櫃,D2C 冷板是目前的主流解;要一次到位支撐 100kW 級機櫃、機房空間極度受限、或對噪音與能效有硬性要求,才值得直上浸沒式。也有不少案場採混合策略:訓練叢集用液冷,儲存與網路設備留在氣冷區,各取所長。</p><h2>台灣機房為什麼開始認真看液冷?</h2><p>把場景拉回台灣,幾個在地條件讓液冷的投資報酬率比多數國家更好算。</p><ul><li><strong>電價持續走揚</strong>:台灣工業電價每度約 NT$3 到 4 元,夏月(6 到 9 月)費率更高;近年數次調漲後,大用電戶感受最深。機房是 7×24 滿載的用電大戶,PUE 每降 0.1,都直接反映在每月的電費單上。</li><li><strong>土地與空間昂貴</strong>:雙北與桃園的機房空間寸土寸金,氣冷被迫攤開放以稀釋熱源,浸沒式讓同樣算力塞進約三分之一的樓地板面積,省下的租金與土建成本相當可觀。</li><li><strong>氣候先天不利氣冷</strong>:台灣夏季室外動輒 35 度以上、相對濕度 70% 起跳,自然冷卻可用時數短,空調壓縮機幾乎整年重載;液冷迴路可接受較高水溫,盛夏也能靠乾式冷卻塔運轉,對台灣的高溫高濕特別對症。</li><li><strong>ESG 與能效法規</strong>:上市櫃公司要做碳盤查與淨零承諾,主管機關對新建大型資料中心的用電申請也訂出能效門檻,PUE 大致要壓在 1.4 以下才容易取得供電核可;氣冷達標吃力,液冷是最直接的工程解。</li></ul><p>實際動起來的不只科技巨頭:北部已有電信與雲端業者在既有機房劃出液冷專區,中南部新建的資料中心在設計階段就預留液冷管路與樓板承重;台灣的伺服器代工與散熱供應鏈(液槽、冷板、CDU、快接頭)本來就是全球要角,在地取得方案與技術支援相對容易。門檻同樣真實:冷卻液的初次填充與後續補充成本、既有機房的結構與消防改造、維運團隊的重新訓練,都是評估時必須誠實面對的項目;兩相浸沒使用的氟化液,更因主要供應商淡出市場而面臨供應與價格的雙重壓力。務實的建議是分階段走:先用一到兩座液槽驗證業務負載與維運流程,電費與故障率的數字對了,再放大規模,風險最可控。</p><h2>一個 AI 機房的決策實例:氣冷擴充撞牆之後</h2><p>一家台北的 AI 影像分析公司,2025 年接下大型智慧交通專案,需要把訓練算力擴充四倍。他們原本在北部某資料中心租用 12 櫃氣冷機位、每櫃約 8kW;新方案規劃 8 櫃 H100 等級伺服器,單櫃功率 60kW,合計 IT 負載約 480kW,而且客戶要求六個月內上線,時程壓力不小。</p><p>第一輪先評估氣冷擴充。機房方回覆:現有樓層每櫃供電與散熱上限 15kW,若維持氣冷,60kW 的設計得拆成 32 櫃低密度部署,機位租金翻倍,而且同樓層機位不足、必須跨兩個樓層,叢集網路的佈線成本與延遲都會惡化。第二輪評估列間空調加封閉通道改造:單櫃上限可拉到約 25kW,仍然不夠,且改造後 PUE 預估僅從 1.55 降到 1.35,電費改善有限。</p><p>最終拍板與機房業者合作導入單相浸沒式:8 櫃改為 6 座液槽,上線後 PUE 實測落在 1.08 到 1.12。用 PUE 1.5 對比 1.1 估算:480kW 的 IT 負載,非 IT 耗電從約 240kW 降到 48kW,一年省下約 168 萬度電,以每度 NT$3.5 元計,每年電費省下約 NT$590 萬元;加上省下的機位租金與免去的空調改造費,財務端估算整套液冷投資約 3 年半可回收。附帶的驚喜是噪音:機房從 85 分貝降到 60 分貝以下,維運同仁的評語是「終於能在機房裡好好講電話」。</p><p>這類高密度需求並不限於 AI 訓練。雲端遊戲與 VR 串流這種延遲敏感、又需要大量 GPU 併發的服務,同樣往高密度機櫃演進,可延伸閱讀 <a href='https://www.nss.com.tw/cloud-gaming-vr-gpu'>雲端遊戲與 VR 串流的 GPU 應用解析</a>。而對多數還不需要自建機房的團隊來說,直接租用散熱與電力都已打點好的 <a href='https://www.nss.com.tw/gpu/'>GPU 主機</a>,往往是更快、財務上也更輕盈的起點。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-16-points-20260714.jpg" alt="浸沒式液冷伺服器是什麼?高密度 GPU 機房的散熱革命與台灣現況" loading="lazy"/><figcaption>▲ 高密度 GPU 機房散熱革命</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2><p>看完浸沒式液冷的原理與帳本,你會發現高密度 GPU 部署的真正門檻,從來不只是買幾張卡,而是電力、散熱、機房與維運的整套工程。如果你的團隊需要的是穩定算力,而不是一座機房,把這些難題交給專業夥伴是務實的選擇。戰國策 GPU 主機部署於台灣在地機房,提供 NVIDIA H100 與 RTX 系列多種規格,月租 NT$15,000 元起,電力、散熱與網路由機房團隊打理,搭配 7×24 中文技術支援,讓你把心力留給模型與產品。詳情請見官網 <a href='https://www.nss.com.tw/gpu'>https://www.nss.com.tw/gpu</a>,或加入 LINE 帳號 @119m 洽詢,免費專線 0800-003-191。</p>

<h2>常見問題 FAQ</h2><h3>浸沒式液冷伺服器需要特製機型嗎?現有伺服器能直接泡進去嗎?</h3><p>不能直接泡。既有伺服器要先改造:拆除全部風扇、把散熱膏更換為不溶於冷卻液的介面材料、確認硬碟為密封式或改用 SSD,線材與標籤也要確認相容。多數液槽廠商提供改機服務,單台費用常見 NT$1 到 3 萬元;新採購時直接選液冷就緒機型最省事。</p><h3>單相與兩相浸沒式液冷,實務上該選哪一種?</h3><p>現階段商用主流是單相:礦物油或合成油價格較低、系統簡單、維護直觀,PUE 約 1.05 到 1.1 已能滿足絕大多數需求。兩相散熱密度更高,但氟化液每公升價格可達數千元,且主要供應商淡出、供應趨緊,多見於實驗性或極端密度場景。一般企業建議從單相入手。</p><h3>浸沒式液冷的 PUE 真的能做到 1.1 以下嗎?</h3><p>設計良好的案場可以。風扇全拆、冷卻迴路可用 40 度上下的較高水溫,多數時間靠乾式冷卻塔散熱,不依賴壓縮機制冷,業界實測常落在 1.03 到 1.1 之間。台灣高溫高濕環境下保守估 1.08 到 1.12,仍遠優於氣冷常見的 1.4 到 1.6,省電幅度依然可觀。</p><h3>冷卻液會不會損壞硬體?原廠保固怎麼辦?</h3><p>合格的介電冷卻液不導電、對金屬呈惰性,不會腐蝕電路;要留意部分塑膠、橡膠與標籤長期浸泡可能軟化,硬碟與光模組需選相容型號。保固方面,部分品牌已正式支援浸沒式,部分仍視為改裝;建議導入前要求供應商提供相容性清單與至少 3 年的材料測試報告。</p><h3>一櫃 100kW 是什麼概念?我的專案需要浸沒式嗎?</h3><p>100kW 約可容納 10 台上下的八卡 H100 等級伺服器,屬於超大規模 AI 訓練的密度。多數企業的單櫃需求落在 20 到 60kW:20kW 內優化氣冷即可,30kW 以上建議評估冷板式,超過 80kW 或空間受限再考慮浸沒式。先盤點實際功率再選散熱路線,順序不要顛倒。</p><h3>導入浸沒式液冷,機房要做哪些改造?</h3><p>重點有四項:樓板承重(滿液的液槽單座常超過 1 噸,荷重要重新計算)、水路與熱交換系統(乾冷塔或冷卻水塔)、消防與環安(冷卻液防漏與回收動線)、維運工具(吊掛設備與瀝液架)。既有機房改造工期常見 3 到 6 個月,新建案在設計期就納入的成本最低。</p><h3>浸沒式液冷會讓日常維護變得很麻煩嗎?</h3><p>是變不同,不一定變難。更換記憶體或介面卡要先吊出設備、瀝液 10 到 30 分鐘,單次作業比氣冷慢;但最大故障源風扇消失,灰塵、濕度與震動問題也沒了,業界常見回報整體硬體故障率下降三成上下。關鍵是重寫維運流程、培訓人員並備妥專用工具。</p><h3>台灣現在租得到高密度或液冷等級的 GPU 算力嗎?</h3><p>可以。台灣北中南都有資料中心建置或評估液冷專區,電信與雲端業者也陸續推出高密度機櫃方案。若不想自建,直接租用 GPU 主機是門檻最低的路:例如戰國策的 GPU 主機部署於台灣機房,月租 NT$15,000 元起,散熱與電力由機房打理,可撥免費專線 0800-003-191 詢問。</p><h3>自建液冷機房與租用 GPU 主機,成本怎麼比較?</h3><p>自建浸沒式的液槽、冷卻液、管路與機房改造,單座液槽的初期投資常見數百萬元等級,加上維運人力,適合長期滿載、規模達數十櫃的用戶,回收期約 3 到 5 年。若需求只是幾張到十幾張卡、或專案期不到 2 年,租用月付 NT$15,000 元起的方案幾乎必然更划算,還能隨時升級新卡。</p><h3>液冷對 GPU 效能與壽命有實際幫助嗎?</h3><p>有。液冷讓晶片溫度更低也更穩定,GPU 不易觸發熱降頻,長時間訓練的有效算力常比氣冷高 5% 到 10%;溫度波動小可減緩焊點疲勞,風扇震動歸零,業界普遍觀察年故障率可下降兩到三成。對 7×24 滿載的訓練叢集來說,穩定度本身就是產能。</p>"
                    ["post_title"]=>
                    string(84) "浸沒式液冷伺服器是什麼?高密度 GPU 機房的散熱革命與台灣現況"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(28) "immersion-cooling-gpu-server"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 10:58:04"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 02:58:04"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(51) "https://www.nss.com.tw/immersion-cooling-gpu-server"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [9]=>
                  object(WP_Post)#36615 (24) {
                    ["ID"]=>
                    int(125222)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:16:08"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:16:08"
                    ["post_content"]=>
                    string(17645) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:GPU 與 CPU 的差異是什麼,為什麼 AI 訓練都用 GPU?</p><p style="margin:0">CPU 只有數個到數十個強大核心,擅長複雜邏輯、分支判斷與一步接一步的序列任務,像幾位十項全能的大廚;GPU 有數千到上萬個小核心,能同時對大量資料做一模一樣的簡單運算,像整條工廠流水線。AI 訓練的本質是巨量矩陣乘加,幾乎沒有分支,正好能拆給幾千個核心同時算,所以 GPU 常比 CPU 快數十倍。兩者是分工:CPU 負責指揮與邏輯,GPU 負責平行算力。</p></div>
<h2>為什麼一講到 AI,大家都在搶 GPU?</h2><p>如果你最近看過任何一則科技新聞,大概都遇過同一句話:「AI 需要大量 GPU。」奇怪的是,你的筆電裡明明有一顆不便宜的 CPU,課本還說它是電腦的大腦,為什麼一算 AI,大家卻搶著要另一種晶片?這篇文章用最白話的方式,把 GPU 與 CPU 差異一次講清楚,也順便回答另一個常被搜尋的問題:什麼是 GPU 伺服器。你不需要資工背景,只要想像過餐廳的廚房和工廠的流水線,就能看懂現代運算世界最重要的一次分工。讀完之後,下次家人問起新聞裡的 AI 晶片之亂,你可以用一頓晚餐的時間講給他們聽。</p><p>先給最短版本的答案:<strong>CPU 像幾位十項全能的大廚</strong>,人數少,但再刁鑽的菜都做得出來;<strong>GPU 像幾千名只負責一道簡單工序的作業員</strong>,單看一個人不起眼,整條線動起來的產量卻嚇死人。難的菜交給大廚,大量重複的簡單工作交給流水線,這就是兩顆晶片的分工。接下來我們把比喻拆開,看看它們在晶片層面各自對應什麼。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-15-data-20260714.jpg" alt="GPU 與 CPU 到底差在哪?用工廠流水線一次講懂平行運算【圖解】" loading="lazy"/><figcaption>▲ CPU 擅長邏輯與序列;GPU 同時對巨量資料做相同運算</figcaption></figure>
<h2>CPU:少而精的十項全能大廚</h2><p>一顆現代 CPU 通常只有數個到數十個核心:家用桌機常見 6 到 16 核,伺服器等級可以到 64 核、96 核,頂多一百出頭。但每個核心都非常強:時脈動輒 3 到 5 GHz,等於每秒數十億個節拍;核心旁邊配了層層快取(L1、L2、L3),容量從幾十 KB 到上百 MB,讓最常用的資料幾乎不用等待就能取用,延遲極低;再加上分支預測、亂序執行這類聰明機制,專門對付「充滿判斷與跳轉」的程式。</p><p>換成廚房語言:CPU 核心就是米其林等級的大廚。客人臨時改單,他當場改流程,這叫<strong>分支判斷</strong>;一道功夫菜十個步驟環環相扣,少一步都不行,這叫<strong>序列任務</strong>;煮到一半要嚐味道再決定加不加鹽,這叫<strong>邏輯控制</strong>。作業系統的排程、資料庫的交易、網站後端的商業邏輯、程式裡一層又一層的條件式,都是「下一步取決於上一步結果」的工作,天生屬於 CPU。你隨手開個網頁、切個視窗,背後就是 CPU 在毫秒之間完成成千上萬次這種判斷,這也是它被稱為電腦大腦的原因。</p><p>但大廚再神,人數就是少。假設今天的任務是把一萬顆馬鈴薯削皮,五位大廚削得再快,也贏不了五百個人同時動手。這就是 CPU 的天花板:單筆極快、延遲極低,但同一時刻能並行的工作數量有限。</p><h2>GPU:幾千人同時開工的工廠流水線</h2><p>GPU 走完全相反的路線。一張現代 GPU 塞了數千到上萬個小核心:消費級旗艦卡有超過 16,000 個 CUDA 核心,資料中心等級的 NVIDIA H100 也有上萬個運算單元。每個核心都比 CPU 核心弱:時脈多半只有 1 到 2 GHz,不擅長複雜判斷,分到的快取也小。但它的設計哲學是人海戰術:同一道指令,讓成千上萬個執行緒同時套用在不同的資料上。這個模式的正式名稱叫 <strong>SIMT(單指令、多執行緒)</strong>,更白話的說法是<strong>資料平行</strong>:資料被切成幾千份,每一份做的動作一模一樣。有趣的是,GPU 一開始只是為了畫遊戲畫面而生,直到 2007 年前後通用運算框架普及,工程師才發現這支流水線大軍拿來算科學與 AI 一樣好用,從此顯卡不再只是遊戲配件。</p><p>回到比喻,GPU 像操場上集合了幾千名學生,老師在黑板寫一題「把你手上的兩個數字相加」,哨音一響,幾千人同時算完各自那題。我們做個粗略算術:一位大廚一分鐘能完成 30 筆複雜計算,五位大廚就是每分鐘 150 筆;一名學生一分鐘只能算 5 筆簡單加法,但 3,000 名學生同時動手,每分鐘就是 15,000 筆,是大廚隊的 100 倍。這就是<strong>延遲與吞吐量</strong>的差別:問單筆多快,大廚贏;問整批多快,流水線壓倒性獲勝,而 GPU 的世界在乎的通常是整批。不過人多還得餵得飽:幾千名學生同時伸手要考卷,發卷的速度就成了關鍵,所以 GPU 都配上超寬的記憶體通道,像一條一次能開進幾十台餐車的超大走道。</p><p>巧的是,世界上有一大類重要工作,正好就是大量一模一樣的簡單計算。螢幕上幾百萬個像素的顏色要同時算出來,這是 GPU 名字的由來(圖形處理器);影像濾鏡、影片轉檔、3D 遊戲的幾何與光影,全是同類;現在最紅的 AI 更是如此:深度學習的核心是矩陣乘法,把幾十億個數字排成表格反覆做乘加,幾乎沒有分支,一張卡上萬個核心一起算,一秒可完成數十兆次浮點運算。這也是近十年<a href='https://www.nss.com.tw/hpc-gpu-computing-guide'>HPC 高效能運算</a>大量改用 GPU 加速的原因:氣象模擬、分子動力學、金融風險計算,骨子裡都是巨量數值運算。</p><h2>一張表看懂 GPU 與 CPU 差異</h2><p>把故事整理成一張球員卡,兩邊的取捨一目了然:</p><table><tr><th>項目</th><th>CPU(大廚隊)</th><th>GPU(流水線)</th></tr><tr><td>核心數量</td><td>數個到數十個,伺服器級可破百核</td><td>數千到上萬個,旗艦卡逾 16,000 個 CUDA 核心</td></tr><tr><td>單核能力</td><td>極強,會處理複雜邏輯與分支</td><td>較弱,只做簡單重複運算</td></tr><tr><td>時脈</td><td>約 3 到 5 GHz</td><td>約 1 到 2 GHz</td></tr><tr><td>快取與延遲</td><td>多層大快取,延遲極低</td><td>快取小,靠每秒數 TB 高頻寬記憶體餵資料</td></tr><tr><td>擅長任務</td><td>作業系統、資料庫、邏輯控制、序列程式</td><td>矩陣運算、影像繪圖、AI 訓練與推論</td></tr><tr><td>不擅長</td><td>巨量重複的簡單運算</td><td>分支多、步步相依、資料量小的工作</td></tr><tr><td>一句話比喻</td><td>幾位十項全能的大廚</td><td>幾千名同時算加法的學生</td></tr></table><p>要提醒的是,表格裡的弱項不是設計失誤,而是取捨。你可能會問:為什麼不造一顆又聰明、人又多的晶片?因為晶片面積與功耗是硬預算,大快取與分支預測這些聰明機制非常占地方,塞了聰明就塞不下人海。工程沒有魔法,只有取捨:CPU 把預算花在深度,GPU 把預算花在寬度,兩者從來不是誰淘汰誰,而是一組互補的分工。</p><h2>什麼是 GPU 伺服器?跟你桌機的顯卡差在哪</h2><p>講完晶片,來定義另一個主角。<strong>所謂 GPU 伺服器,就是安裝了一張以上專業級 GPU 的伺服器</strong>:在 CPU、記憶體、硬碟這些標準配備之外,再裝上 NVIDIA H100 或 RTX 專業系列這類加速卡,搭配高速記憶體、數千瓦等級的供電與強化散熱,通常放在資料中心全年無休運轉,使用者透過網路遠端連線使用,就像租了一間隨時開火的雲端廚房:你在自己的筆電上寫程式、按下執行,真正流汗的是機房裡那台機器,筆電只負責當遙控器。一台典型的 GPU 伺服器包含:</p><ul><li>運算卡:1 到 8 張專業 GPU,單張 H100 的功耗就達 700 W</li><li>顯示記憶體:資料中心卡動輒 80 GB 起跳,頻寬達每秒 2 到 3 TB,餵得飽上萬個核心</li><li>供電與散熱:數千瓦電源加上強力風道或液冷,確保全年滿載不降速</li><li>高速通道:PCIe 或 NVLink 互連,讓 CPU 與多張卡之間的資料搬運不塞車</li><li>機房環境:恆溫恆濕、不斷電系統與備援網路,這是一般辦公室給不了的</li></ul><p>對照之下,桌機消費卡通常只有 16 到 24 GB 記憶體,不支援 ECC 錯誤修正與 NVLink 高速串接,電源與散熱也不是為 7 天 24 小時滿載設計。打遊戲、學習、跑小模型,消費卡綽綽有餘;要長時間訓練大模型或對外提供服務,就是資料中心等級的主場。</p><p>這裡有個很多台灣團隊都踩過的坑。不少中小企業或個人開發者一聽到 AI 要用 GPU,第一反應是自己買顯卡,結果要嘛發現記憶體不夠、模型載不進去,要嘛專案結束後卡就閒置,利用率不到兩成。電費也很實際:台灣工業電價每度約 NT$3 到 4 元,夏季更貴,一台八卡伺服器滿載功耗可達 10 kW,一個月電費就可能落在 NT$2 到 3 萬,空調還要另計。大學實驗室也有類似難處:研究計畫經費一年常常只有幾十萬到一兩百萬元,一次砸在買卡上,兩三年後規格落伍、經費卻已用罄。所以愈來愈多台灣團隊選擇先租<a href='https://www.nss.com.tw/gpu/'>GPU 主機</a>把需求跑清楚,再決定要不要自建,風險低得多。從新竹的 IC 設計公司、台中的精密機械廠到台北的軟體新創,許多團隊的第一個 AI 專案都是這樣起步的。</p><h2>常見迷思:不是所有工作丟給 GPU 都會變快</h2><p>這是全文最重要的澄清:<strong>GPU 不是萬靈丹</strong>,它只擅長能切成大量獨立小塊的運算。三種情況用 CPU 反而更快:一、高度序列相依的任務,下一步要等上一步的答案,幾千個核心只能排隊乾等;二、分支判斷很多的程式,GPU 同一批執行緒被迫走同一條路,遇到岔路整批停擺;三、資料量太小的工作,把資料從主記憶體搬進 GPU 再搬回來的時間,比計算本身還久,得不償失。舉個例子:熬一鍋高湯要先熬骨、再過濾、然後調味,順序綁死了,找一萬個廚師來也無法把三小時縮成一秒,因為每一步都在等上一步。工程師之間有個經驗法則:程式中無法平行化的部分,決定了加速的天花板;如果有一半的工作註定要排隊,核心再多整體頂多快兩倍。</p><p>所以實務的標準答案是<strong>異質運算</strong>:CPU 當指揮官,負責讀資料、做邏輯、發號施令;GPU 當算力大隊,接手矩陣運算這類重活。像<a href='https://www.nss.com.tw/cae-simulation-gpu-guide'>CAE 工程模擬</a>就是典型例子:求解器裡的大型矩陣交給 GPU,前處理與網格邏輯仍由 CPU 掌舵。你的手機、筆電、資料中心,全都是這種混合編制。下次不確定任務該給誰,用三個問題快速判斷:</p><ul><li>這件事能切成幾千份同時做嗎?能,GPU 加分</li><li>資料量夠大嗎?大到值得搬進顯示記憶體再算,GPU 加分</li><li>過程要不斷判斷、等待前一步結果嗎?是的話,乖乖交給 CPU</li></ul><p>舉一個真實感十足的例子。去年一位剛接觸 AI 的資工系大四學生來諮詢,他想微調一個 70 億參數的開源語言模型當畢業專題,原本的計畫是花 NT$15,000 把桌機 CPU 從 8 核升級到 16 核。顧問只問了三個問題:程式大部分時間在做什麼?答案是矩陣運算;需要多少顯示記憶體?粗估就算用省記憶體的微調技巧也要 20 GB 上下,而他那張舊卡只有 8 GB;要用多久?專題期間約 3 個月。診斷立刻清楚:瓶頸在 GPU,升級 CPU 幾乎無感。兩條路擺在眼前:買一張 24 GB 的新消費卡加電源升級,一次噴掉近 NT$8 萬,專題結束後多半閒置;或租一台資料中心等級的 GPU 主機,月租 NT$15,000 元起,3 個月總花費不到 NT$5 萬,結案就退租。他選了後者,單輪訓練時間從舊卡估算的十幾天縮到 3 天上下,總預算省下超過三成,還不用煩惱夏天機殼過熱當機。這個案例的重點不是租用一定贏,而是先搞清楚瓶頸在哪,再讓每一塊錢花在刀口上;那三個問題,你也可以照抄拿去問自己的專案。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-15-points-20260714.jpg" alt="GPU 與 CPU 到底差在哪?用工廠流水線一次講懂平行運算【圖解】" loading="lazy"/><figcaption>▲ 用工廠流水線一次講懂</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2><p>看懂 GPU 與 CPU 的分工之後,下一個問題往往是:我的任務適合哪種卡、要幾張、租還是買?這時候,有一個講中文、在台灣、隨時找得到人的夥伴很重要。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種規格,主機放在台灣機房,連線延遲低、資料不出境,月租 NT$15,000 元起,搭配 7×24 中文技術支援,從選卡、環境安裝到模型上線都有工程師陪你走。歡迎到官網 <a href='https://www.nss.com.tw/gpu'>https://www.nss.com.tw/gpu</a> 查看方案,或加 LINE 帳號 @119m 線上諮詢,也可撥打免費專線 0800-003-191,讓顧問幫你判斷:你的預算,該花在大廚,還是流水線。</p>

<h2>常見問題 FAQ</h2><h3>GPU 與 CPU 差異最簡單的說法是什麼?</h3><p>CPU 是少數強者:通常只有 6 到 64 個核心,每個都很聰明,擅長邏輯判斷與一步接一步的序列工作;GPU 是人海戰術:塞進數千到上萬個小核心,同時對大量資料做一模一樣的簡單運算。所以作業系統與商業邏輯靠 CPU,矩陣運算、影像與 AI 訓練靠 GPU,兩者是分工不是取代。</p><h3>什麼是 GPU 伺服器?</h3><p>GPU 伺服器是安裝了一張以上專業級 GPU 的伺服器,例如 NVIDIA H100 或 RTX 專業卡,搭配大容量高頻寬記憶體、數千瓦等級供電與強化散熱,通常放在資料中心全天候運轉。以八卡機種為例,滿載功耗可達 10 kW,遠超過一般辦公室電力能負荷,所以多數團隊用租用方式取得。</p><h3>打電動的顯卡和 AI 用的資料中心 GPU 一樣嗎?</h3><p>架構同源但定位不同。消費卡顯示記憶體多為 16 到 24 GB,不支援 ECC 與 NVLink,設計上也不是為全年無休滿載;資料中心卡如 H100 有 80 GB 高頻寬記憶體、頻寬每秒 2 到 3 TB,可多卡高速互連,適合長時間訓練。學習階段消費卡足夠,正式服務建議用資料中心等級。</p><h3>為什麼 AI 訓練用 GPU 比 CPU 快這麼多?</h3><p>深度學習九成以上的計算是矩陣乘加,屬於大量重複、彼此獨立的簡單運算,正好能拆給 GPU 上數千到上萬個核心同時做。CPU 核心雖強,但數量通常不到 100 個,吞吐量差了好幾個數量級。同一個訓練任務,GPU 常比純 CPU 快數十倍,訓練時間可從數週縮成數天。</p><h3>是不是所有程式搬到 GPU 上都會變快?</h3><p>不是。GPU 只對可平行的大量運算有效;高度序列相依、分支判斷多、或資料量太小的任務,搬上 GPU 反而因為資料搬運與啟動成本變慢。經驗上,若程式中可平行的部分不到五成,整體加速上限連 2 倍都不到;先分析任務型態再決定,比直接砸錢買卡重要得多。</p><h3>CPU 核心數一直增加,能不能取代 GPU?</h3><p>很難。伺服器 CPU 目前頂多一百多核,GPU 單卡就有上萬個運算單元,吞吐量差距是數十倍到百倍等級;而且 GPU 搭配的高頻寬記憶體每秒可搬 2 到 3 TB 資料,是一般 CPU 記憶體頻寬的 10 倍以上。反過來,GPU 也取代不了 CPU 的邏輯控制角色,實務是兩者協同的異質運算。</p><h3>學生想入門 AI,該先買顯卡還是租 GPU 主機?</h3><p>看使用時間與規模。若只是學框架、跑小模型,一張 8 到 16 GB 的消費卡或免費雲端資源就夠;要微調數十億參數的模型、專題只有 2 到 3 個月,租用通常更划算:月租 NT$15,000 元起,三個月約 NT$4.5 萬,不必一次掏 NT$6 萬以上買卡,結束退租、零閒置成本。</p><h3>GPU 伺服器在台灣的電費大概是多少?</h3><p>台灣工業電價每度約 NT$3 到 4 元,夏季較高。以一台八卡伺服器滿載 10 kW 估算,一個月用電約 7,200 度,電費約 NT$2 到 3 萬,機房空調通常還要再多三到五成。這是自建機房最常被低估的成本;改租 GPU 主機時,電費與空調多半已包含在月租費內。</p><h3>GPU 的幾千個核心和 CPU 核心是同一種東西嗎?</h3><p>不是,別被同一個「核心」字眼騙了。CPU 核心是完整的通用處理器,有大快取與分支預測,時脈約 3 到 5 GHz,可獨立執行複雜程式;GPU 的核心是精簡的運算單元,時脈約 1 到 2 GHz,必須成群結隊、由同一道指令帶著大批資料一起跑,單獨拿出來幾乎做不了事。</p><h3>租一台 GPU 主機在台灣大概多少錢?</h3><p>依卡的等級與數量差很大。入門的 RTX 系列單卡主機月租約 NT$15,000 元起,中階專業卡月租數萬元,H100 等級單卡月租常見十幾萬元起。相比自購:一張 H100 卡價超過 NT$100 萬,還要加伺服器、機房與電費,若使用期不滿 1 年,租用幾乎都比較划算。</p>"
                    ["post_title"]=>
                    string(82) "GPU 與 CPU 到底差在哪?用工廠流水線一次講懂平行運算【圖解】"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(20) "gpu-vs-cpu-explained"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 10:57:08"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 02:57:08"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(43) "https://www.nss.com.tw/gpu-vs-cpu-explained"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [10]=>
                  object(WP_Post)#36613 (24) {
                    ["ID"]=>
                    int(125221)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:16:06"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:16:06"
                    ["post_content"]=>
                    string(18333) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:雲端遊戲和 VR 串流的延遲要壓到多少毫秒才不會有感?</p><p style="margin:0">雲端遊戲從按鍵到畫面反應的總延遲壓在 100 毫秒以內即可順暢遊玩,50 毫秒以下多數玩家已感覺不出與本機差異;VR 串流更嚴苛,從轉頭到畫面更新需低於約 20 毫秒,否則容易暈眩。實務作法是三管齊下:把 GPU 放在靠近玩家的在地邊緣機房,將網路來回時間從跨海的 40 毫秒壓到 10 毫秒內;用 NVENC 硬體編碼把壓縮延遲降到毫秒級;再以 90 到 120Hz 高更新率縮短每格等待時間。</p></div>
<p>想像你在台北家裡按下手把的攻擊鍵,而真正算出那一刀畫面的顯示卡,其實在幾十公里外的機房裡。它必須在你眨一次眼的十分之一時間內,把指令收進來、畫面算出來、壓縮成影片、傳回你的螢幕。這就是雲端遊戲每秒鐘重複六十次以上的魔術,而魔術成敗只有一位評審:延遲。</p><p>人類對延遲的忍耐力,比多數工程師想像的低。實務經驗指向幾個門檻:總延遲超過 100 毫秒,玩家會覺得手感「怪怪的」;壓到 50 毫秒以下,多數人分不出雲端與本機的差別;而戴上頭盔的虛擬實境(VR)更殘酷,從你轉頭到畫面跟上若超過 20 毫秒,內耳前庭系統就會抗議,輕則出戲,重則暈眩想吐。這篇文章用顧問視角拆開整條延遲鏈:每一毫秒花在哪裡、怎麼省回來,以及為什麼對台灣團隊而言,機房位置比算力大小更關鍵。</p><h2>雲端遊戲的架構:GPU 在機房,手把在你家</h2><p>先把管線攤開。雲端遊戲的本質是「把遊戲主機搬進資料中心」:伺服器端的 GPU 即時算出遊戲畫面,再由 GPU 內建的硬體編碼器 NVENC 把每張畫面壓縮成影像串流,格式可用 H.264、HEVC 或最新的 AV1,經網路送到玩家的手機、電視或筆電;終端裝置解碼顯示,玩家的按鍵與搖桿輸入則反向回傳雲端,驅動下一張畫面。這條迴圈每秒要跑 60 到 120 次,任何一站塞車,整條線就跟著慢。</p><p>這個架構的美妙之處在於終端可以很弱:三年前的中階手機也能玩 3A 大作,因為它只負責解影片。難處則全部集中到伺服器與網路上——GPU 要算得快、編碼要壓得快、封包要跑得快,任何一環拖慢,玩家的手感就會像「隔著一層果凍出拳」。至於 GPU 為什麼天生擅長這種每秒上百張的即時算圖工作,可以參考我們寫過的 <a href='https://www.nss.com.tw/gpu-vs-cpu-explained'>GPU 與 CPU 差異解析</a>,這裡不重複展開。</p><p>值得單獨介紹的是 NVENC 這顆低調的功臣。它是獨立於算圖核心之外的專用編碼電路,工作時幾乎不佔遊戲效能,把一張 1080p 畫面壓縮成串流片段只需 1 到 5 毫秒;新一代 GPU 的 AV1 編碼,還能在同樣畫質下比 H.264 省下約三到四成頻寬。對行動網路或頻寬受限的家庭用戶,這直接決定了畫質上限與流量成本。</p><figure class="wp-block-image size-full"><img title="戰國策集團雲端遊戲與 VR 串流背後的 GPU 架構:延遲怎麼壓到人類無感?" src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-14-data-20260714.jpg" alt="雲端遊戲與 VR 串流背後的 GPU 架構:延遲怎麼壓到人類無感?" loading="lazy"/><figcaption>▲ 雲端遊戲 &lt;100ms 可順玩,50ms 以下與本機無異</figcaption></figure>
<h2>延遲預算:每一毫秒都要記帳</h2><p>顧問看延遲的方式跟財務長看預算一樣:先列科目,再逐項砍。從玩家按鍵到畫面亮起,業界稱為 click-to-photon(VR 則稱 motion-to-photon),中間至少經過八個環節。下表是一份典型的延遲帳本,中欄是常見配置的數字,右欄是各環節優化後可達的水準:</p><table><tr><th>延遲環節</th><th>一般配置(毫秒)</th><th>優化後(毫秒)</th><th>主要優化手段</th></tr><tr><td>輸入取樣與上行傳送</td><td>5-10</td><td>2-4</td><td>高輪詢率、精簡協定</td></tr><tr><td>網路來回(RTT)</td><td>30-50(跨海)</td><td>5-12(在地邊緣)</td><td>機房靠近玩家</td></tr><tr><td>伺服器排隊與調度</td><td>5-10</td><td>1-3</td><td>專屬實例、避免超賣</td></tr><tr><td>GPU 算圖</td><td>16.7(60fps)</td><td>8.3(120fps)</td><td>提高更新率</td></tr><tr><td>硬體編碼(NVENC)</td><td>5-10</td><td>1-4</td><td>低延遲模式、AV1</td></tr><tr><td>傳輸與抖動緩衝</td><td>10-20</td><td>3-6</td><td>自適應碼率、邊緣節點</td></tr><tr><td>終端解碼</td><td>4-8</td><td>2-4</td><td>硬體解碼器</td></tr><tr><td>顯示掃描輸出</td><td>8-16</td><td>4-8</td><td>高更新率螢幕</td></tr><tr><td><strong>合計</strong></td><td><strong>約 84 到 141</strong></td><td><strong>約 26 到 49</strong></td><td>環環相扣、逐項優化</td></tr></table><p>這張表講了兩件殘酷的事。第一,世界上沒有一個單獨的零件叫「延遲」,它是八筆小帳的總和,只優化其中一項的方案多半是安慰劑。第二,帳本裡最肥的科目是網路 RTT:跨海連線動輒 30 到 50 毫秒起跳,一口氣吃掉 100 毫秒預算的三分之一以上;更麻煩的是,這筆帳付給的是光在光纖裡的飛行時間,再貴的 GPU 都買不回來。</p><p>想知道自家產品的帳本長怎樣,方法比想像中平民:拿一支支援 240fps 慢動作錄影的手機,同框拍下手把與螢幕,從按鍵瞬間數到畫面反應,影格數乘以 4.17 毫秒就是總延遲。工程端再用時間戳記把每個環節拆開,先量測、再優化,順序不能反過來——沒有量測就動手優化,跟閉著眼睛減肥一樣,只是心裡舒服。</p><h2>把延遲壓到無感的四種武器</h2><p>知道錢花在哪,接下來是省錢。業界實戰中最有效的手段有四種,而且效果可以彼此疊加:</p><ul><li><strong>邊緣機房</strong>:把 GPU 搬到離玩家夠近的地方,是唯一能大砍 RTT 的方法。台灣本島內任兩點的網路來回多在 5 到 10 毫秒,跨海到東京則要 32 到 45 毫秒——選址一次做對,勝過後面所有微調。</li><li><strong>硬體編碼</strong>:開啟 NVENC 的低延遲模式、關閉 B 幀,讓編碼從「等一批畫面再壓」變成「來一張壓一張」,單張延遲可以壓進 1 到 4 毫秒。</li><li><strong>高更新率</strong>:60fps 時每張畫面間隔 16.7 毫秒,提高到 120fps 就縮成 8.3 毫秒,玩家的輸入平均少等一半時間,體感立刻變「跟手」。</li><li><strong>畫格預測與插補</strong>:用客戶端預測先畫出最可能的下一格,或在終端做畫格插補補足中間影格,遮蔽網路抖動造成的空窗。</li></ul><p>預測那一招值得多講一句,它的直覺跟棒球外野手一樣:好的外野手不是看球落地才跑,而是在擊球瞬間就預判落點。系統拿玩家最近的操作軌跡預測下一步,猜對了就白賺幾十毫秒,猜錯了再用新資料快速修正——只要修正幅度夠小,玩家幾乎察覺不到。</p><p>另一個常被忽略的敵人是抖動:平均延遲 40 毫秒但忽快忽慢的線路,體感往往比穩定的 60 毫秒更糟,因為畫面會一頓一頓地跳。解法是自適應碼率搭配小而聰明的緩衝——網路變差時先降畫質保流暢,而不是死守解析度讓畫面凍結;緩衝只留 1 到 2 格就好,每多留一格,就是預先欠下 8 到 16 毫秒的債。</p><h2>VR 串流:20 毫秒的生死線</h2><p>VR 是這門學問的極限運動,門檻直接砍到五分之一。原因藏在你的內耳:半規管感知頭部轉動幾乎零延遲,當眼睛看到的畫面落後身體感覺超過約 20 毫秒,大腦會判定「環境不對勁」,動暈症狀隨之而來——這就是許多人玩 VR 十分鐘就冒冷汗的原因。所以 VR 的 motion-to-photon 預算不是 100 毫秒,而是 20 毫秒。</p><p>預算砍到五分之一,工作量卻更大:更新率要 90 到 120Hz,每張畫面只剩 8.3 到 11.1 毫秒可算;而且要同時渲染左右兩眼,單眼解析度動輒 2K 等級,總像素量是 1080p 平面遊戲的三到四倍,對 GPU 算力與傳輸頻寬都是加倍嚴苛的考驗。下表把兩種場景的需求並排,差距一目了然:</p><table><tr><th>項目</th><th>雲端遊戲</th><th>VR 串流</th></tr><tr><td>延遲門檻</td><td>低於 100 毫秒,理想低於 50</td><td>低於約 20 毫秒</td></tr><tr><td>更新率</td><td>60 到 120fps</td><td>90 到 120Hz</td></tr><tr><td>解析度</td><td>單畫面 1080p 到 4K</td><td>雙眼各約 2K</td></tr><tr><td>GPU 負載</td><td>中到高</td><td>極高(像素量三到四倍)</td></tr><tr><td>合理部署距離</td><td>同國家或區域邊緣節點</td><td>同城市甚至同棟建築</td></tr></table><p>頻寬也要一起算:雙眼 2K、90Hz 的 VR 串流,即使用 HEVC 或 AV1 壓縮,碼率也常落在 50 到 100Mbps 等級,是 1080p 平面串流的三到五倍。這也是為什麼 VR 串流對無線環境特別挑剔,實務上會建議 Wi-Fi 6 以上或乾脆走有線回程,把不確定性留給可以控制的環節。</p><p>工程上的救命招是「先斬後奏」:頭盔端的非同步時間扭曲(ATW)拿最新的頭部姿態,把上一張畫面重新投影,讓轉頭的視覺回饋幾乎即時;雲端只需負責內容本身的更新。這一招把「轉頭暈不暈」跟「網路快不快」部分解耦,是雲端 VR 得以成立的關鍵。但它救不了跨海:台灣到美西來回約 110 到 150 毫秒,是暈眩門檻的六倍以上,物理上就不成立。</p><h2>vGPU 與 MIG:把一張卡切給多位玩家</h2><p>談完體驗,回到成本。一張資料中心等級的 GPU 對單條 1080p 串流來說太大了,整張卡服務一個玩家,像租一輛遊覽車只載一位乘客。NVIDIA 給了兩條路:vGPU 在軟體層把實體卡虛擬成多張,分配給不同虛擬機各跑各的遊戲;MIG(Multi-Instance GPU)更徹底,直接在硬體層把 H100、A100 這類卡切成最多 7 個彼此隔離的實例,算力與記憶體物理分割,一個實例出狀況也不影響鄰居。</p><p>對營運方而言,這是單位經濟學的分水嶺:同一張卡從服務 1 人變成同時服務 3 到 7 人,每條串流的攤提成本直接除以好幾倍;再搭配尖離峰調度——白天把卡撥給 AI 推論或算圖農場,晚上切回遊戲串流——一張卡的稼動率能從三成拉到七成以上。高密度部署隨之而來的散熱壓力,業界也已有成熟解法,可延伸閱讀<a href='https://www.nss.com.tw/immersion-cooling-gpu-server'>浸沒式液冷 GPU 伺服器</a>一文。切卡之前也要想清楚服務等級:試玩活動可以接受尖峰時段排隊 30 秒,訂閱制服務就不行——密度與體驗的平衡點,最好用實際玩家數據回推,而不是拍腦袋決定。</p><h2>台灣戰場:機房位置比算力更關鍵</h2><p>回到台灣。我們手上其實有兩張好牌:一是網路底子,光纖到府普及、行動網路覆蓋完整,本島內 RTT 普遍在 5 到 10 毫秒;二是社群能量,電競文化成熟、獨立遊戲開發活躍,從台北電玩展到各地 Game Jam,測試玩家與開發人才都不難找。這兩張牌對雲端遊戲與 VR 串流都是天生優勢,加上台灣玩家付費意願高、對新形態遊戲體驗接受度強,願意做在地優化的團隊,面對的是一個回報率很好的市場。</p><p>但不少團隊選基礎設施時犯同一個錯:打開海外雲的價目表比較 GPU 型號與時租,卻忘了把地理放進延遲帳本。數字很直白:台灣到東京 RTT 約 32 到 45 毫秒、到新加坡約 45 到 60 毫秒、到美國西岸約 110 到 150 毫秒。對照前面的帳本,光「跨海」這一個決定就花掉 100 毫秒預算的三到五成,之後每個環節都得勒緊褲帶;反過來,把 GPU 放進台灣在地機房,RTT 科目從 40 毫秒變 8 毫秒,白撿 30 幾毫秒,等於整個系統免費升級一輪。評估<a href='https://www.nss.com.tw/gpu/'>台灣在地的 GPU 主機方案</a>時,建議把「機房到主要玩家群的實測 RTT」列為第一個問題,規格表反而可以晚點再看。</p><p>一個實際案例:台北一個 12 人的獨立遊戲團隊,去年為了線上遊戲展檔期推出雲端試玩——玩家點開網頁就能直接玩 15 分鐘,免下載免安裝。他們做的是節奏明快的動作遊戲,內部把規格訂死:台灣玩家 click-to-photon 中位數必須低於 50 毫秒,否則手感盡失,試玩反而扣分。團隊先用東京區域的雲端 GPU 實例做原型,實測台灣玩家總延遲中位數約 92 毫秒,參數怎麼調都降不進 70;改租台灣在地機房的 RTX 等級 GPU 主機後,同一套軟體堆疊實測中位數 48 毫秒,一次達標。成本同樣有感:活動檔期兩個月,租 6 張卡、以 vGPU 每卡切 3 條 1080p 串流,同時容納 18 位玩家,總支出約 NT$25 萬;若自購同級硬體得一次投入超過 NT$120 萬,活動結束設備還會閒置。附帶一提,台灣工業電價每度約 NT$3 到 4 元、夏季更貴,自建機房的電費與空調成本常被低估,租用方案把這些全包進月費,對短期專案友善許多。</p><h2>找台灣在地的 GPU 主機夥伴</h2><p>延遲這門生意,說到底是地理與工程的乘積:算力可以用錢加購,光速沒得談判。如果你的玩家在台灣,GPU 就應該在台灣。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種規格,機器就放在台灣機房,天生把 RTT 壓到個位數毫秒;月租 NT$15,000 元起,可短租、可隨活動檔期彈性擴充,搭配 7×24 中文技術支援,從串流架構、NVENC 編碼參數到頻寬調校,都有工程師能用中文直接對話。想讓你的雲端試玩、遊戲伺服器或 VR 專案把延遲壓到玩家無感,歡迎到 <a href='https://www.nss.com.tw/gpu'>https://www.nss.com.tw/gpu</a> 了解方案,加 LINE 帳號 @119m 聊聊需求,或撥免費專線 0800-003-191,讓在地團隊陪你一起把每一毫秒省回來。</p>

<figure class="wp-block-image size-full"><img title="戰國策集團雲端遊戲與 VR 串流背後的 GPU 架構:延遲怎麼壓到人類無感?" src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-14-points-20260714.jpg" alt="雲端遊戲與 VR 串流背後的 GPU 架構:延遲怎麼壓到人類無感?" loading="lazy"/><figcaption>▲ 把延遲壓到人類無感的三招</figcaption></figure>
<h2>常見問題 FAQ</h2><h3>雲端遊戲跟一般線上遊戲的延遲有什麼不同?</h3><p>一般線上遊戲的畫面在本機算,網路只傳同步資料,延遲主要影響對戰判定;雲端遊戲連畫面都在雲端算,從按鍵、算圖、編碼到回傳全部走網路,總延遲要壓在 100 毫秒內、理想 50 毫秒以下才有好手感,對網路品質的敏感度高出一個量級。</p><h3>延遲要多低,玩家才真的感覺不出來?</h3><p>實務門檻大致是:總延遲 100 毫秒內可順暢遊玩,70 毫秒以下多數人不易察覺,50 毫秒以下幾乎與本機無異。格鬥、節奏音樂類對延遲最敏感,建議以 50 毫秒為目標;回合制與策略類寬鬆許多,120 毫秒內通常仍可接受。</p><h3>VR 為什麼要求 20 毫秒?超過會怎樣?</h3><p>內耳前庭系統感知頭部轉動幾乎零延遲,若眼前畫面落後體感超過約 20 毫秒,視覺與平衡訊號打架,就會出現冒冷汗、暈眩、噁心等動暈症狀。因此 VR 串流除了壓低網路延遲,還要靠 90 到 120Hz 高更新率與時間扭曲重投影技術補救。</p><h3>NVENC 是什麼?跟用 CPU 壓縮影片差在哪?</h3><p>NVENC 是 NVIDIA GPU 內建的專用編碼電路,獨立於算圖核心,支援 H.264、HEVC 與 AV1,壓一張 1080p 畫面約 1 到 5 毫秒,且幾乎不吃遊戲效能;CPU 軟體編碼要達到同樣畫質往往需要數十毫秒,還會佔用遊戲本身的運算資源,因此即時串流服務幾乎一律採用硬體編碼,讓 CPU 專心處理遊戲邏輯與網路封包。</p><h3>台灣玩家連海外伺服器,延遲大概多少?</h3><p>概略實測值:台灣到東京網路來回約 32 到 45 毫秒,到新加坡約 45 到 60 毫秒,到美國西岸約 110 到 150 毫秒。這還只是 RTT 一個科目,加上算圖、編碼、解碼之後,跨海方案很難把總延遲壓進 50 毫秒,想做好體驗幾乎必須在地部署。</p><h3>vGPU 和 MIG 有什麼差別?該怎麼選?</h3><p>vGPU 是軟體層虛擬化,把一張卡分時共享給多個虛擬機,密度與彈性高;MIG 是 H100、A100 等資料中心卡的硬體切分,最多切成 7 個實例,算力與記憶體物理隔離。追求串流密度與成本攤提用 vGPU,重視隔離與服務品質保證則選 MIG。</p><h3>做雲端試玩串流,需要什麼等級的 GPU?</h3><p>單條 1080p60 串流用 RTX 4000 系列等級即可,一張卡搭 vGPU 常可同時服務 2 到 4 條;要上 4K 或 120fps 則建議單卡專屬,避免多條串流互搶資源。選卡重點是新版 NVENC:支援 AV1 編碼的卡在同樣畫質下,可比 H.264 節省約 30 到 40% 頻寬,對行動網路玩家的畫質與流暢度影響非常明顯。</p><h3>自建 GPU 伺服器跟租用,哪個划算?</h3><p>短期活動或需求未明時租用明顯划算:台灣在地 GPU 主機月租約 NT$15,000 起,用多久付多久,不必養硬體與維運人力;自建一台高階 RTX 伺服器動輒 NT$20 到 40 萬,還要加上機房空間、頻寬與每度約 NT$3 到 4 元的電費。一般把 18 到 24 個月的使用期當作損益平衡參考點。</p><h3>5G 對雲端遊戲有幫助嗎?</h3><p>有,但它只解決無線最後一哩:5G 空中介面延遲可壓到 10 毫秒上下,比 4G 的 30 到 50 毫秒好很多。不過骨幹網路的距離延遲不會因 5G 消失,伺服器若在海外,總延遲照樣破 100 毫秒;5G 要搭配在地邊緣機房,價值才會真正兌現。</p><h3>一張 GPU 可以同時服務幾位玩家?</h3><p>看畫質與卡的等級:1080p60 串流下,高階 RTX 卡配 vGPU 常見切 2 到 4 條,資料中心卡用 MIG 最多切 7 個隔離實例。密度越高單位成本越低,但建議保留 20 到 30% 的效能餘裕吸收負載尖峰,否則玩家一多就開始排隊,體驗變差的代價會把省下的成本整個吃回去,得不償失。</p>"
                    ["post_title"]=>
                    string(77) "雲端遊戲與 VR 串流背後的 GPU 架構:延遲怎麼壓到人類無感?"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(19) "cloud-gaming-vr-gpu"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 11:10:45"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 03:10:45"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(42) "https://www.nss.com.tw/cloud-gaming-vr-gpu"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [11]=>
                  object(WP_Post)#36594 (24) {
                    ["ID"]=>
                    int(125220)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:16:03"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:16:03"
                    ["post_content"]=>
                    string(18144) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:大學實驗室做 AI 研究,GPU 應該自購還是租用?</p><p style="margin:0">關鍵看利用率:若 GPU 長期利用率能維持 70% 以上,自購攤提三到五年通常較省;若需求集中在計畫衝刺期、時有時無,租用免前期資本支出、可列經常門核銷,總成本反而更低。以四卡伺服器約 NT$200 萬的規模試算,利用率僅三到四成時,改採租用或小自購加租用的混合模式,三年可省下數十萬元,還能在衝刺期租到 80GB 的 H100 跑大模型微調。建議先以過去 12 個月的實際使用紀錄算出利用率再決策。</p></div>
<p>七月的核定通知寄到信箱,北部某大學資工系的教授盯著清單上的設備費額度,心裡盤算的不是要買哪一張卡,而是三年後這台機器還值多少錢、學生畢業後誰來管它。這幾乎是每一位投入 AI 研究的計畫主持人都躲不掉的課題:算力要用買的,還是用租的?這個問題沒有放諸四海皆準的答案,卻有一套清楚的計算框架——VRAM 需求、利用率、電費、折舊、經費科目,一項一項攤開來算,答案自然會浮現。本文以資深顧問的視角把這筆帳完整算一遍,並附上一份三年總持有成本(TCO)試算,供大專院校科學研究團隊在編列與執行計畫經費時參考。</p><h2>AI 研究要多少算力?先看 VRAM,再談卡數</h2><p>許多採購決策的第一個錯誤,是把算力簡化成卡的張數或每秒浮點運算次數。對 AI 研究而言,第一道門檻其實是 VRAM:它決定模型「放不放得進去」,算力才決定「跑得快不快」。訓練與推論的記憶體需求天差地遠——推論只需容納模型權重與少量啟動值,訓練卻要同時保存權重、梯度與最佳化器狀態,記憶體需求往往是推論的三到四倍以上。不少實驗室買卡時只算了推論的帳,開訓第一天就爆記憶體,這種故事每年都在校園裡上演。</p><p>具體門檻可以抓幾個錨點:7B 參數等級的語言模型,若採用 LoRA、QLoRA 這類參數高效微調方法,單張 24GB 的 RTX 4090 就能動工;13B 模型搭配 4-bit 量化也勉強可行,只是批次大小與序列長度會被壓縮。一旦要做全參數微調,7B 模型就需要 80GB 等級的 H100 或 A100,13B 以上動輒兩卡、四卡起跳,還得靠 NVLink 或高速網路把多卡串成一體。視覺大模型與擴散模型同理:研究原型可以在 24GB 上跑小解析度實驗,要重現論文等級的完整訓練排程,80GB 與多卡幾乎是標配。</p><p>換句話說,一間實驗室的算力需求天生是「兩層結構」:日常開發、除錯、小規模消融實驗,吃的是 24GB 級的卡;衝刺期的完整訓練與大模型微調,吃的是 80GB 級的多卡資源。把兩層需求硬塞進同一筆採購,正是經費浪費最常見的源頭。此外別忘了儲存與資料管線:大型資料集動輒數 TB,訓練節點與儲存之間的頻寬,常比多買一張卡更影響整體效率。至於多卡平行與分散式訓練背後的原理與規劃方法,可以參考這篇 <a href='https://www.nss.com.tw/hpc-gpu-computing-guide'>HPC 高效能運算入門指南</a>。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-13-data-20260714.jpg" alt="大專院校 AI 研究算力怎麼解?自購 vs 租用 GPU 的經費效益分析" loading="lazy"/><figcaption>▲ 長期滿載自購較省;衝刺型需求租用免前期資本支出</figcaption></figure>
<h2>自購的真實成本:發票金額只是頭期款</h2><p>自購的帳,遠不止硬體報價單上的數字。一台 4 卡伺服器從下單那一刻起,至少還有五筆成本默默起跳。</p><ul><li><strong>電力與散熱</strong>:4 卡伺服器滿載功耗約 2.5 到 3kW,加上空調負擔,實際耗電接近功耗的 1.5 到 1.8 倍。以台灣工業電價每度約 NT$3 到 4 元計、夏季費率更高,一台機器以五成負載全年運轉,電費加空調一年約 NT$6 萬到 8 萬。</li><li><strong>機房條件</strong>:穩定供電、UPS、獨立空調與門禁缺一不可。許多系所機房由舊教室改建,夏季冷房能力不足,GPU 過熱降頻甚至跳機時有所聞,停機維修期間研究進度直接歸零。</li><li><strong>維運人力</strong>:驅動與框架更新、排程管理、故障排除,多半落在博士生肩上;學生畢業、交接斷層,是實驗室機器「越用越慢、越修越怕」的常見原因。</li><li><strong>採購時程</strong>:大專院校設備採購要走規格書、招標、交機、驗收流程,從送件到真正開機常需 3 到 6 個月,對執行期只有 12 個月的年度計畫是不小的時間成本。</li><li><strong>折舊與過時</strong>:會計上設備多以 3 到 5 年攤提,但 GPU 世代約 18 到 24 個月更新一輪,新卡的 VRAM 容量與每瓦效能經常大幅躍進,三年前的旗艦卡可能連新一代模型的最低門檻都搆不著。</li></ul><p>這幾筆成本加總,三年常達硬體價格的兩到三成。保固也要留意:伺服器原廠保固常為 3 年,第 4、5 年的維修與零件成本自理,風險正好落在攤提後段。更關鍵的是風險不對稱:設備買定離手,規格就此凍結,而你的研究題目、模型規模與經費結構都還會變。</p><h2>租用的價值:把資本支出變成可調節的水龍頭</h2><p>租用的邏輯正好相反:免前期資本支出,月付即用;規格隨計畫階段調整,這個月用單卡主機開發,下個月訓練衝刺換成多卡 H100,結案就退租;電力、散熱、頻寬與硬體維運通常包含在月費內,實驗室不必自建機房,也不必指派專人顧機器。另一個常被低估的好處是「世代跟隨」:供應商會持續汰換機隊,租用者永遠用得到相對新的卡,不必背著三年前的規格做今年的題目。</p><p>對三種需求型態,租用幾乎是壓倒性划算:尖峰型,投稿前三個月火力全開、其餘時間閒置;短期型,一次性的模型重現、資料前處理或期末評測;計畫型,經費有明確起訖日,結案後不想留下資產與列管負擔。像 <a href='https://www.nss.com.tw/gpu/'>戰國策 GPU 主機租用方案</a> 這類台灣在地服務,從單卡入門機到多卡 H100 都能按月承租,對學研單位的核銷流程也相對友善。</p><p>租用的弱點同樣要攤開講:如果機器一年到頭滿載運轉,三年租金累積起來很可能超過買斷價。所以真正該問的不是「租與買哪個好」,而是「你的利用率到底是多少」。</p><h2>決策分水嶺:利用率 70% 是那條線</h2><p>把數字攤開最有感。假設一台約 NT$200 萬的 4 卡伺服器以 4 年攤提,每年折舊 NT$50 萬,加上電費約 NT$7 萬、維運雜支約 NT$6 萬,一年固定成本約 NT$63 萬,不管有沒有在用都照走。同級規格的租用月費若為 NT$9 萬,租滿 7 個月就與自購年成本打平,換算利用率約六成;再把資金成本、殘值與長租折扣一併納入,交叉點通常落在利用率 70% 到 80% 之間。長期站在這條線之上,自購的每小時算力成本較低;若使用型態是衝刺兩個月、閒置四個月,平均利用率掉到三、四成,租用會明顯便宜,因為閒置的月份一毛錢都不用付。</p><p>要誠實面對的正是利用率。多數實驗室都高估自己的使用強度:課程週期、審查週期、寒暑假與學生畢業潮,都會讓機器空轉。建議把過去 12 個月的 nvidia-smi 紀錄或排程系統報表撈出來實算一次;不少院級算力中心公布的使用率報表也顯示,「感覺一直在用」與「實際佔用」之間常有兩三成的落差。</p><p>若利用率不上不下,卡在五到六成,還有一個中間解:多實驗室合購分攤。帳面利用率確實拉得高,但排程衝突、優先權與維運責任的分攤,往往比想像中難談;真要走這條路,建議一開始就白紙黑字訂好使用規範與費用分攤辦法,否則省下的錢會用人情償還。</p><table><tr><th>比較項目</th><th>自購 GPU 伺服器</th><th>租用 GPU 主機</th></tr><tr><td>前期成本</td><td>數十萬到數百萬元資本支出</td><td>趨近於零,月付制</td></tr><tr><td>經費科目</td><td>多列資本門,需財產列管</td><td>多可列經常門,核銷較彈性</td></tr><tr><td>擴充彈性</td><td>規格買定離手,擴充需重新採購</td><td>可隨計畫階段升降規格</td></tr><tr><td>維運負擔</td><td>電力、散熱、人力全數自理</td><td>多由供應商含在月費內</td></tr><tr><td>折舊與過時</td><td>3 到 5 年攤提,過時風險自負</td><td>無折舊,可隨時換用新世代卡</td></tr><tr><td>適用情境</td><td>長期利用率 70% 以上的穩定負載</td><td>尖峰、短期、計畫型需求</td></tr></table><h2>台灣學研經費的眉角:資本門、經常門與國網中心</h2><p>在台灣,國科會(NSTC)研究計畫經費分為資本門與經常門兩個口袋,中間隔著一道不容易跨越的牆。自購 GPU 伺服器屬於大型設備,多列在資本門:申請階段就要寫入設備清單、金額經審查核定,購入後納入學校財產列管,移轉與報廢都有程序要走。萬一執行到一半才發現規格買錯或需求改變,追加與變更曠日廢時,經常緩不濟急。</p><p>租用服務則多可列在經常門(業務費)項下,比照雲端資源使用費、資訊服務費按月或按期核銷,計畫中途調整規模的彈性大得多;對設備費被核刪、或經費結構偏經常門的大專院校科學研究計畫而言,租用往往是唯一能即時取得算力的路徑。另外提醒:多數學校對計畫經費收取管理費,資本門設備在計畫結束後歸屬學校財產;若實驗室空間本就吃緊,再擺進一台滿載近三千瓦的發熱設備,電力與空調改造費也得先評估。</p><p>還有一條路是國網中心(NCHC)的補助型運算資源:對學研計畫收費遠低於市價,台灣杉等系統也提供大規模 GPU 算力,但採申請審查制,從送件到核配需要時間,熱門 GPU 資源在計畫季常要排隊。務實的組合是把國網當基載、商用租用當尖峰調節,兩邊並用、互補短長。生醫領域如何用這套組合支撐基因體與蛋白質結構運算,可延伸閱讀 <a href='https://www.nss.com.tw/life-science-gpu-computing'>生命科學 GPU 運算實務</a>。</p><h2>案例試算:一筆三年期計畫的 TCO 決策</h2><p>回到開頭那位教授。他主持的自然語言處理實驗室在 2025 年拿到一筆三年期計畫,可投入算力的總預算約 NT$300 萬,眼前兩個方案:方案 A 全自購,採購一台 4 卡 48GB 等級的 GPU 伺服器,報價約 NT$200 萬,系辦提醒他招標加交期至少 12 週;方案 B 混合配置,先自購一台約 NT$35 萬的雙卡 24GB 工作站,供日常開發與 LoRA 微調,訓練衝刺期再承租多卡 H100 主機。</p><p>試算假設如下:工業電價以每度 NT$3.5 元計、空調加成 1.6 倍;方案 A 伺服器滿載約 3kW;H100 等級租用主機每月 NT$8 萬到 10 萬,每年衝刺約 5 個月。最關鍵的變數是利用率:實驗室把過去兩年的排程紀錄撈出來,平均利用率只有約 35%,尖峰全數集中在兩次投稿截止前的三個月。</p><table><tr><th>成本項目</th><th>方案 A:全自購 4 卡</th><th>方案 B:小自購加租用</th></tr><tr><td>前期資本支出</td><td>約 NT$200 萬</td><td>約 NT$35 萬</td></tr><tr><td>三年電費與空調</td><td>約 NT$15 萬到 20 萬</td><td>約 NT$5 萬</td></tr><tr><td>三年維運人力</td><td>約 NT$15 萬到 20 萬</td><td>趨近於零,租用含維運</td></tr><tr><td>三年租用支出</td><td>0</td><td>約 NT$120 萬到 150 萬</td></tr><tr><td>三年總成本</td><td>約 NT$230 萬到 240 萬</td><td>約 NT$160 萬到 190 萬</td></tr><tr><td>尖峰算力上限</td><td>固定 4 卡 48GB</td><td>可承租 8 卡 H100 80GB</td></tr></table><p>在 35% 的真實利用率下,方案 B 三年省下約 NT$50 萬到 70 萬,而且衝刺期能租到 80GB 的 H100 執行全參數微調——這是方案 A 的 48GB 卡做不到的事。省下來的錢,教授加聘了一名專任助理,論文產出反而更快。反過來說,如果這是一間常年跑滿的服務型算力中心,利用率穩定站上 80%,同一張試算表就會反轉,自購攤提到第三年開始回本。數字不會騙人,前提是誠實輸入自己的利用率、電價與折舊假設。</p><p>還要提醒一件事:這張表不是簽了就永遠有效。試算結果對「每年承租月數」相當敏感——若衝刺期從 5 個月拉長到 7、8 個月,兩個方案的成本曲線就會開始交叉,屆時應重啟自購評估;反之,若計畫中途追加了 80GB 以上的模型需求,自購方案得整台換新,租用只需要改一張訂單。把 TCO 表當成活文件,每年隨電價、卡價與研究路線滾動更新,才能真正把經費效益握在手上。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-13-points-20260714.jpg" alt="大專院校 AI 研究算力怎麼解?自購 vs 租用 GPU 的經費效益分析" loading="lazy"/><figcaption>▲ 自購 vs 租用的經費效益</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2><p>把利用率與經費科目算清楚之後,若答案指向租用或混合配置,下一步就是找一個懂學研生態的供應商。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種規格,台灣機房在地服務,延遲低、研究資料不出境,月租 NT$15,000 元起,並提供 7×24 中文技術支援,從計畫申請階段的規格建議、TCO 試算到核銷單據都能配合學研流程。歡迎造訪 <a href='https://www.nss.com.tw/gpu'>https://www.nss.com.tw/gpu</a>,或加入 LINE 帳號 @119m、撥打免費專線 0800-003-191,讓顧問陪你把三年的算力帳一次算清楚。</p>

<h2>常見問題 FAQ</h2><h3>用 LoRA 微調大型語言模型,24GB 的顯示卡夠嗎?</h3><p>多數場景夠用。7B 參數模型以 LoRA 或 QLoRA 微調,單張 24GB 的 RTX 4090 即可執行;13B 模型搭配 4-bit 量化也能進行,但批次大小與序列長度會受限。若目標是全參數微調或 13B 以上模型的完整訓練,建議直接規劃 80GB 等級的 H100 或多卡方案,省下反覆碰壁的時間。</p><h3>全參數微調一個 7B 模型,需要什麼等級的 GPU?</h3><p>全參數微調要同時保存權重、梯度與最佳化器狀態,記憶體需求約為推論的 3 到 4 倍,實務上 7B 模型需要 80GB 等級的 H100 或 A100,並常搭配記憶體分攤技術;13B 以上通常 2 到 4 卡起跳。預算有限時,先用參數高效微調驗證研究想法,確認方向再投入多卡資源最划算。</p><h3>自購一台 4 卡 GPU 伺服器,每年隱藏成本大約多少?</h3><p>以滿載功耗約 3kW、台灣工業電價每度 NT$3 到 4 元、空調加成 1.5 到 1.8 倍估算,五成負載下一年電費約 NT$6 萬到 8 萬;再加上維運人力與備品零件,一年隱藏成本常落在 NT$10 萬到 15 萬。三年累積可達硬體價格的兩到三成,編列計畫預算時務必一併計入。</p><h3>GPU 設備的折舊年限應該抓幾年?</h3><p>會計攤提多採 3 到 5 年,但 GPU 的技術壽命更短:產品世代約 18 到 24 個月更新一輪,新卡的 VRAM 容量與每瓦效能經常大幅躍進。務實建議以 3 年作為決策基準,三年後殘值常只剩兩到三成;若研究題目變動快,應把過時風險折算進總持有成本,或改用租用來迴避。</p><h3>利用率要多高,自購 GPU 才划算?</h3><p>經驗法則是長期平均利用率站上 70% 到 80% 再考慮自購。自購的折舊、電費與維運屬固定支出,機器閒置成本照走;租用則用多少付多少。建議先撈過去 12 個月的排程或 nvidia-smi 紀錄實際計算,多數實驗室的真實利用率僅 30% 到 50%,比自我感覺低得多。</p><h3>國科會計畫經費可以核銷 GPU 租用費用嗎?</h3><p>多數情況可以。GPU 租用屬服務性支出,通常列在經常門(業務費)項下核銷,比照雲端資源使用費處理,不需財產列管;自購設備一般以單價 NT$1 萬元以上、使用年限 2 年以上者列資本門,要事先編列、經審查核定並納入財產列管。各校主計室認定略有差異,建議編列前先確認一次。</p><h3>國網中心的算力資源便宜,為什麼還要租商用主機?</h3><p>國網中心對學研計畫的補助費率確實遠低於市價,但採申請審查制,從送件到核配常需數週,熱門 GPU 資源在計畫季還要排隊。務實作法是雙軌並行:可預期的長期工作放國網,投稿截止前 1 到 3 個月的衝刺改用商用租用即開即用,避免研究死線卡在排隊上。</p><h3>4 張 RTX 4090 和 1 張 H100,研究用途該怎麼選?</h3><p>先看模型放不放得進單卡。RTX 4090 單卡 24GB,四張合計 96GB,但跨卡頻寬遠低於 H100 的 NVLink,大模型全參數訓練效率吃虧;H100 單卡 80GB,能直接容納 7B 級全參數微調。要平行跑多個小模型實驗選多張 4090,要訓練大模型選 H100,兩種需求都有就考慮租用彈性切換。</p><h3>研究資料放在租用的 GPU 主機上,安全與法規可行嗎?</h3><p>選擇台灣在地機房可大幅降低疑慮:資料不出境,較能符合計畫與研究倫理審查對敏感資料的要求,連線延遲也僅數毫秒。簽約時確認四件事:資料落地位置、備份與銷毀機制、是否為獨享主機、存取紀錄能否留存 1 年以上;涉及個資時再加上傳輸與靜態加密。</p><h3>租用 GPU 主機每個月大概要多少錢?</h3><p>台灣市場的入門級 GPU 主機月租約 NT$15,000 元起,適合開發與推論;48GB 等級專業卡主機約數萬元;多卡 H100 等級依規格與租期,每月約 NT$8 萬到數十萬元。多數供應商租期越長單價越低,計畫型需求可用 3 到 6 個月的短租控制總支出。</p>"
                    ["post_title"]=>
                    string(80) "大專院校 AI 研究算力怎麼解?自購 vs 租用 GPU 的經費效益分析"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(26) "university-ai-research-gpu"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 10:55:11"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 02:55:11"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(49) "https://www.nss.com.tw/university-ai-research-gpu"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                }
                ["post_count"]=>
                int(12)
                ["current_post"]=>
                int(-1)
                ["before_loop"]=>
                bool(true)
                ["in_the_loop"]=>
                bool(false)
                ["post"]=>
                object(WP_Post)#36597 (24) {
                  ["ID"]=>
                  int(125232)
                  ["post_author"]=>
                  string(1) "0"
                  ["post_date"]=>
                  string(19) "2026-07-14 10:21:11"
                  ["post_date_gmt"]=>
                  string(19) "2026-07-14 02:21:11"
                  ["post_content"]=>
                  string(16299) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:AI 模型訓練和推理的 GPU 需求差在哪裡?</p><p style="margin:0">訓練要同時保存權重、梯度、優化器狀態與激活值,顯存約權重的 8-10 倍:7B 全參數訓練要 110-140GB,還吃多卡互連,是 H100 的主場。推理只需權重加 KV cache:同個 7B 模型 FP16 只要 14-16GB,一張 RTX 4090 可服務,INT4 量化再省一半。搞混兩者最浪費預算。</p></div>
<p>「我們要導入 AI,該租什麼 GPU?」這個問題沒辦法直接回答,因為它少了一個關鍵前提:你要跑的是訓練,還是推理?這兩種工作負載對硬體的要求差異之大,大到同一筆預算可能差出十倍的效果。把推理的需求拿去租訓練級的 8 卡 H100,是把錢丟進水裡;拿一張消費卡硬跑全參數訓練,是把時間丟進水裡。這篇文章把兩種負載的本質差異、顯存計算方式、硬體選型邏輯一次講清楚,最後給出讓同一批 GPU 發揮兩倍價值的混合策略。不需要 ML 背景,看得懂乘法就能跟著算完每一筆帳。</p>

<h2>本質差異:一個在學習,一個在服務</h2>
<p>訓練是讓模型「學會」:資料前向傳播算出預測,跟標準答案比對出誤差,再反向傳播計算每個參數的梯度,由優化器更新權重——這個迴圈重複數萬到數百萬步。推理是讓模型「工作」:只有前向傳播,權重完全不動,吃進 prompt、吐出 token,一次一步。</p>
<p>這個差異決定了一切。訓練是吞吐導向的批次作業:在乎「多久跑完一輪」,可以中斷續跑,對延遲無感,但要為梯度與優化器狀態付出巨額顯存,多卡之間還要頻繁同步。推理是延遲導向的線上服務:在乎「使用者等多久」,全年無休不能斷,顯存需求小得多,但要面對併發起伏與尖峰。用一句話記:訓練買的是算力與互連,推理買的是顯存容量與穩定服務。</p>
<p>營運節奏的差異同樣關鍵:訓練是「專案」,有開始有結束,排程可以彈性挪動,失敗的代價是重跑;推理是「營運」,有 SLA、有使用者體驗、半夜掛掉要有人爬起來處理,失敗的代價是商譽。這決定了兩者連租賃形態都不同——訓練適合短租衝刺,用完即退;推理適合長租加備援設計。把這兩種節奏塞進同一台機器、同一張預算表,就是多數 GPU 規劃失敗的起點。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-24-data-20260714.jpg" alt="AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯" loading="lazy"/><figcaption>▲ 7B 全參數訓練 110-140GB;推理 FP16 只要 14-16GB</figcaption></figure>
<h2>顯存帳怎麼算:8-10 倍的差距從哪來</h2>
<p>同一個 7B 模型,為什麼訓練要 110-140GB、推理只要 14-16GB?把顯存內容攤開就懂。訓練時,卡上要同時放四樣:FP16 權重(每參數 2 bytes,7B 約 14GB)、梯度(再 2 bytes)、AdamW 優化器狀態(FP32 動量與變異數,8 bytes,約 56GB)、外加隨 batch 與序列長度成長的激活值。合計每參數約 16-20 bytes,是純權重的 8-10 倍。</p>
<p>推理時,卡上只有 FP16 權重(14GB)加 KV cache(隨併發與 context 成長,單人使用約 1-2GB)。而且推理還有訓練沒有的省錢大招:INT4 量化把權重壓到四分之一,7B 從 14GB 縮到 5-6GB,品質損失多在 1-3% 內。這就是為什麼 LoRA 這類參數高效微調這麼受歡迎——它凍結原模型、只訓練低秩適配層,把「訓練帳」的梯度與優化器項目縮到趨近推理等級,7B 的 LoRA 訓練只要 18-24GB,詳細做法見 <a href="https://www.nss.com.tw/llm-finetuning-lora-gpu">LLM 微調實戰</a>。</p>
<p>推理端還有一個跟訓練相反的槓桿:批次。訓練的 batch 是為了學習效率,推理的 batching 則是把多個使用者的請求交錯塞進同一次運算,GPU 使用率從 20-30% 拉到 80% 以上,單卡吞吐翻好幾倍——代價是個別請求的延遲略升。這也是為什麼生產環境一定要用支援 continuous batching 的推論引擎:同樣的硬體、同樣的模型,服務容量差 5-10 倍,等於直接把月租除以五。</p>
<p>拿 7B 走一遍完整算式,你就再也不會忘記這個差距:權重 7B 參數乘 2 bytes 等於 14GB;訓練再加梯度 14GB、優化器狀態 56GB、激活值 10-50GB(隨 batch 與序列長度),合計 94-134GB。推理則是 14GB 權重加 KV cache——單人對話 1-2GB、20 路併發 10-20GB,合計 15-35GB。同一個模型,兩張預算表差出一個數量級;而且推理還能用 INT4 把權重壓到 5-6GB,訓練卻必須維持高精度,差距進一步拉大。</p>

<h2>硬體選型:兩種負載看的規格完全不同</h2>
<p>訓練機的三個關鍵規格:HBM 顯存頻寬(反向傳播是頻寬飢渴型運算)、卡間互連(NVLink 900GB/s 對上 PCIe 的 64GB/s,多卡訓練差距立現)、以及 ECC 記憶體與散熱穩定性(一輪訓練跑七天,第六天當機等於重來)。這些正是 H100 這類資料中心卡貴的理由,錢花在你看不到但訓練跑不掉的地方。</p>
<p>推理機的邏輯不同:單卡顯存容量決定放得下多大的模型,每 token 成本決定毛利,而消費級的 RTX 4090 在這兩項的性價比極高——這也是它成為推理神卡的原因。多卡互連對推理重要性低(除非模型大到必須跨卡切分),反而是多開副本做負載均衡更實際。一個常見的錯誤採購:為了「以後可能要訓練」而全上 H100,結果 90% 的時間在跑 7B 推理,單位成本是 4090 方案的三四倍。</p>
<p>那推理什麼時候輪到 H100?三種情況:模型大到單卡裝不下且要 FP16 品質(70B 以上)、長 context 場景讓 KV cache 動輒數十 GB、或高併發對外服務需要單點高吞吐。多卡策略也跟訓練相反:訓練的多卡是「合力算一件事」,要 NVLink 緊耦合;推理的多卡多數時候是「各自服務、負載均衡」,兩台單卡主機常常比一台雙卡主機更好用——還順便有了備援。</p>
<p>穩定性的要求也值得一提:訓練跑七天,中途壞卡靠檢查點續命;推理是全年無休,看的是故障率與換修速度。租用方案在這裡有隱形價值——硬體故障是主機商的問題,備品與換機時間寫在合約裡,比自購機器壞了現找料件安心得多。</p>
<p>功耗與散熱同樣是選型的一部分:一張 4090 滿載約 450W,8 卡 H100 主機整機動輒上萬瓦,電力與空調是機房等級的需求,這也是「把訓練機放辦公室角落」幾乎都以跳電或過熱降頻收場的原因。租用台灣機房的主機,電費、散熱、UPS、消防都包在月租裡;把這些隱形成本攤回自建方案上比較,帳面月租其實比看起來便宜。</p>

<h2>對照表:同一個模型,兩種負載的配置</h2>
<table>
<thead><tr><th>模型規模</th><th>全參數訓練</th><th>LoRA 微調</th><th>FP16 推理</th><th>INT4 推理</th></tr></thead>
<tbody>
<tr><td>7B</td><td>110-140GB,2×H100</td><td>18-24GB,1×4090</td><td>14-16GB,1×4090</td><td>5-6GB,入門卡可跑</td></tr>
<tr><td>32B</td><td>500GB 上下,8×H100</td><td>75-95GB,2×H100</td><td>64-70GB,1×H100</td><td>18-20GB,1×4090</td></tr>
<tr><td>70B</td><td>700GB 以上,多節點</td><td>150-190GB,3×H100</td><td>140-150GB,2×H100</td><td>40-45GB,2×4090</td></tr>
</tbody>
</table>
<p>讀表的方式:橫著看是同一個模型從開發到上線的資源演變,直著看是你的預算能支撐的規模上限。多數企業的實際旅程是「租 H100 做一段時間的微調,上線後換成 4090 級推理機長期服務」——兩個階段、兩種規格、兩張報價單,合在一起才是專案的真實成本。</p>
<p>對照表也順便解釋了市場上一個常見的價格困惑:為什麼 H100 主機月租是 4090 的好幾倍,大家還是搶著租?因為它們根本不在同一個市場——H100 賣的是訓練與大模型推理的「能力」,4090 賣的是中小模型推理的「性價比」。拿 4090 的價格去砍 H100 的規格,或拿 H100 的規格去要求 4090 的價格,都是在浪費彼此的時間;先分清楚負載,報價單自然就看得懂了。</p>

<h2>台灣案例:電子廠把同一筆預算用出兩倍效果</h2>
<p>桃園一家電子組裝廠導入 AOI 瑕疵檢測的視覺模型加上產線知識問答的 LLM,最初的規劃是租一台 4×H100 主機包辦所有工作,月租七位數邊緣,財務直接退件。顧問重排後的架構:訓練需求(每月一次的瑕疵模型重訓、每季一次的 LLM 微調)改成短租 H100 主機,每次 3-5 天、月均成本約 NT$40,000-60,000;推理需求(產線 24 小時的即時檢測加辦公室的知識問答)交給兩台雙 4090 主機,月租合計約 NT$70,000。</p>
<p>結果是總月成本從原規劃砍掉超過一半,推理服務的 p95 延遲反而更好,因為推理機可以按產線位置就近部署、多副本分流。訓練短租的另一個好處是規格自由:下一季想試 32B 模型的微調,直接改租更大的配置,不用被自有硬體綁死。資料面也乾淨——檢測影像涉及客戶產品外觀,全程留在台灣機房,滿足客戶稽核的資料在地要求。</p>
<p>數字攤開更有說服力:原方案 4×H100 全年月租估 NT$180 萬年支出;新架構是訓練短租年約 NT$55-70 萬,加推理雙機年約 NT$84 萬,合計省下約四成,而且推理機的 p95 延遲從共用時代的不穩定,變成穩定壓在 0.8 秒內。財務長最買單的一句話是:「訓練的錢花在有訓練的月份,推理的錢才是固定成本。」預算結構跟著負載走,審預算的人也看得懂。</p>

<h2>混合策略:讓 GPU 不再有下班時間</h2>
<p>訓練與推理分開配置之後,還有一層進階玩法:時間分割。推理有明顯的日夜週期,辦公型應用晚上十點後使用率常掉到 10% 以下,這段時間正好拿來跑訓練:夜間排程啟動 LoRA 微調或資料處理,清晨完成後釋放顯存回到推理服務。一張 24GB 的卡,白天服務 10-20 路併發的問答,晚上跑 7B 的 QLoRA 迭代,等於一份月租買兩份產能。</p>
<p>落地這套策略的前提是服務層要俐落:推論引擎能快速卸載與重載模型、任務排程有優先權設計、監控能確認「早上八點推理服務一定回來」。這些工程細節在 <a href="https://www.nss.com.tw/ai-inference-api-hosting">AI 推論 API 自建教學</a> 有完整展開。原則只有一條:先分清楚你的每一個工作負載是訓練還是推理,再決定它該住在哪種 GPU 上、住多久。想清楚這題,GPU 預算的效率至少差一倍。</p>
<p>風險控管兩條底線要守住:混用的那張卡,推理服務的恢復要有自動檢核——訓練任務結束後服務沒起來就告警加自動重啟;訓練任務要設資源上限與最晚結束時間,寧可訓練慢一天,不要早上八點推理服務起不來。時間分割是省錢技巧,不是走鋼索,把保險機制寫好才有資格用。</p>
<p>把整篇的判斷濃縮成四個問題:這個負載是一次性專案還是長期服務?顯存需求是權重的十倍(訓練)還是一點多倍(推理)?它需要多卡緊耦合還是多副本分流?尖峰在白天還是可以排進夜間?四題答完,該租 H100 還是 4090、該短租還是長租、該一台還是兩台,答案基本上自動浮現。之後每次規劃卡關,回來把這四題重答一次,比翻任何規格表都快。</p>
<p>「先租後買」的節奏也順帶講清楚:前六個月用租的,把負載形狀量出來——尖峰、離峰、訓練頻率、顯存水位;若使用率長期在七成以上且規格已經穩定,再評估買斷或簽長約換折扣。反過來,負載還在變的階段就買硬體,等於把不確定性直接鎖進資產負債表,那是財務最不想看到的一種浪漫。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-24-points-20260714.jpg" alt="AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯" loading="lazy"/><figcaption>▲ 兩種工作負載的配置邏輯</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>訓練短租 H100、推理長租 RTX 系列,這種分離式配置需要主機商同時具備兩種產品線與彈性租期。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,訓練與推理可以分開租、隨階段調整。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問會依你的工作負載組合試算最省的架構。</p>

<h2>常見問題 FAQ</h2><h3>為什麼訓練需要的顯存是推理的近十倍?</h3><p>訓練時卡上同時放權重(FP16 每參數 2 bytes)、梯度(2 bytes)、AdamW 優化器狀態(8 bytes)與激活值,合計每參數 16-20 bytes;推理只要權重加 KV cache。7B 的對比就是 110-140GB 對 14-16GB,差距近十倍。</p><h3>RTX 4090 適合訓練還是推理?</h3><p>推理是它的主場:24GB 顯存能跑 7B FP16 或 32B INT4,每 token 成本遠低於資料中心卡。訓練方面,單卡跑 7B-14B 的 LoRA/QLoRA 沒問題,但缺 NVLink 與 ECC,多卡全參數訓練效率差、穩定性風險高,大型訓練還是交給 H100。</p><h3>H100 比 4090 貴好幾倍,貴在哪裡?</h3><p>貴在訓練需要的三樣東西:80GB HBM 高頻寬顯存(頻寬約 3.35TB/s,是 4090 GDDR6X 的 3 倍以上)、NVLink 900GB/s 卡間互連、以及 ECC 與資料中心級穩定性。若你的負載是中小模型推理,這些溢價用不到,選 RTX 系列性價比更高。</p><h3>推理的 KV cache 是什麼?會吃多少顯存?</h3><p>KV cache 是推理時暫存注意力鍵值的快取,讓模型不用重算前文,代價是顯存:依架構每路 4K token 約 0.5-2GB,與併發數、context 長度成正比。20 路併發、8K context 的服務,KV cache 可達 20-40GB,規劃時要在權重外預留 20-40% 空間。</p><h3>先租訓練機還是先租推理機?</h3><p>看專案階段。要微調自有模型:先短租訓練規格(如 H100,一次 3-7 天),模型定版後換長租推理規格(如 4090 主機月租 NT$15,000-25,000)服務使用者。直接用現成開源模型的話,跳過訓練段,從推理機開始,POC 兩週內就能上線。</p><h3>同一台主機可以白天推理、晚上訓練嗎?</h3><p>可以,而且是中小團隊最省錢的玩法。推理服務入夜後使用率常掉到 10% 以下,排程在深夜卸載推理、跑 LoRA 微調,清晨恢復服務,一張 24GB 卡等於當兩台用。前提是任務排程、模型快速重載與開機自檢都要自動化,避免早上服務沒回來。</p><h3>訓練和推理可以用同一種量化嗎?</h3><p>不行,方向相反。推理常態使用 INT8/INT4 量化,省一半以上顯存、品質損失多在 1-3%;訓練必須維持較高精度(FP16/BF16 混合精度)以保梯度品質,QLoRA 雖然把凍結底模壓到 4-bit,可訓練的適配層仍是高精度。拿 INT4 權重直接全參數訓練會學壞。</p><h3>推理服務要怎麼估需要幾張卡?</h3><p>公式:先定尖峰併發數與延遲目標,單卡容量 = 權重 + 併發×每路 KV cache + 20% 餘裕。例如 32B INT4(20GB)配 15 路併發(約 15-20GB),需 40GB 以上,即一張 48GB 卡或兩張 4090。上線後看佇列深度與 p95 延遲決定加卡時機。</p><h3>訓練短租真的比長租划算嗎?</h3><p>多數情況是。企業微調的節奏常是每月或每季一輪,每輪 3-7 天,短租 H100 的月均支出約 NT$40,000-80,000;同規格長租且大半時間閒置,月租是它的好幾倍。只有訓練排程滿到每月超過 20 天時,長租或買斷才開始划算。</p><h3>邊緣推理和機房推理怎麼選?</h3><p>延遲極敏感或斷網不可接受的場景(產線即時檢測、門店互動)放邊緣小型 GPU;需要大模型、集中管理與彈性擴充的(知識問答、文件處理)放台灣機房主機,網路往返 5ms 上下對多數應用無感。常見架構是邊緣跑小模型、機房跑大模型,各司其職。</p>"
                  ["post_title"]=>
                  string(85) "AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯"
                  ["post_excerpt"]=>
                  string(0) ""
                  ["post_status"]=>
                  string(7) "publish"
                  ["comment_status"]=>
                  string(6) "closed"
                  ["ping_status"]=>
                  string(6) "closed"
                  ["post_password"]=>
                  string(0) ""
                  ["post_name"]=>
                  string(28) "ai-training-vs-inference-gpu"
                  ["to_ping"]=>
                  string(0) ""
                  ["pinged"]=>
                  string(0) ""
                  ["post_modified"]=>
                  string(19) "2026-07-14 11:06:01"
                  ["post_modified_gmt"]=>
                  string(19) "2026-07-14 03:06:01"
                  ["post_content_filtered"]=>
                  string(0) ""
                  ["post_parent"]=>
                  int(0)
                  ["guid"]=>
                  string(51) "https://www.nss.com.tw/ai-training-vs-inference-gpu"
                  ["menu_order"]=>
                  int(0)
                  ["post_type"]=>
                  string(4) "post"
                  ["post_mime_type"]=>
                  string(0) ""
                  ["comment_count"]=>
                  string(1) "0"
                  ["filter"]=>
                  string(3) "raw"
                }
                ["comment_count"]=>
                int(0)
                ["current_comment"]=>
                int(-1)
                ["found_posts"]=>
                int(1669)
                ["max_num_pages"]=>
                float(140)
                ["max_num_comment_pages"]=>
                int(0)
                ["is_single"]=>
                bool(false)
                ["is_preview"]=>
                bool(false)
                ["is_page"]=>
                bool(false)
                ["is_archive"]=>
                bool(false)
                ["is_date"]=>
                bool(false)
                ["is_year"]=>
                bool(false)
                ["is_month"]=>
                bool(false)
                ["is_day"]=>
                bool(false)
                ["is_time"]=>
                bool(false)
                ["is_author"]=>
                bool(false)
                ["is_category"]=>
                bool(false)
                ["is_tag"]=>
                bool(false)
                ["is_tax"]=>
                bool(false)
                ["is_search"]=>
                bool(false)
                ["is_feed"]=>
                bool(true)
                ["is_comment_feed"]=>
                bool(false)
                ["is_trackback"]=>
                bool(false)
                ["is_home"]=>
                bool(true)
                ["is_privacy_policy"]=>
                bool(false)
                ["is_404"]=>
                bool(false)
                ["is_embed"]=>
                bool(false)
                ["is_paged"]=>
                bool(false)
                ["is_admin"]=>
                bool(false)
                ["is_attachment"]=>
                bool(false)
                ["is_singular"]=>
                bool(false)
                ["is_robots"]=>
                bool(false)
                ["is_favicon"]=>
                bool(false)
                ["is_posts_page"]=>
                bool(false)
                ["is_post_type_archive"]=>
                bool(false)
                ["query_vars_hash":"WP_Query":private]=>
                string(32) "afed949ddc44bda5a704cf3b30d61301"
                ["query_vars_changed":"WP_Query":private]=>
                bool(false)
                ["thumbnails_cached"]=>
                bool(false)
                ["allow_query_attachment_by_filename":protected]=>
                bool(false)
                ["stopwords":"WP_Query":private]=>
                NULL
                ["compat_fields":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(15) "query_vars_hash"
                  [1]=>
                  string(18) "query_vars_changed"
                }
                ["compat_methods":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(16) "init_query_flags"
                  [1]=>
                  string(15) "parse_tax_query"
                }
              }
            }
          }
        }
        [15]=>
        array(4) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(1881)
          ["function"]=>
          string(19) "do_action_ref_array"
          ["args"]=>
          array(1) {
            [0]=>
            string(13) "pre_get_posts"
          }
        }
        [16]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3800)
          ["function"]=>
          string(9) "get_posts"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [17]=>
        array(5) {
          ["file"]=>
          string(37) "/var/www/web/wp-includes/class-wp.php"
          ["line"]=>
          int(662)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [18]=>
        array(5) {
          ["file"]=>
          string(37) "/var/www/web/wp-includes/class-wp.php"
          ["line"]=>
          int(782)
          ["function"]=>
          string(11) "query_posts"
          ["class"]=>
          string(2) "WP"
          ["type"]=>
          string(2) "->"
        }
        [19]=>
        array(5) {
          ["file"]=>
          string(38) "/var/www/web/wp-includes/functions.php"
          ["line"]=>
          int(1335)
          ["function"]=>
          string(4) "main"
          ["class"]=>
          string(2) "WP"
          ["type"]=>
          string(2) "->"
        }
        [20]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(16)
          ["function"]=>
          string(2) "wp"
        }
        [21]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(7)
  }
  [38]=>
  array(7) {
    [0]=>
    string(2686) "
			SELECT   tD6qv_posts.ID
			FROM tD6qv_posts  INNER JOIN tD6qv_postmeta ON ( tD6qv_posts.ID = tD6qv_postmeta.post_id )
			WHERE 1=1  AND ( 
  tD6qv_postmeta.meta_key = 'um_content_restriction'
) AND tD6qv_posts.post_type IN ('post', 'page') AND ((tD6qv_posts.post_status <> 'trash' AND tD6qv_posts.post_status <> 'auto-draft')) AND tD6qv_posts.ID NOT IN ( 31016, 31017, 31018, 31019, 31020, 31021, 31023, 31047, 31048, 31049, 31050, 31051, 31052, 31053, 31054, 31061, 31062, 31063, 31064, 31065, 31074, 31075, 31076, 31077, 31078, 31079, 31094, 31095, 31096, 31097, 31098, 31103, 31104, 31105, 31110, 31111, 31113, 31115, 31117, 31119, 31121, 31123, 31125, 31127, 31129, 31131, 31133, 31135, 31137, 31140, 31142, 31144, 31150, 31152, 31155, 31157, 31159, 31161, 31163, 31165, 31167, 31169, 31171, 31173, 31176, 31178, 31180, 31189, 31199, 31200, 31201, 31202, 31203, 31210, 31211, 31212, 31213, 31214, 31222, 31223, 31224, 31225, 31226, 31233, 31234, 31235, 31237, 31238, 31239, 31242, 31243, 31245, 31247, 31249, 31257, 31258, 31260, 31261, 31262, 31263, 31264, 31265, 31287, 31288, 31289, 31290, 31339, 31342, 32291, 32570, 32694, 33157, 33302, 33304, 33981, 34831, 34832, 35549, 35551, 35586, 35590, 35591, 35592, 35593, 35594, 35595, 35659, 35660, 35661, 35662, 35663, 35664, 35665, 35666, 35668, 35672, 35676, 35679, 35680, 35681, 35682, 35683, 35684, 35685, 35689, 35694, 35696, 35697, 35698, 35702, 35703, 35704, 35706, 35713, 35720, 35742, 35743, 35744, 35746, 35747, 35748, 35749, 35750, 35751, 35752, 35753, 35754, 35755, 35756, 35757, 48063, 48070, 48071, 48072, 48074, 48075, 48184, 48188, 48189, 49076, 49099, 49104, 49106, 49455, 49457, 49459, 49461, 49463, 49465, 49467, 49469, 49676, 49681, 49682, 49683, 49727, 49729, 49731, 49733, 49735, 49737, 49739, 49854, 49969, 50452, 50455, 50457, 50459, 50461, 50463, 50465, 50709, 50711, 50713, 50715, 50717, 50719, 50721, 50723, 50725, 50727, 50729, 50731, 50733, 50735, 50737, 50739, 50741, 50743, 50745, 50749, 50753, 50755, 50756, 50758, 50760, 50762, 50764, 50766, 51313, 51345, 51347, 51349, 51405, 51511, 51513, 51952, 52094, 54373, 54375, 54377, 54379, 54382, 54384, 54387, 54389, 54391, 54393, 54396, 54400, 55813, 57567, 57569, 57579, 57582, 57586, 57591, 60450, 60718, 60842, 60974, 60977, 89588, 89591, 89593, 89595, 89597, 89601, 91915, 91916, 91918, 93992, 93994, 109831, 109911, 110004, 110006, 110011, 110015, 110018, 110020, 110024, 110028, 110030, 110032, 110034, 110039, 110041, 110043, 110045, 110047, 110051, 110122, 110124, 110126, 110128, 110131, 110134, 110137, 110139, 110142, 110144, 110146, 110148 ) 
			GROUP BY tD6qv_posts.ID
			ORDER BY tD6qv_posts.menu_order, tD6qv_posts.post_date DESC
			
		"
    [1]=>
    float(0.010733127593994)
    [2]=>
    string(311) "require('wp-blog-header.php'), wp, WP->main, WP->query_posts, WP_Query->query, WP_Query->get_posts, do_action_ref_array('pre_get_posts'), WP_Hook->do_action, WP_Hook->apply_filters, um\core\Access->exclude_posts, um\core\Access->exclude_posts_array, get_posts, WP_Query->query, WP_Query->get_posts, QM_DB->query"
    [3]=>
    float(1784046907.4183)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#36622 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(17) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3088)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3219)
          ["function"]=>
          string(7) "get_col"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3800)
          ["function"]=>
          string(9) "get_posts"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(33) "/var/www/web/wp-includes/post.php"
          ["line"]=>
          int(2443)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(3) {
          ["file"]=>
          string(78) "/var/www/web/wp-content/plugins/ultimate-member/includes/core/class-access.php"
          ["line"]=>
          int(206)
          ["function"]=>
          string(9) "get_posts"
        }
        [6]=>
        array(5) {
          ["file"]=>
          string(78) "/var/www/web/wp-content/plugins/ultimate-member/includes/core/class-access.php"
          ["line"]=>
          int(459)
          ["function"]=>
          string(19) "exclude_posts_array"
          ["class"]=>
          string(14) "um\core\Access"
          ["type"]=>
          string(2) "->"
        }
        [7]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(13) "exclude_posts"
          ["class"]=>
          string(14) "um\core\Access"
          ["type"]=>
          string(2) "->"
        }
        [8]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            object(WP_Query)#26160 (55) {
              ["query"]=>
              array(1) {
                ["xml_sitemap"]=>
                string(7) "params="
              }
              ["query_vars"]=>
              array(66) {
                ["xml_sitemap"]=>
                string(7) "params="
                ["error"]=>
                string(0) ""
                ["m"]=>
                string(0) ""
                ["p"]=>
                int(0)
                ["post_parent"]=>
                string(0) ""
                ["subpost"]=>
                string(0) ""
                ["subpost_id"]=>
                string(0) ""
                ["attachment"]=>
                string(0) ""
                ["attachment_id"]=>
                int(0)
                ["name"]=>
                string(0) ""
                ["pagename"]=>
                string(0) ""
                ["page_id"]=>
                int(0)
                ["second"]=>
                string(0) ""
                ["minute"]=>
                string(0) ""
                ["hour"]=>
                string(0) ""
                ["day"]=>
                int(0)
                ["monthnum"]=>
                int(0)
                ["year"]=>
                int(0)
                ["w"]=>
                int(0)
                ["category_name"]=>
                string(0) ""
                ["tag"]=>
                string(0) ""
                ["cat"]=>
                string(0) ""
                ["tag_id"]=>
                string(0) ""
                ["author"]=>
                string(0) ""
                ["author_name"]=>
                string(0) ""
                ["feed"]=>
                string(0) ""
                ["tb"]=>
                string(0) ""
                ["paged"]=>
                int(0)
                ["meta_key"]=>
                string(0) ""
                ["meta_value"]=>
                string(0) ""
                ["preview"]=>
                string(0) ""
                ["s"]=>
                string(0) ""
                ["sentence"]=>
                string(0) ""
                ["title"]=>
                string(0) ""
                ["fields"]=>
                string(0) ""
                ["menu_order"]=>
                string(0) ""
                ["embed"]=>
                string(0) ""
                ["category__in"]=>
                array(0) {
                }
                ["category__not_in"]=>
                array(0) {
                }
                ["category__and"]=>
                array(0) {
                }
                ["post__in"]=>
                array(0) {
                }
                ["post__not_in"]=>
                array(0) {
                }
                ["post_name__in"]=>
                array(0) {
                }
                ["tag__in"]=>
                array(0) {
                }
                ["tag__not_in"]=>
                array(0) {
                }
                ["tag__and"]=>
                array(0) {
                }
                ["tag_slug__in"]=>
                array(0) {
                }
                ["tag_slug__and"]=>
                array(0) {
                }
                ["post_parent__in"]=>
                array(0) {
                }
                ["post_parent__not_in"]=>
                array(0) {
                }
                ["author__in"]=>
                array(0) {
                }
                ["author__not_in"]=>
                array(0) {
                }
                ["search_columns"]=>
                array(0) {
                }
                ["ignore_sticky_posts"]=>
                bool(false)
                ["suppress_filters"]=>
                bool(false)
                ["cache_results"]=>
                bool(true)
                ["update_post_term_cache"]=>
                bool(true)
                ["update_menu_item_cache"]=>
                bool(false)
                ["lazy_load_term_meta"]=>
                bool(true)
                ["update_post_meta_cache"]=>
                bool(true)
                ["post_type"]=>
                string(0) ""
                ["posts_per_page"]=>
                int(12)
                ["nopaging"]=>
                bool(false)
                ["comments_per_page"]=>
                string(2) "50"
                ["no_found_rows"]=>
                bool(false)
                ["order"]=>
                string(4) "DESC"
              }
              ["tax_query"]=>
              object(WP_Tax_Query)#37285 (6) {
                ["queries"]=>
                array(0) {
                }
                ["relation"]=>
                string(3) "AND"
                ["table_aliases":protected]=>
                array(0) {
                }
                ["queried_terms"]=>
                array(0) {
                }
                ["primary_table"]=>
                string(11) "tD6qv_posts"
                ["primary_id_column"]=>
                string(2) "ID"
              }
              ["meta_query"]=>
              object(WP_Meta_Query)#37283 (9) {
                ["queries"]=>
                array(0) {
                }
                ["relation"]=>
                NULL
                ["meta_table"]=>
                NULL
                ["meta_id_column"]=>
                NULL
                ["primary_table"]=>
                NULL
                ["primary_id_column"]=>
                NULL
                ["table_aliases":protected]=>
                array(0) {
                }
                ["clauses":protected]=>
                array(0) {
                }
                ["has_or_relation":protected]=>
                bool(false)
              }
              ["date_query"]=>
              bool(false)
              ["queried_object"]=>
              NULL
              ["queried_object_id"]=>
              NULL
              ["request"]=>
              string(2564) "
					SELECT SQL_CALC_FOUND_ROWS  tD6qv_posts.ID
					FROM tD6qv_posts 
					WHERE 1=1  AND ((tD6qv_posts.post_type = 'post' AND (tD6qv_posts.post_status = 'publish' OR tD6qv_posts.post_status = 'acf-disabled'))) AND tD6qv_posts.ID NOT IN ( 31016, 31017, 31018, 31019, 31020, 31021, 31023, 31047, 31048, 31049, 31050, 31051, 31052, 31053, 31054, 31061, 31062, 31063, 31064, 31065, 31074, 31075, 31076, 31077, 31078, 31079, 31094, 31095, 31096, 31097, 31098, 31103, 31104, 31105, 31110, 31111, 31113, 31115, 31117, 31119, 31121, 31123, 31125, 31127, 31129, 31131, 31133, 31135, 31137, 31140, 31142, 31144, 31150, 31152, 31155, 31157, 31159, 31161, 31163, 31165, 31167, 31169, 31171, 31173, 31176, 31178, 31180, 31189, 31199, 31200, 31201, 31202, 31203, 31210, 31211, 31212, 31213, 31214, 31222, 31223, 31224, 31225, 31226, 31233, 31234, 31235, 31237, 31238, 31239, 31242, 31243, 31245, 31247, 31249, 31257, 31258, 31260, 31261, 31262, 31263, 31264, 31265, 31287, 31288, 31289, 31290, 31339, 31342, 32291, 32570, 32694, 33157, 33302, 33304, 33981, 34831, 34832, 35549, 35551, 35586, 35590, 35591, 35592, 35593, 35594, 35595, 35659, 35660, 35661, 35662, 35663, 35664, 35665, 35666, 35668, 35672, 35676, 35679, 35680, 35681, 35682, 35683, 35684, 35685, 35689, 35694, 35696, 35697, 35698, 35702, 35703, 35704, 35706, 35713, 35720, 35742, 35743, 35744, 35746, 35747, 35748, 35749, 35750, 35751, 35752, 35753, 35754, 35755, 35756, 35757, 48063, 48070, 48071, 48072, 48074, 48075, 48184, 48188, 48189, 49076, 49099, 49104, 49106, 49455, 49457, 49459, 49461, 49463, 49465, 49467, 49469, 49676, 49681, 49682, 49683, 49727, 49729, 49731, 49733, 49735, 49737, 49739, 49854, 49969, 50452, 50455, 50457, 50459, 50461, 50463, 50465, 50709, 50711, 50713, 50715, 50717, 50719, 50721, 50723, 50725, 50727, 50729, 50731, 50733, 50735, 50737, 50739, 50741, 50743, 50745, 50749, 50753, 50755, 50756, 50758, 50760, 50762, 50764, 50766, 51313, 51345, 51347, 51349, 51405, 51511, 51513, 51952, 52094, 54373, 54375, 54377, 54379, 54382, 54384, 54387, 54389, 54391, 54393, 54396, 54400, 55813, 57567, 57569, 57579, 57582, 57586, 57591, 60450, 60718, 60842, 60974, 60977, 89588, 89591, 89593, 89595, 89597, 89601, 91915, 91916, 91918, 93992, 93994, 109831, 109911, 110004, 110006, 110011, 110015, 110018, 110020, 110024, 110028, 110030, 110032, 110034, 110039, 110041, 110043, 110045, 110047, 110051, 110122, 110124, 110126, 110128, 110131, 110134, 110137, 110139, 110142, 110144, 110146, 110148 ) 
					
					ORDER BY tD6qv_posts.menu_order, tD6qv_posts.post_date DESC
					LIMIT 0, 12
				"
              ["posts"]=>
              &array(12) {
                [0]=>
                object(WP_Post)#36597 (24) {
                  ["ID"]=>
                  int(125232)
                  ["post_author"]=>
                  string(1) "0"
                  ["post_date"]=>
                  string(19) "2026-07-14 10:21:11"
                  ["post_date_gmt"]=>
                  string(19) "2026-07-14 02:21:11"
                  ["post_content"]=>
                  string(16299) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:AI 模型訓練和推理的 GPU 需求差在哪裡?</p><p style="margin:0">訓練要同時保存權重、梯度、優化器狀態與激活值,顯存約權重的 8-10 倍:7B 全參數訓練要 110-140GB,還吃多卡互連,是 H100 的主場。推理只需權重加 KV cache:同個 7B 模型 FP16 只要 14-16GB,一張 RTX 4090 可服務,INT4 量化再省一半。搞混兩者最浪費預算。</p></div>
<p>「我們要導入 AI,該租什麼 GPU?」這個問題沒辦法直接回答,因為它少了一個關鍵前提:你要跑的是訓練,還是推理?這兩種工作負載對硬體的要求差異之大,大到同一筆預算可能差出十倍的效果。把推理的需求拿去租訓練級的 8 卡 H100,是把錢丟進水裡;拿一張消費卡硬跑全參數訓練,是把時間丟進水裡。這篇文章把兩種負載的本質差異、顯存計算方式、硬體選型邏輯一次講清楚,最後給出讓同一批 GPU 發揮兩倍價值的混合策略。不需要 ML 背景,看得懂乘法就能跟著算完每一筆帳。</p>

<h2>本質差異:一個在學習,一個在服務</h2>
<p>訓練是讓模型「學會」:資料前向傳播算出預測,跟標準答案比對出誤差,再反向傳播計算每個參數的梯度,由優化器更新權重——這個迴圈重複數萬到數百萬步。推理是讓模型「工作」:只有前向傳播,權重完全不動,吃進 prompt、吐出 token,一次一步。</p>
<p>這個差異決定了一切。訓練是吞吐導向的批次作業:在乎「多久跑完一輪」,可以中斷續跑,對延遲無感,但要為梯度與優化器狀態付出巨額顯存,多卡之間還要頻繁同步。推理是延遲導向的線上服務:在乎「使用者等多久」,全年無休不能斷,顯存需求小得多,但要面對併發起伏與尖峰。用一句話記:訓練買的是算力與互連,推理買的是顯存容量與穩定服務。</p>
<p>營運節奏的差異同樣關鍵:訓練是「專案」,有開始有結束,排程可以彈性挪動,失敗的代價是重跑;推理是「營運」,有 SLA、有使用者體驗、半夜掛掉要有人爬起來處理,失敗的代價是商譽。這決定了兩者連租賃形態都不同——訓練適合短租衝刺,用完即退;推理適合長租加備援設計。把這兩種節奏塞進同一台機器、同一張預算表,就是多數 GPU 規劃失敗的起點。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-24-data-20260714.jpg" alt="AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯" loading="lazy"/><figcaption>▲ 7B 全參數訓練 110-140GB;推理 FP16 只要 14-16GB</figcaption></figure>
<h2>顯存帳怎麼算:8-10 倍的差距從哪來</h2>
<p>同一個 7B 模型,為什麼訓練要 110-140GB、推理只要 14-16GB?把顯存內容攤開就懂。訓練時,卡上要同時放四樣:FP16 權重(每參數 2 bytes,7B 約 14GB)、梯度(再 2 bytes)、AdamW 優化器狀態(FP32 動量與變異數,8 bytes,約 56GB)、外加隨 batch 與序列長度成長的激活值。合計每參數約 16-20 bytes,是純權重的 8-10 倍。</p>
<p>推理時,卡上只有 FP16 權重(14GB)加 KV cache(隨併發與 context 成長,單人使用約 1-2GB)。而且推理還有訓練沒有的省錢大招:INT4 量化把權重壓到四分之一,7B 從 14GB 縮到 5-6GB,品質損失多在 1-3% 內。這就是為什麼 LoRA 這類參數高效微調這麼受歡迎——它凍結原模型、只訓練低秩適配層,把「訓練帳」的梯度與優化器項目縮到趨近推理等級,7B 的 LoRA 訓練只要 18-24GB,詳細做法見 <a href="https://www.nss.com.tw/llm-finetuning-lora-gpu">LLM 微調實戰</a>。</p>
<p>推理端還有一個跟訓練相反的槓桿:批次。訓練的 batch 是為了學習效率,推理的 batching 則是把多個使用者的請求交錯塞進同一次運算,GPU 使用率從 20-30% 拉到 80% 以上,單卡吞吐翻好幾倍——代價是個別請求的延遲略升。這也是為什麼生產環境一定要用支援 continuous batching 的推論引擎:同樣的硬體、同樣的模型,服務容量差 5-10 倍,等於直接把月租除以五。</p>
<p>拿 7B 走一遍完整算式,你就再也不會忘記這個差距:權重 7B 參數乘 2 bytes 等於 14GB;訓練再加梯度 14GB、優化器狀態 56GB、激活值 10-50GB(隨 batch 與序列長度),合計 94-134GB。推理則是 14GB 權重加 KV cache——單人對話 1-2GB、20 路併發 10-20GB,合計 15-35GB。同一個模型,兩張預算表差出一個數量級;而且推理還能用 INT4 把權重壓到 5-6GB,訓練卻必須維持高精度,差距進一步拉大。</p>

<h2>硬體選型:兩種負載看的規格完全不同</h2>
<p>訓練機的三個關鍵規格:HBM 顯存頻寬(反向傳播是頻寬飢渴型運算)、卡間互連(NVLink 900GB/s 對上 PCIe 的 64GB/s,多卡訓練差距立現)、以及 ECC 記憶體與散熱穩定性(一輪訓練跑七天,第六天當機等於重來)。這些正是 H100 這類資料中心卡貴的理由,錢花在你看不到但訓練跑不掉的地方。</p>
<p>推理機的邏輯不同:單卡顯存容量決定放得下多大的模型,每 token 成本決定毛利,而消費級的 RTX 4090 在這兩項的性價比極高——這也是它成為推理神卡的原因。多卡互連對推理重要性低(除非模型大到必須跨卡切分),反而是多開副本做負載均衡更實際。一個常見的錯誤採購:為了「以後可能要訓練」而全上 H100,結果 90% 的時間在跑 7B 推理,單位成本是 4090 方案的三四倍。</p>
<p>那推理什麼時候輪到 H100?三種情況:模型大到單卡裝不下且要 FP16 品質(70B 以上)、長 context 場景讓 KV cache 動輒數十 GB、或高併發對外服務需要單點高吞吐。多卡策略也跟訓練相反:訓練的多卡是「合力算一件事」,要 NVLink 緊耦合;推理的多卡多數時候是「各自服務、負載均衡」,兩台單卡主機常常比一台雙卡主機更好用——還順便有了備援。</p>
<p>穩定性的要求也值得一提:訓練跑七天,中途壞卡靠檢查點續命;推理是全年無休,看的是故障率與換修速度。租用方案在這裡有隱形價值——硬體故障是主機商的問題,備品與換機時間寫在合約裡,比自購機器壞了現找料件安心得多。</p>
<p>功耗與散熱同樣是選型的一部分:一張 4090 滿載約 450W,8 卡 H100 主機整機動輒上萬瓦,電力與空調是機房等級的需求,這也是「把訓練機放辦公室角落」幾乎都以跳電或過熱降頻收場的原因。租用台灣機房的主機,電費、散熱、UPS、消防都包在月租裡;把這些隱形成本攤回自建方案上比較,帳面月租其實比看起來便宜。</p>

<h2>對照表:同一個模型,兩種負載的配置</h2>
<table>
<thead><tr><th>模型規模</th><th>全參數訓練</th><th>LoRA 微調</th><th>FP16 推理</th><th>INT4 推理</th></tr></thead>
<tbody>
<tr><td>7B</td><td>110-140GB,2×H100</td><td>18-24GB,1×4090</td><td>14-16GB,1×4090</td><td>5-6GB,入門卡可跑</td></tr>
<tr><td>32B</td><td>500GB 上下,8×H100</td><td>75-95GB,2×H100</td><td>64-70GB,1×H100</td><td>18-20GB,1×4090</td></tr>
<tr><td>70B</td><td>700GB 以上,多節點</td><td>150-190GB,3×H100</td><td>140-150GB,2×H100</td><td>40-45GB,2×4090</td></tr>
</tbody>
</table>
<p>讀表的方式:橫著看是同一個模型從開發到上線的資源演變,直著看是你的預算能支撐的規模上限。多數企業的實際旅程是「租 H100 做一段時間的微調,上線後換成 4090 級推理機長期服務」——兩個階段、兩種規格、兩張報價單,合在一起才是專案的真實成本。</p>
<p>對照表也順便解釋了市場上一個常見的價格困惑:為什麼 H100 主機月租是 4090 的好幾倍,大家還是搶著租?因為它們根本不在同一個市場——H100 賣的是訓練與大模型推理的「能力」,4090 賣的是中小模型推理的「性價比」。拿 4090 的價格去砍 H100 的規格,或拿 H100 的規格去要求 4090 的價格,都是在浪費彼此的時間;先分清楚負載,報價單自然就看得懂了。</p>

<h2>台灣案例:電子廠把同一筆預算用出兩倍效果</h2>
<p>桃園一家電子組裝廠導入 AOI 瑕疵檢測的視覺模型加上產線知識問答的 LLM,最初的規劃是租一台 4×H100 主機包辦所有工作,月租七位數邊緣,財務直接退件。顧問重排後的架構:訓練需求(每月一次的瑕疵模型重訓、每季一次的 LLM 微調)改成短租 H100 主機,每次 3-5 天、月均成本約 NT$40,000-60,000;推理需求(產線 24 小時的即時檢測加辦公室的知識問答)交給兩台雙 4090 主機,月租合計約 NT$70,000。</p>
<p>結果是總月成本從原規劃砍掉超過一半,推理服務的 p95 延遲反而更好,因為推理機可以按產線位置就近部署、多副本分流。訓練短租的另一個好處是規格自由:下一季想試 32B 模型的微調,直接改租更大的配置,不用被自有硬體綁死。資料面也乾淨——檢測影像涉及客戶產品外觀,全程留在台灣機房,滿足客戶稽核的資料在地要求。</p>
<p>數字攤開更有說服力:原方案 4×H100 全年月租估 NT$180 萬年支出;新架構是訓練短租年約 NT$55-70 萬,加推理雙機年約 NT$84 萬,合計省下約四成,而且推理機的 p95 延遲從共用時代的不穩定,變成穩定壓在 0.8 秒內。財務長最買單的一句話是:「訓練的錢花在有訓練的月份,推理的錢才是固定成本。」預算結構跟著負載走,審預算的人也看得懂。</p>

<h2>混合策略:讓 GPU 不再有下班時間</h2>
<p>訓練與推理分開配置之後,還有一層進階玩法:時間分割。推理有明顯的日夜週期,辦公型應用晚上十點後使用率常掉到 10% 以下,這段時間正好拿來跑訓練:夜間排程啟動 LoRA 微調或資料處理,清晨完成後釋放顯存回到推理服務。一張 24GB 的卡,白天服務 10-20 路併發的問答,晚上跑 7B 的 QLoRA 迭代,等於一份月租買兩份產能。</p>
<p>落地這套策略的前提是服務層要俐落:推論引擎能快速卸載與重載模型、任務排程有優先權設計、監控能確認「早上八點推理服務一定回來」。這些工程細節在 <a href="https://www.nss.com.tw/ai-inference-api-hosting">AI 推論 API 自建教學</a> 有完整展開。原則只有一條:先分清楚你的每一個工作負載是訓練還是推理,再決定它該住在哪種 GPU 上、住多久。想清楚這題,GPU 預算的效率至少差一倍。</p>
<p>風險控管兩條底線要守住:混用的那張卡,推理服務的恢復要有自動檢核——訓練任務結束後服務沒起來就告警加自動重啟;訓練任務要設資源上限與最晚結束時間,寧可訓練慢一天,不要早上八點推理服務起不來。時間分割是省錢技巧,不是走鋼索,把保險機制寫好才有資格用。</p>
<p>把整篇的判斷濃縮成四個問題:這個負載是一次性專案還是長期服務?顯存需求是權重的十倍(訓練)還是一點多倍(推理)?它需要多卡緊耦合還是多副本分流?尖峰在白天還是可以排進夜間?四題答完,該租 H100 還是 4090、該短租還是長租、該一台還是兩台,答案基本上自動浮現。之後每次規劃卡關,回來把這四題重答一次,比翻任何規格表都快。</p>
<p>「先租後買」的節奏也順帶講清楚:前六個月用租的,把負載形狀量出來——尖峰、離峰、訓練頻率、顯存水位;若使用率長期在七成以上且規格已經穩定,再評估買斷或簽長約換折扣。反過來,負載還在變的階段就買硬體,等於把不確定性直接鎖進資產負債表,那是財務最不想看到的一種浪漫。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-24-points-20260714.jpg" alt="AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯" loading="lazy"/><figcaption>▲ 兩種工作負載的配置邏輯</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>訓練短租 H100、推理長租 RTX 系列,這種分離式配置需要主機商同時具備兩種產品線與彈性租期。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,訓練與推理可以分開租、隨階段調整。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問會依你的工作負載組合試算最省的架構。</p>

<h2>常見問題 FAQ</h2><h3>為什麼訓練需要的顯存是推理的近十倍?</h3><p>訓練時卡上同時放權重(FP16 每參數 2 bytes)、梯度(2 bytes)、AdamW 優化器狀態(8 bytes)與激活值,合計每參數 16-20 bytes;推理只要權重加 KV cache。7B 的對比就是 110-140GB 對 14-16GB,差距近十倍。</p><h3>RTX 4090 適合訓練還是推理?</h3><p>推理是它的主場:24GB 顯存能跑 7B FP16 或 32B INT4,每 token 成本遠低於資料中心卡。訓練方面,單卡跑 7B-14B 的 LoRA/QLoRA 沒問題,但缺 NVLink 與 ECC,多卡全參數訓練效率差、穩定性風險高,大型訓練還是交給 H100。</p><h3>H100 比 4090 貴好幾倍,貴在哪裡?</h3><p>貴在訓練需要的三樣東西:80GB HBM 高頻寬顯存(頻寬約 3.35TB/s,是 4090 GDDR6X 的 3 倍以上)、NVLink 900GB/s 卡間互連、以及 ECC 與資料中心級穩定性。若你的負載是中小模型推理,這些溢價用不到,選 RTX 系列性價比更高。</p><h3>推理的 KV cache 是什麼?會吃多少顯存?</h3><p>KV cache 是推理時暫存注意力鍵值的快取,讓模型不用重算前文,代價是顯存:依架構每路 4K token 約 0.5-2GB,與併發數、context 長度成正比。20 路併發、8K context 的服務,KV cache 可達 20-40GB,規劃時要在權重外預留 20-40% 空間。</p><h3>先租訓練機還是先租推理機?</h3><p>看專案階段。要微調自有模型:先短租訓練規格(如 H100,一次 3-7 天),模型定版後換長租推理規格(如 4090 主機月租 NT$15,000-25,000)服務使用者。直接用現成開源模型的話,跳過訓練段,從推理機開始,POC 兩週內就能上線。</p><h3>同一台主機可以白天推理、晚上訓練嗎?</h3><p>可以,而且是中小團隊最省錢的玩法。推理服務入夜後使用率常掉到 10% 以下,排程在深夜卸載推理、跑 LoRA 微調,清晨恢復服務,一張 24GB 卡等於當兩台用。前提是任務排程、模型快速重載與開機自檢都要自動化,避免早上服務沒回來。</p><h3>訓練和推理可以用同一種量化嗎?</h3><p>不行,方向相反。推理常態使用 INT8/INT4 量化,省一半以上顯存、品質損失多在 1-3%;訓練必須維持較高精度(FP16/BF16 混合精度)以保梯度品質,QLoRA 雖然把凍結底模壓到 4-bit,可訓練的適配層仍是高精度。拿 INT4 權重直接全參數訓練會學壞。</p><h3>推理服務要怎麼估需要幾張卡?</h3><p>公式:先定尖峰併發數與延遲目標,單卡容量 = 權重 + 併發×每路 KV cache + 20% 餘裕。例如 32B INT4(20GB)配 15 路併發(約 15-20GB),需 40GB 以上,即一張 48GB 卡或兩張 4090。上線後看佇列深度與 p95 延遲決定加卡時機。</p><h3>訓練短租真的比長租划算嗎?</h3><p>多數情況是。企業微調的節奏常是每月或每季一輪,每輪 3-7 天,短租 H100 的月均支出約 NT$40,000-80,000;同規格長租且大半時間閒置,月租是它的好幾倍。只有訓練排程滿到每月超過 20 天時,長租或買斷才開始划算。</p><h3>邊緣推理和機房推理怎麼選?</h3><p>延遲極敏感或斷網不可接受的場景(產線即時檢測、門店互動)放邊緣小型 GPU;需要大模型、集中管理與彈性擴充的(知識問答、文件處理)放台灣機房主機,網路往返 5ms 上下對多數應用無感。常見架構是邊緣跑小模型、機房跑大模型,各司其職。</p>"
                  ["post_title"]=>
                  string(85) "AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯"
                  ["post_excerpt"]=>
                  string(0) ""
                  ["post_status"]=>
                  string(7) "publish"
                  ["comment_status"]=>
                  string(6) "closed"
                  ["ping_status"]=>
                  string(6) "closed"
                  ["post_password"]=>
                  string(0) ""
                  ["post_name"]=>
                  string(28) "ai-training-vs-inference-gpu"
                  ["to_ping"]=>
                  string(0) ""
                  ["pinged"]=>
                  string(0) ""
                  ["post_modified"]=>
                  string(19) "2026-07-14 11:06:01"
                  ["post_modified_gmt"]=>
                  string(19) "2026-07-14 03:06:01"
                  ["post_content_filtered"]=>
                  string(0) ""
                  ["post_parent"]=>
                  int(0)
                  ["guid"]=>
                  string(51) "https://www.nss.com.tw/ai-training-vs-inference-gpu"
                  ["menu_order"]=>
                  int(0)
                  ["post_type"]=>
                  string(4) "post"
                  ["post_mime_type"]=>
                  string(0) ""
                  ["comment_count"]=>
                  string(1) "0"
                  ["filter"]=>
                  string(3) "raw"
                }
                [1]=>
                object(WP_Post)#36599 (24) {
                  ["ID"]=>
                  int(125231)
                  ["post_author"]=>
                  string(1) "0"
                  ["post_date"]=>
                  string(19) "2026-07-14 10:21:10"
                  ["post_date_gmt"]=>
                  string(19) "2026-07-14 02:21:10"
                  ["post_content"]=>
                  string(16477) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:怎麼把自己的 AI 模型架成推論 API 服務?</p><p style="margin:0">POC 用 Ollama,生產用 vLLM 或 SGLang,提供 OpenAI 相容 API,前端改 base_url 就能接。7B 權重約 14-16GB 顯存,每路 4K 對話的 KV cache 抓 0.5-2GB,10-20 路併發用一張 24GB 卡起步,台灣機房月租 NT$15,000-25,000。</p></div>
<p>模型選好了、也驗證過效果,接下來的問題才是工程的開始:怎麼讓全公司、甚至你的客戶,穩定地用到這個模型?答案就是把它包成推論 API。這一步的難度常被低估——單人測試跑得飛快的模型,一上線就延遲爆炸;或者為了扛併發把規格拉滿,月底看帳單才發現 GPU 大半時間在發呆。自建推論 API 本質上是在延遲、併發、成本三個角之間找平衡,這篇教學把三角關係拆開講,給你可以直接套用的估算方法與架構建議。</p>

<h2>為什麼要自建:三個過不去的檻</h2>
<p>用現成的雲端模型 API 沒什麼不對,直到你撞上三件事之一。資料敏感:客戶對話、病歷、財務數據不能送出境,個資法與行業主管機關的要求擺在那裡;成本失控:按 token 計費的帳單跟著用量線性長,月百萬次呼叫的產品,API 費用常常超過自建月租的兩三倍;客製需求:你微調過的模型、特殊的取樣參數、需要保證的回應時間,公有 API 都給不了。成本這條再講個常見劇本:產品加了「AI 摘要」按鈕,上線時每天 2,000 次呼叫,三個月後功能被預設開啟、變成每天 5 萬次,API 帳單從五位數跳到六位數,而訂閱定價早就鎖死——毛利被吃掉的速度比任何人的反應都快,自建的固定月租在這種「功能普及化」劇本裡就是定價保險。三者中一項成立,自建就值得認真評估;兩項成立,基本上是遲早的事。</p>
<p>反過來也要誠實:三種情況不建議自建。用量太小——每天幾百次呼叫,API 月費幾百塊,自建怎麼算都不划算;完全沒有維運人力——連 Linux 都沒人碰的團隊,先用 API 把產品驗證起來;以及任務非旗艦閉源模型不可——開源模型盲測過確實不夠力的少數場景。自建是工程決策不是信仰,拿你的用量、資料屬性與人力對照上面六條,答案通常很清楚。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-23-data-20260714.jpg" alt="AI 推論 API 自建教學:把模型變成服務,延遲、併發與 GPU 成本的三角習題" loading="lazy"/><figcaption>▲ 7B 權重 14-16GB,每路 4K 對話 KV cache 抓 0.5-2GB</figcaption></figure>
<h2>三角習題:延遲、併發、成本怎麼互相拉扯</h2>
<p>看懂三角關係,要先認識兩個延遲指標。TTFT(Time to First Token)是使用者按下送出到看到第一個字的時間,決定「有沒有在動」的體感,健康值在 0.5-2 秒;生成速度(token/s)決定字流出來的速度,單人閱讀場景 20 token/s 以上就順。併發是同時處理的請求路數,成本則是你為此付出的 GPU 月租。</p>
<p>三者的拉扯關係很具體:併發拉高,同一張卡上的請求互搶算力,TTFT 與生成速度都會掉;要守住延遲就得加卡,成本上升;要省成本就得接受排隊,延遲變長。工程上沒有三全其美,只有「依產品需求選兩個保、放掉一個」:內部工具保成本與併發、犧牲一點延遲;對客戶的付費服務保延遲、用超額配置換體驗。規格單一直搖擺的團隊,多半不是不會算,是還沒想清楚產品定位,先回去把定位吵完再來選卡。先寫下你的目標值(例如 p95 TTFT 低於 1.5 秒、尖峰 30 併發、月預算 NT$60,000),再開始選規格,順序不要反過來。</p>
<p>給一組實測的感覺:一張 4090 跑 7B FP16 配 vLLM,單人使用 TTFT 約 0.3 秒、生成 70-100 token/s;把併發灌到 10 路,TTFT 升到 0.8-1.2 秒、每路生成掉到 30-50 token/s;灌到 25 路,TTFT 破 2 秒、開始排隊。同一張卡,體驗從「飛快」到「將就」到「不可用」,差的只是併發數——這就是為什麼規格討論一定要從「尖峰有幾路」開始,而不是從「模型幾 B」開始。</p>
<p>TTFT 的組成也值得拆開看:排隊等資源、prefill(把整段輸入一次算完)、然後才開始逐字生成。長輸入的 prefill 很重——丟一份 8K token 的文件進去,光 prefill 就可能占掉一兩秒,這是文件型應用的 TTFT 永遠比聊天型難看的原因。對策有三:前綴快取讓相同的系統提示詞不重算、超長輸入先截斷或摘要、把文件批次任務改走非同步路徑,別讓它跟即時對話搶同一條佇列。</p>

<h2>推論引擎選型:效率差距可以到十倍</h2>
<table>
<thead><tr><th>引擎</th><th>定位</th><th>關鍵能力</th><th>適用階段</th></tr></thead>
<tbody>
<tr><td>Ollama</td><td>極簡部署</td><td>一行指令起服務、自動量化</td><td>POC、個人與小團隊</td></tr>
<tr><td>vLLM</td><td>生產標準</td><td>PagedAttention、continuous batching,吞吐高 5-10 倍</td><td>正式環境首選</td></tr>
<tr><td>SGLang</td><td>高階生產</td><td>RadixAttention 前綴快取,重複前綴場景更快</td><td>Agent、大量共用 prompt</td></tr>
<tr><td>TensorRT-LLM</td><td>極致效能</td><td>NVIDIA 深度優化、需編譯</td><td>極端吞吐需求、固定模型</td></tr>
</tbody>
</table>
<p>選擇邏輯很簡單:POC 用 Ollama 十分鐘上線;要對多人服務,直接上 vLLM——它的 continuous batching 會把不同請求的生成步驟交錯排進 GPU,同一張卡的有效吞吐是逐條處理的 5-10 倍,這一項就決定你要租一張卡還是五張卡。四個引擎都支援 OpenAI 相容 API,應用端程式碼可以完全不動,把 base_url 從商用服務換成自家端點即可,這也讓「先用商用 API 驗證產品、再切自建」的路徑幾乎零改寫成本。</p>
<p>引擎與量化的搭配有慣例可循:vLLM 生產部署搭 AWQ 或 GPTQ 的 4-bit 權重最順,顯存省一半以上、吞吐幾乎不折損;Ollama 用 GGUF 格式,拉檔即用。要留意的是不同引擎的預設參數差很多——最大併發數、KV cache 上限、context 長度都要按你的硬體明確設定,用預設值上線然後 OOM,是新手工程師的固定戲碼。</p>

<h2>顯存預算:權重之外,KV cache 才是變數</h2>
<p>推論顯存等於「模型權重加 KV cache 加少量開銷」。權重好算:7B FP16 約 14-16GB、32B INT4 約 18-20GB;KV cache 是每一路進行中的對話都要占用的快取,依模型架構,每路 4K token 大約 0.5-2GB,而且跟併發數與 context 長度成正比。這就是為什麼「單人測試沒問題,上線就 OOM」的劇本不斷重演:20 路併發、每路 8K context,KV cache 可能吃掉 20-40GB,比模型本體還大。</p>
<p>實用的估算流程:先定尖峰併發與平均 context,算 KV cache 總量,加上權重,再留 15-20% 餘裕。舉例:32B INT4(20GB)服務 15 路併發、平均 4K context(約 15-20GB KV cache),總需求 40-48GB,一張 L40S 48GB 剛好,或雙 4090 用張量平行分攤。若跑的是 DeepSeek R1 這類思考鏈很長的推理模型,context 消耗更兇,預留空間要再放大,各版本的具體數字見 <a href="https://www.nss.com.tw/deepseek-r1-gpu-requirements">DeepSeek R1 GPU 需求對照</a>。</p>
<p>好消息是新一代架構與引擎都在幫你省這筆錢:採用 GQA 的模型(Llama 3、Qwen2.5 世代)KV cache 比舊架構省 4-8 倍;vLLM 的 PagedAttention 把 cache 切成小分頁按需配置,傳統部署裡三到五成的顯存碎片浪費幾乎歸零。同樣一張 24GB 卡,2023 年的部署方式撐 4-5 路併發,2026 年的組合拳可以撐 15-20 路——選對引擎本身就是最大的一次降本。</p>

<h2>台灣案例:SaaS 團隊把月帳單砍掉六成</h2>
<p>一家台中的 HR SaaS 公司,產品內建履歷解析與面談摘要功能,原本走海外商用 API。用戶成長後兩個問題同時爆:月 API 帳單衝到 NT$90,000 出頭並持續上升;金融與醫療類客戶在資安問卷上直接問「求職者個資是否出境」,答不好就丟單。他們花了六週切換到自建:模型選 Qwen2.5-14B 微調版,INT4 量化後 9-11GB,跑在台灣機房一台雙 4090 主機上(月租約 NT$35,000),vLLM 做服務層,尖峰實測 22 路併發。</p>
<p>六週的切換時程值得拆開參考:第 1-2 週租單卡主機做離線評測,拿 500 筆歷史請求對比自建模型與原 API 的輸出品質,確認可接受;第 3 週建雙卡生產環境與監控;第 4 週用 5% 真實流量做灰度,發現兩個格式邊界問題,修 prompt 解決;第 5 週流量放到 50%,壓測驗證尖峰;第 6 週全量切換,原 API 降為備援。全程使用者無感,這是照劇本走的結果,不是運氣。</p>
<p>切換後的數字:月固定成本 NT$35,000,比原帳單省六成,而且不再隨用量成長;p95 TTFT 從 2.8 秒(含跨海往返)降到 1.1 秒,台灣機房到台灣用戶的網路往返只有 5ms 上下;資安問卷的資料出境欄位從此填「否」,當季就簽下兩家原本卡關的金融客戶。他們保留了原本的商用 API 作為 fallback:自建端點健康檢查失敗時自動切換,雙保險的月成本不到 NT$1,000,因為 99% 的流量都走自建。</p>
<p>壓測方法他們也走了標準流程:用開源壓測工具重放歷史流量的放大版(平常尖峰的 1.5 倍),連續打 30 分鐘,盯 p95 延遲與錯誤率;再單獨測「長文件」路徑——履歷有一頁的也有八頁的,長輸入是延遲長尾的主要來源,單獨設超時與截斷規則後,p99 才穩下來。切換這種事,九成的信心來自壓測,一成才來自祈禱。</p>

<h2>上線後才是重點:監控、SLA 與擴容節奏</h2>
<p>推論服務的維運圍繞四個數字:p50/p95 TTFT、生成速度、佇列深度、GPU 使用率。前三個顧體驗,最後一個顧錢包——GPU 使用率長期低於 30%,表示規格買太大或該把批次任務排進離峰;佇列深度常態大於零,表示該擴容了。告警設在使用者抱怨之前:p95 TTFT 超標 20% 就通知,而不是等客服工單進來。儀表板不用花俏,四個數字加一條佇列趨勢線,值班的人一眼能看懂,就是好儀表板。</p>
<p>成本也要有月報:每月統計 token 總量、GPU 平均與尖峰使用率、換算的單位成本(每百萬 token 幾塊錢),跟商用 API 的牌價對照一次。這張報表有兩個用途——向管理層證明自建的價值持續成立,以及在用量成長到需要擴容時,用數據而不是感覺去申請預算。自建服務最怕的不是壞掉,是沒人說得清它到底省了多少錢。</p>
<p>資安層的最低標配:API key 按應用發放、每季輪替;閘道做速率限制擋暴衝與濫用;請求日誌全留但個資欄位遮罩;管理介面只開內網。這四件事一天可以做完,卻是資安問卷與稽核的必考題,別等被問到才補。</p>
<p>擴容的節奏建議「垂直先、水平後」:先把量化等級、批次參數、context 上限調到位,再考慮換大卡,最後才是多卡多副本加負載均衡。另外,推論主機與訓練主機的規格邏輯完全不同,別拿訓練的配置思維來配推論——這個常見誤區在 <a href="https://www.nss.com.tw/ai-training-vs-inference-gpu">訓練與推理的 GPU 配置邏輯</a> 有完整拆解。把這些機制建立起來,自建 API 的穩定度可以做到跟商用服務同級,成本卻是自己可控的。</p>
<p>人力配置的真實答案:一套自建推論 API 的日常維運,由一位後端工程師兼任就夠,前提是監控與告警已經自動化;需要專注投入的是前兩個月的建置與調校期。很多團隊卡在「我們沒有 AI 工程師」的心理門檻,實際上推論服務的維運技能跟一般後端服務八成重疊,缺的那兩成——顯存邏輯與引擎參數——一週可以補起來,或者選一家願意陪你調參數的主機商,把學習曲線再砍一半。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-23-points-20260714.jpg" alt="AI 推論 API 自建教學:把模型變成服務,延遲、併發與 GPU 成本的三角習題" loading="lazy"/><figcaption>▲ 把模型變成服務的三步</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>推論 API 的規格會隨產品成長而演進:從單卡 POC、雙卡生產,到多副本高可用。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、使用者資料不出境,月租 NT$15,000 起,7×24 中文技術支援,擴容時可平滑升級不中斷服務。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問可依你的併發與延遲目標試算最省的配置。</p>

<h2>常見問題 FAQ</h2><h3>自建推論 API 和呼叫商用 API,成本怎麼比?</h3><p>商用 API 按 token 計費,量小便宜;月呼叫量到百萬次後,帳單常達 NT$80,000-200,000。自建是固定月租:雙 4090 主機約 NT$35,000、H100 約 NT$60,000-80,000,用量再大也不變。月 API 費穩定超過自建月租 1.5 倍,就該評估切換。</p><h3>TTFT 和 token/s 是什麼?目標值該設多少?</h3><p>TTFT 是送出請求到第一個字出現的時間,對話產品建議 p95 壓在 1.5-2 秒內;token/s 是後續生成速度,單人閱讀 20 token/s 以上就流暢,程式生成建議 40 以上。兩者都要在「尖峰併發」下量測才有意義,單人測試的數字不能當 SLA。</p><h3>一張 RTX 4090 能撐多少併發?</h3><p>以 7B FP16 加 vLLM 估:權重 14-16GB,剩 8-10GB 給 KV cache,每路 4K context 約 0.5-1GB,尖峰 10-20 路併發可維持每路 20 token/s。32B INT4 權重占 18-20GB,單卡空間有限,併發壓在 5-8 路或改雙卡。</p><h3>vLLM 為什麼比一般部署快這麼多?</h3><p>兩個機制:PagedAttention 把 KV cache 分頁管理,顯存利用率從常見的 20-40% 拉到 90% 以上;continuous batching 讓不同請求的生成步驟交錯執行,GPU 不再等最慢的請求。合計效果是同卡吞吐提升 5-10 倍,等於直接省下 5-10 倍的硬體租金。</p><h3>KV cache 到底要預留多少顯存?</h3><p>粗略公式:每路併發、每 4K token 的 context,依模型抓 0.5-2GB(GQA 架構的新模型較省)。例如 15 路併發、平均 4K context,預留 8-30GB。實務建議:總顯存 = 權重 + KV cache 估算 + 15-20% 餘裕,上線後再用實測數據修正。</p><h3>自建 API 的延遲可以比商用 API 低嗎?</h3><p>可以,而且低很多。台灣用戶呼叫海外 API,光網路往返就 60-150ms,加上排隊常見 p95 兩三秒;自建在台灣機房,網路往返 5ms 上下,搭配合理併發配置,p95 TTFT 壓在 1 秒上下是常態。對即時互動型產品,這是體感等級的差距。</p><h3>怎麼做到服務不中斷的模型更新?</h3><p>標準做法是藍綠部署:新模型先在第二個服務副本載入並通過煙霧測試,負載均衡器再把流量切過去,舊副本觀察 24-48 小時後下線。單卡預算做不了雙副本時,選離峰時段換模型,vLLM 重載一個 14B 模型約 3-8 分鐘,公告維護窗口即可。</p><h3>需要準備 fallback 機制嗎?怎麼設計?</h3><p>建議要。常見設計:自建端點健康檢查連續失敗 3 次,閘道自動把流量切到商用 API 或備用副本,並發告警。fallback 的月成本通常不到 NT$1,000(因為 99% 流量走自建),卻能把服務可用率從單機的 99% 拉到 99.9% 以上,對外服務尤其必要。</p><h3>推論 API 的資安要注意什麼?</h3><p>最少四件:API key 發放與輪替、請求與回應日誌(留存供稽核,注意個資遮罩)、輸入輸出的敏感內容過濾、以及網路層的 IP 白名單或 VPN。自建的意義是資料不出境,但機房內的存取控制與日誌若沒做,稽核一樣過不了,第一天就要納入架構。</p><h3>從零開始自建,合理的時程是多久?</h3><p>有經驗的團隊:第 1 週選型與 POC(Ollama 加內部測試),第 2-3 週建生產環境(vLLM、監控、日誌、fallback),第 4-6 週試營運與壓測,共 4-6 週。沒有 GPU 維運經驗的話,選有 7×24 中文支援的台灣主機商可以把前期環境問題的處理時間砍掉一半以上。</p>"
                  ["post_title"]=>
                  string(93) "AI 推論 API 自建教學:把模型變成服務,延遲、併發與 GPU 成本的三角習題"
                  ["post_excerpt"]=>
                  string(0) ""
                  ["post_status"]=>
                  string(7) "publish"
                  ["comment_status"]=>
                  string(6) "closed"
                  ["ping_status"]=>
                  string(6) "closed"
                  ["post_password"]=>
                  string(0) ""
                  ["post_name"]=>
                  string(24) "ai-inference-api-hosting"
                  ["to_ping"]=>
                  string(0) ""
                  ["pinged"]=>
                  string(0) ""
                  ["post_modified"]=>
                  string(19) "2026-07-14 11:05:05"
                  ["post_modified_gmt"]=>
                  string(19) "2026-07-14 03:05:05"
                  ["post_content_filtered"]=>
                  string(0) ""
                  ["post_parent"]=>
                  int(0)
                  ["guid"]=>
                  string(47) "https://www.nss.com.tw/ai-inference-api-hosting"
                  ["menu_order"]=>
                  int(0)
                  ["post_type"]=>
                  string(4) "post"
                  ["post_mime_type"]=>
                  string(0) ""
                  ["comment_count"]=>
                  string(1) "0"
                  ["filter"]=>
                  string(3) "raw"
                }
                [2]=>
                object(WP_Post)#36601 (24) {
                  ["ID"]=>
                  int(125230)
                  ["post_author"]=>
                  string(1) "0"
                  ["post_date"]=>
                  string(19) "2026-07-14 10:21:08"
                  ["post_date_gmt"]=>
                  string(19) "2026-07-14 02:21:08"
                  ["post_content"]=>
                  string(16169) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:商用部署 Stable Diffusion 需要什麼 GPU、出圖速度多快?</p><p style="margin:0">SD 1.5 只要 4-6GB 顯存,SDXL 建議 10-12GB,SD3.5 與 FLUX.1 要 16-24GB,一張 RTX 4090 通吃。4090 出一張 1024 的 SDXL 圖約 4-6 秒,批次月產能 15 萬張以上。台灣機房單卡月租約 NT$15,000-25,000,商用前務必逐版本確認授權。</p></div>
<p>生成式 AI 的討論度都被 LLM 占走了,但真正在台灣企業裡默默賺錢的,常常是圖像生成。電商去背改景、廣告素材 A/B 量產、遊戲美術概念圖、產品打樣視覺——這些工作流一旦導入 Stable Diffusion 系列模型,產能是用「倍」在算的。不過商用部署跟玩家在自己電腦上跑圖是兩回事:顯存要抓多少、出圖速度怎麼估產能、授權條款哪些版本能商用、服務怎麼撐住多人同時用,每一題都有具體答案。這篇指南一次講完。</p>

<h2>先盤點場景:你要的是「快」還是「多」</h2>
<p>商用圖像生成的需求分兩型。互動型:設計師在工作流裡即時生圖改圖,重點是單張延遲,最好 10 秒內出圖,不然創作節奏會斷;批次型:半夜排程量產上千張商品圖或素材變體,重點是每小時吞吐與單張成本,延遲無所謂。兩型的 GPU 配置邏輯不同——互動型值得上單卡效能最強的卡,批次型看的是「每萬張成本」,有時兩張中階卡比一張旗艦卡划算。訓練自家風格模型(LoRA)又是第三種負載,吃的資源結構不一樣,可參考 <a href="https://www.nss.com.tw/ai-training-vs-inference-gpu">訓練與推理的 GPU 配置邏輯</a>。</p>
<p>開需求會議時,把三個問題先問清楚,規格自然浮現:每月要產多少張、誰在什麼流程裡用(設計師即時創作還是系統自動批次)、素材與成品的保密等級。第三題常被跳過,卻最關鍵——未上市商品照、客戶提供的原始素材,一旦流進境外生圖服務,合約上的保密條款就破了。這也是為什麼台灣的電商、遊戲與代理商,這兩年紛紛把出圖工作流搬回自建或租用的在地主機。</p>
<p>台灣市場的需求輪廓大致是:電商與代營運要商品情境圖量產,遊戲與 IP 產業要概念圖與宣傳素材,製造業拿它做產品外觀提案與型錄視覺,行銷代理商則是廣告素材的 A/B 變體海量測試。共通點是量大、風格要穩、交期以天計——正好是自建 GPU 產線最擅長的三件事,也是按張計費的境外服務最貴的三件事。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-22-data-20260714.jpg" alt="Stable Diffusion 商用部署指南:出圖速度、顯存需求與 GPU 選型【2026】" loading="lazy"/><figcaption>▲ RTX 4090 批次月產能 15 萬張;FLUX.1 要 16-24GB</figcaption></figure>
<h2>模型版本與顯存需求:從 SD 1.5 到 FLUX</h2>
<p>2026 年還在商用戰場上的主力模型,顯存需求差距很大。SD 1.5 最老但生態最肥,512×512 原生解析度,推論只要 4-6GB,大量現成 LoRA 與 ControlNet 可用,適合量產小圖與風格固定的素材線。SDXL 是目前商用主流,1024×1024 原生解析度,推論建議 10-12GB,畫質與提示詞理解力都上一個檔次。SD 3.5 Large(8B 參數)與 FLUX.1(12B 參數)是畫質天花板,文字渲染與人手細節明顯進步,但 FP16 推論要 16-24GB,加上 ControlNet 或高解析修復流程,24GB 卡會逼近上限,FP8 量化可壓回 12-16GB,畫質損失輕微。</p>
<p>經驗上的配卡建議:純 SD 1.5 產線用 12-16GB 卡就夠;SDXL 為主、偶爾跑 FLUX,一張 RTX 4090(24GB)是甜蜜點;FLUX 全流程加訓練 LoRA,直上 48GB 的 L40S 或 RTX 6000 Ada,省去顯存調度的所有麻煩。</p>
<p>選版本時別只看畫質,要看「生態資產」。SDXL 的社群累積最厚:上千個風格 checkpoint、數萬個 LoRA、成熟的 ControlNet 全家桶(姿勢、深度、線稿、佈局控制)與 IP-Adapter 參考圖機制,商用工作流需要的「可控性」幾乎都靠這些配件堆出來,而新模型的配件生態要再等半年到一年才會齊。這就是為什麼 2026 年的商業產線上,SDXL 仍然是主力、FLUX 負責高規格單張輸出的分工格局。</p>
<p>硬體配套也交代一下:模型 checkpoint 一個 2-7GB,加上 LoRA 庫與 ControlNet 權重,硬碟直接抓 1TB NVMe 起跳;系統記憶體 32-64GB,模型切換與批次排程時吃得兇;輸出圖的儲存與備份另外算,量產線一個月幾百 GB 很正常。這些配套在租用方案裡先確認清楚,比事後加購省事。</p>

<h2>出圖速度對照:秒數背後是產能與成本</h2>
<table>
<thead><tr><th>GPU</th><th>SDXL 1024×1024(30 步)</th><th>FLUX.1 dev(20 步)</th><th>批次月產能估算(SDXL)</th></tr></thead>
<tbody>
<tr><td>RTX 4090 24GB</td><td>約 4-6 秒/張</td><td>約 15-25 秒/張</td><td>15-25 萬張</td></tr>
<tr><td>L40S 48GB</td><td>約 5-8 秒/張</td><td>約 18-30 秒/張</td><td>12-20 萬張</td></tr>
<tr><td>H100 80GB</td><td>約 2.5-4 秒/張</td><td>約 8-15 秒/張</td><td>25-40 萬張</td></tr>
</tbody>
</table>
<p>幾個讓數字更準的細節。步數影響線性:20 步的時間約是 30 步的三分之二,搭配 LCM/Turbo 類加速技術可壓到 4-8 步,速度翻好幾倍,適合先快速出草稿再精修的流程。高解析放大(upscale)與 ControlNet 每加一層,時間多 30-100%。還有排隊時間:多人共用時真正的體感延遲是「生成時間加排隊」,這就是下一節服務化要解的問題。用月產能回推,一張 4090 主機月租 NT$15,000-25,000,量產情境的單張成本不到 NT$0.2,跟按張計費的雲端生圖 API(單張約 NT$0.5-4)差距一個數量級。</p>
<p>還想再壓速度,加速堆疊照這個順序上:先確認 FP16 與高效注意力機制(新版框架多半預設開啟),再套 LCM 或 Turbo 類的少步數模型,最後才是 TensorRT 編譯——它能再快 30-50%,但每換一個模型或解析度都要重新編譯,適合模型固定的量產線,不適合天天換風格的創作環境。互動與批次的參數也不同:互動用 batch 1 求快,批次拉 batch 4-8 榨吞吐,同一張卡兩種設定的時薪產能差三成以上。</p>
<p>解析度是另一個常被低估的變數:同一張卡,SDXL 從 1024 拉到 1536 見方,時間接近翻倍;要 2048 以上的大圖,先出 1024 再走放大流程,品質更穩、總時間反而更短。至於負向提示詞與 CFG 這類參數,對速度影響輕微,放心按品質需求調,產能規劃時不用把它們算進變數。</p>

<h2>商用授權地雷:每個版本規則都不一樣</h2>
<p>技術選型前,先讓法務看授權,這是圖像生成商用化最常翻車的地方。SD 1.5 與 SDXL 用 CreativeML OpenRAIL 系授權,商用基本開放,但有禁止用途清單;SD 3.5 用 Stability AI 社群授權,年營收 100 萬美元以下企業可免費商用,超過要買企業授權;FLUX.1 要特別小心:schnell 版是 Apache 2.0 隨便用,dev 版是非商用授權,拿 dev 直接做商業服務就是違約,商用要走 BFL 的授權方案。</p>
<p>另外兩件事一起交代:生成內容的著作權在台灣現行實務下,純 AI 產出難以主張著作權保護,商業使用要靠人工參與創作與合約安排;訓練自家 LoRA 用的素材,確認你有權利使用,拿客戶圖庫訓練前先把授權條款寫進合約。這些功課做在前面,比出事後補救便宜太多。</p>
<p>管理上建議建一張「授權清冊」:表列每個在用的模型與 LoRA、授權類型、可否商用、來源連結與下載日期,新模型進產線前先過這張表。特別注意合併模型(merge)與微調衍生版——它們繼承原始模型的授權,拿非商用底模 merge 出來的東西照樣不能商用;社群下載的風格 LoRA 更是重災區,訓練素材來路不明的,商業案子直接避開。這張清冊花一天建立,能擋掉未來九成的授權糾紛。</p>
<p>再往前看一步:主要平台與廣告通路陸續要求 AI 生成內容標示,台灣的主管機關也在跟進研議。把「AI 生成、人工審核」的標示與紀錄機制先做進流程,產出的每張圖都留有模型版本與參數的中繼資料,未來法規落地時你只需要開個開關,而不是回頭補三個月的資料。</p>

<h2>台灣案例:電商代營運的出圖農場</h2>
<p>一家台北的電商代營運公司,替 40 多個品牌管商品頁,長期痛點是攝影棚產能:一檔活動要 300-500 張情境圖,外包攝影單張 NT$300-800、來回兩週。他們在台灣機房租了兩台 RTX 4090 主機(月租合計約 NT$40,000)建出圖農場:白天設計師用 ComfyUI 做互動創作與修圖,晚上跑批次——商品去背後套 SDXL 情境模板,自動生成不同場景、光線、節慶主題的變體,隔天早上人工挑圖。</p>
<p>三個月後的數字:每月產出約 6 萬張候選圖、採用約 4,500 張,單張採用成本從外包的數百元降到十位數;一檔活動的素材製作週期從兩週壓到三天。品牌客戶在意的資料問題也順帶解決——商品原始圖與未上市新品照全部留在台灣機房,不經過任何境外生圖服務,代營運合約裡的保密條款直接過關。機器在台灣還有個實際好處:傳輸大批 PSD 與成品圖走內網或國內頻寬,幾 GB 的檔案分鐘級搞定,不用跟跨海頻寬搏鬥。</p>
<p>他們的批次工作流值得拆開看:商品圖先自動去背與構圖對位,套用預先調好的 SDXL 情境模板(棚拍、居家、戶外、節慶四大類),ControlNet 鎖住商品輪廓避免變形,生成後自動跑一輪放大與色彩校正,再進人工挑圖。每個商品產 12 個變體、人工挑留 1-2 張,挑圖率穩定在一成上下——這個數字很重要,產能規劃時要用「候選張數」而不是「採用張數」去算 GPU 需求,兩者差了十倍。</p>

<h2>服務化:讓一張卡服務一個部門</h2>
<p>單機跑 ComfyUI 或 WebUI 是個人用法,商用部署要加三層。佇列層:用 Redis 或內建 queue 把請求排隊,尖峰時設計師看到的是「排隊中第 3 位」而不是逾時錯誤;API 層:把常用工作流(去背、換景、放大)固化成參數化 API,讓 PM 與行銷不碰節點圖也能出圖;資產層:模型、LoRA、工作流版本化管理,不然三個月後沒人知道哪個 checkpoint 配哪個 LoRA 才能重現當初的風格。這套 API 化的思路與 LLM 服務共通,可參考 <a href="https://www.nss.com.tw/ai-inference-api-hosting">AI 推論 API 自建教學</a>。</p>
<p>容量規劃的粗略公式:一張 4090 跑 SDXL 約每分鐘 10-15 張,一個 10 人設計團隊的互動使用加上夜間批次,單卡通常夠;超過 20 人或有對外服務,再加卡做負載分流。從一張卡開始,用佇列長度數據決定何時擴充,比一次到位猜規格務實。</p>
<p>維運面把四件事自動化就很省心:任務失敗自動重試(顯存偶發不足、模型載入逾時是常客)、每日產能與佇列報表、輸出內容的安全過濾(商用環境必開,尤其是開放自由 prompt 的內部工具)、以及模型與工作流的版本備份。監控指標盯兩個就夠——平均單張生成時間(飆高代表有人塞了超大解析度或掛錯模型)與佇列等待 p95(超過一分鐘就是擴充訊號)。這套機制建好,一個設計部門的出圖農場,每週維運時間可以壓在兩小時內。</p>
<p>若農場要服務多個部門或多個客戶,再加一層簡單的配額管理:每個專案有月度張數配額與優先級,超額走申請流程。這不是官僚,是讓產能衝突浮上檯面的機制——沒有配額的共用農場,三個月後一定演變成先搶先贏,協調的隱形成本比寫這層邏輯高得多。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-22-points-20260714.jpg" alt="Stable Diffusion 商用部署指南:出圖速度、顯存需求與 GPU 選型【2026】" loading="lazy"/><figcaption>▲ SD 商用部署的三個檢核</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>圖像生成的商用部署,從單張 RTX 4090 的設計部門共用機,到多卡 H100 的量產農場,規格跨度很大。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、素材與商業資料不出境,月租 NT$15,000 起,7×24 中文技術支援,產能不夠隨時加卡。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問可依你的出圖量與工作流建議配置。</p>

<h2>常見問題 FAQ</h2><h3>跑 Stable Diffusion 最少需要多少顯存?</h3><p>SD 1.5 推論 4-6GB 就能跑,SDXL 建議 10-12GB,SD 3.5 Large 與 FLUX.1 需要 16-24GB(FP8 量化可壓到 12-16GB)。商用環境建議直接配 24GB 的 RTX 4090:主流模型全部通吃,還留得下 ControlNet 與放大流程的空間。</p><h3>RTX 4090 出一張圖要幾秒?</h3><p>SDXL 1024×1024、30 步約 4-6 秒;SD 1.5 的 512 小圖 1-2 秒;FLUX.1 dev 20 步約 15-25 秒。搭配 LCM/Turbo 加速可把步數壓到 4-8 步,SDXL 能進到 2 秒內。批次量產時單卡每小時穩定產出 600-900 張 SDXL 圖。</p><h3>哪些 Stable Diffusion 版本可以商用?</h3><p>SD 1.5 與 SDXL 走 OpenRAIL 系授權,商用開放但有禁止用途;SD 3.5 對年營收 100 萬美元以下企業免費商用,超過需企業授權;FLUX.1 schnell 是 Apache 2.0 可自由商用,dev 版為非商用授權,商業服務必須另購授權。上線前務必逐版本核對。</p><h3>商用出圖該自建 GPU 還是用生圖 API?</h3><p>月出圖量是分水嶺。雲端 API 單張約 NT$0.5-4,月產一萬張就要 NT$5,000-40,000 且素材要上傳境外;自建單卡 4090 主機月租 NT$15,000-25,000,月產能 15 萬張以上,單張成本壓到 NT$0.2 以下。月量破萬張或素材敏感,自建幾乎必勝。</p><h3>SDXL 和 FLUX 該選哪個?</h3><p>量產與生態優先選 SDXL:速度快 3-5 倍、LoRA 與 ControlNet 資源最齊,商品圖情境圖綽綽有餘。文字渲染、手部細節、複雜構圖要求高的主視覺,才用 FLUX 或 SD 3.5。多數團隊的實務解是雙軌:SDXL 跑量、FLUX 出精稿,一張 24GB 卡就能切換。</p><h3>一個 10 人設計團隊需要幾張卡?</h3><p>通常一張 RTX 4090 就夠:互動使用尖峰約 3-5 人同時排隊,SDXL 每張 4-6 秒,佇列體感仍順;夜間再排批次任務把閒置時段用滿。建議先單卡上線、監控佇列長度,平均等待常態超過 30 秒再加第二張卡,擴充有數據依據。</p><h3>訓練自己風格的 LoRA 需要什麼規格?</h3><p>SDXL LoRA 用 20-100 張標註圖、24GB 顯存的卡訓練 1-3 小時就有可用結果;FLUX LoRA 建議 24-48GB 顯存、時間再多五成。重點反而在素材權利:訓練圖要有合法使用權,替客戶訓練品牌風格模型時,把素材授權與產出歸屬寫進合約。</p><h3>出圖服務多人共用要怎麼架?</h3><p>標準架構三層:ComfyUI 或 Diffusers 當生成核心,前面加佇列(Redis/RabbitMQ)吸收尖峰,再包一層參數化 API 讓非技術同事直接用固定工作流。搭配任務優先級(互動優先、批次讓路),單卡就能同時服務設計部門與夜間量產線。</p><h3>生成的圖片著作權歸誰?可以商用嗎?</h3><p>台灣現行實務上,無人類創作參與的純 AI 產出難以取得著作權保護;有實質人為創作(構圖指導、後製合成)的成品較有主張空間。商用本身可行,但建議以合約約定產出的使用權歸屬,並保留創作過程紀錄,以降低爭議風險。</p><h3>顯存不足會發生什麼事?怎麼緩解?</h3><p>輕則自動切到 CPU/RAM 分流讓速度掉 5-10 倍,重則直接 OOM 中斷任務。緩解手段依序:改用 FP8/半精度、降批次數、關閉不必要的 ControlNet、用 tiled VAE 分塊處理高解析圖。若每天都在用這些手段,就是該升 48GB 卡的訊號。</p>"
                  ["post_title"]=>
                  string(87) "Stable Diffusion 商用部署指南:出圖速度、顯存需求與 GPU 選型【2026】"
                  ["post_excerpt"]=>
                  string(0) ""
                  ["post_status"]=>
                  string(7) "publish"
                  ["comment_status"]=>
                  string(6) "closed"
                  ["ping_status"]=>
                  string(6) "closed"
                  ["post_password"]=>
                  string(0) ""
                  ["post_name"]=>
                  string(31) "stable-diffusion-gpu-deployment"
                  ["to_ping"]=>
                  string(0) ""
                  ["pinged"]=>
                  string(0) ""
                  ["post_modified"]=>
                  string(19) "2026-07-14 11:04:09"
                  ["post_modified_gmt"]=>
                  string(19) "2026-07-14 03:04:09"
                  ["post_content_filtered"]=>
                  string(0) ""
                  ["post_parent"]=>
                  int(0)
                  ["guid"]=>
                  string(54) "https://www.nss.com.tw/stable-diffusion-gpu-deployment"
                  ["menu_order"]=>
                  int(0)
                  ["post_type"]=>
                  string(4) "post"
                  ["post_mime_type"]=>
                  string(0) ""
                  ["comment_count"]=>
                  string(1) "0"
                  ["filter"]=>
                  string(3) "raw"
                }
                [3]=>
                object(WP_Post)#36603 (24) {
                  ["ID"]=>
                  int(125229)
                  ["post_author"]=>
                  string(1) "0"
                  ["post_date"]=>
                  string(19) "2026-07-14 10:21:07"
                  ["post_date_gmt"]=>
                  string(19) "2026-07-14 02:21:07"
                  ["post_content"]=>
                  string(16593) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:DeepSeek R1 各版本分別需要什麼 GPU 才能跑?</p><p style="margin:0">蒸餾版 7B/8B 需 14-16GB 顯存,一張 RTX 4090 可跑;32B 的 INT4 量化約 18-20GB、FP16 要 64-70GB;70B 要 140-150GB,建議雙 H100。滿血 671B 是 MoE 架構,FP8 需 700GB 以上、8×H200 等級。多數企業從 32B 蒸餾版起手。</p></div>
<p>DeepSeek R1 在 2025 年初用一紙 MIT 授權和逼近閉源旗艦的推理能力,把「企業自建 AI」的門檻直接砍了一截。一年多過去,它仍是台灣企業私有部署詢問度最高的模型家族——但也是版本誤會最多的一個。很多人以為自己要部署的是「那個 671B 的 DeepSeek」,實際上多數場景該用的是 7B 到 70B 的蒸餾版,兩者的硬體需求差了一個數量級,月租差距可以從一萬五到七位數。這篇把每個版本的 GPU 需求、實測速度、適用場景一次對照清楚,再給出台灣企業的選版決策路徑,幫你把預算花在真正需要的推理能力上。</p>

<h2>R1 為什麼紅:推理模型加 MIT 授權</h2>
<p>R1 屬於推理模型(reasoning model):回答前會先生成一長段思考鏈,把問題拆解、驗算、自我修正,再給出答案。這讓它在數學、程式、邏輯分析、複雜文件比對這類任務上,表現遠超同尺寸的一般指令模型。對企業更關鍵的是授權:MIT 授權幾乎沒有商用限制,可以改、可以蒸餾、可以包進產品賣,法務審查的阻力比社群授權的模型小得多。</p>
<p>代價也要先講明:思考鏈是用 token 買來的。同一個問題,一般模型 300 字收工,R1 可能先「想」2,000 到 8,000 個 token 才開始回答,輸出總量常是 3-10 倍,回應時間以十秒到分鐘計,KV cache 的顯存占用也跟著暴增。簡單的分類、摘要、格式轉換用 R1 是浪費——更慢、更貴、還不見得更準;R1 的主場是「答錯成本很高、值得讓它想久一點」的題目:合約條款衝突檢查、財務數字勾稽、程式除錯、多條件的方案評估。</p>
<p>務實的部署形態因此很清楚:R1 幾乎不會是企業唯一的模型,而是跟一般指令模型並排,由應用層按任務路由——日常雜務走快的,難題走 R1。這個「雙模型」前提會影響你後面每一個規格決策。</p>
<p>判斷哪些任務值得導到 R1,有個很土但有效的方法:把過去三個月人工修改率最高的十類任務攤開,圈出「錯了會賠錢」的那幾類——對帳異常分析、報價條件檢核、程式碼審查、合約風險標記。以一家導入過的公司為例,R1 只接手全系統 15% 的流量,卻消化掉了返工與客訴成本的大宗;剩下 85% 的摘要翻譯雜務,繼續讓一般模型用三分之一的成本跑。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-21-data-20260714.jpg" alt="DeepSeek R1 該選哪個版本?7B/32B/70B/671B 的 GPU 需求對照表與部署實測" loading="lazy"/><figcaption>▲ 蒸餾版 7B/8B 需 14-16GB;滿血 671B FP8 需 700GB 以上</figcaption></figure>
<h2>版本釐清:滿血 671B 與蒸餾版是兩回事</h2>
<p>DeepSeek R1 本尊是 671B 參數的 MoE(混合專家)模型。MoE 的特性是每次推論只「啟用」約 37B 參數,計算量像個中型模型,但路由器隨時可能點名任何一組專家,所以全部 671B 的權重都得待在顯存裡——這就是為什麼它計算不算太重、顯存需求卻是怪獸級:FP8 精度下要 700GB 以上,屬於 8×H200 單機或雙節點 8×H100 的世界。</p>
<p>官方同步釋出了一整排蒸餾版:以 Qwen 為底的 1.5B、7B、14B、32B,和以 Llama 為底的 8B、70B,用 R1 生成的推理資料訓練,學到了思考鏈的行為模式,能力隨尺寸遞減。底模血統有實務意義:Qwen 底的版本中文表現通常較穩,Llama 底的英文生態工具較齊,做繁中應用的台灣企業多半從 Qwen 底的 14B 或 32B 開始測。</p>
<p>坊間常見的誤解是「蒸餾版是閹割品,沒有價值」。實測結論恰好相反:32B 蒸餾版在多數企業推理任務上已能交付可用的品質,而部署成本只要滿血版的二十分之一。務實的問法不是「要不要上 671B」,而是「32B 夠不夠、什麼題目才值得升 70B」。</p>
<p>下載時的命名陷阱也提醒一下:模型倉庫上叫 DeepSeek-R1 的是 671B 本尊,蒸餾版的全名是 DeepSeek-R1-Distill-Qwen-32B 這種格式,少看一眼就會下錯檔案;社群還流通大量第三方微調與量化變體,品質參差不齊。企業部署建議認官方帳號的權重,量化版挑下載量大、附評測數據的來源,並把檔案雜湊值記進部署文件,日後出現怪行為才有辦法追查到底是模型的問題還是自己的問題。</p>

<h2>GPU 需求對照表:1.5B 到 671B</h2>
<table>
<thead><tr><th>版本</th><th>FP16 顯存需求</th><th>INT4 量化顯存</th><th>建議配置</th><th>單流速度參考</th></tr></thead>
<tbody>
<tr><td>R1-Distill 1.5B</td><td>3-4GB</td><td>1-2GB</td><td>任何現代 GPU</td><td>100+ token/s</td></tr>
<tr><td>R1-Distill 7B/8B</td><td>14-16GB</td><td>5-6GB</td><td>1×RTX 4090</td><td>60-100 token/s</td></tr>
<tr><td>R1-Distill 14B</td><td>28-32GB</td><td>9-11GB</td><td>1×RTX 4090(INT4)</td><td>35-60 token/s</td></tr>
<tr><td>R1-Distill 32B</td><td>64-70GB</td><td>18-20GB</td><td>1×4090(INT4)或 1×H100(FP16)</td><td>25-45 token/s</td></tr>
<tr><td>R1-Distill 70B</td><td>140-150GB</td><td>40-45GB</td><td>2×H100(FP16)或 2×4090(INT4)</td><td>15-30 token/s</td></tr>
<tr><td>R1 滿血 671B(MoE)</td><td>FP8 700GB 以上</td><td>約 350-400GB</td><td>8×H200 或雙節點 8×H100</td><td>依配置 10-25 token/s</td></tr>
</tbody>
</table>
<p>表中速度是單使用者連續生成的區間值,實際會隨推論引擎、context 長度與量化方式浮動。另外提醒:R1 系列因為思考鏈很長,顯存要在權重之外多留 20-40% 給 KV cache,尤其是 32B 以上搭配 8K-32K context 的場景,這筆帳漏算是部署後 OOM(顯存不足)的頭號原因。</p>
<p>量化格式的選擇也交代一下:走 vLLM 生產部署,選 AWQ 或 GPTQ 的 4-bit 版本,吞吐與相容性最好;用 Ollama 快速起步,抓 GGUF 格式的 Q4_K_M 等級即可,品質與體積的平衡點很成熟。同一個 32B,不同量化等級的顯存可以差出 5GB 以上,下載前先看清楚檔名後綴,別拿 Q8 的檔案塞 24GB 的卡。</p>
<p>context 長度對顯存的影響值得單獨講:同樣是 32B INT4,限制 8K context 的服務跟開放 32K 的服務,KV cache 預算差了四倍。文件分析型應用——把整份合約或規格書丟進去那種——幾乎都要 16K 起跳,這時單卡 24GB 就不夠看了,直接規劃 48GB 卡或雙卡配置,省得上線一週就被顯存不足的警報追著跑。</p>

<h2>部署實測筆記:三種常見配置的真實表現</h2>
<p>我們在台灣機房實際部署過的三種典型配置,數字給你參考。配置一:單張 RTX 4090 跑 32B 的 INT4 量化版(AWQ),Ollama 起服務,單流輸出 25-35 token/s,一題需要完整思考鏈的分析題約 40-90 秒跑完,適合 10-30 人的內部使用。配置二:單張 H100 80GB 跑 32B FP16 配 vLLM,單流 40-55 token/s,continuous batching 下同時服務 15-20 路併發仍能維持每路 20 token/s 以上,適合百人級企業或對外服務。</p>
<p>配置三:雙 4090 跑 70B INT4,張量平行切兩卡,單流 15-22 token/s。品質上,70B 對 32B 的優勢集中在長鏈推理與艱深領域題,一般企業問答的盲測勝率差距約一成;但速度慢了四成,月租多一倍。這也是為什麼我們最常給的建議是:32B 起手,用你自己的題目測,證明不夠再升級。</p>
<p>兩個實測才會知道的細節。TTFT(第一個字出現的時間)在 R1 上要重新理解:如果你把思考鏈隱藏、只給最終答案,使用者會盯著空白畫面等一兩分鐘,體驗極差——建議至少顯示「思考中」的進度或摘要。還有思考長度的長尾:同一個模型,九成題目 2,000 token 內想完,偶爾一題會想到 10,000 token 以上,不設上限的話,尖峰時段一題就能拖垮整條佇列,上線前一定要配 token 預算與逾時截斷。完整的模型挑選方法論可以參考 <a href="https://www.nss.com.tw/private-llm-deployment">私有 LLM 部署完整攻略</a>。</p>
<p>上線前的壓測劇本照抄即可:用歷史真題組一個 100 題的混合集,短題七成、長題三成,以目標併發數灌進去跑半小時,記錄 p50/p95 延遲、總吞吐與截斷率;再故意塞進三題已知會想很久的難題,確認佇列調度不會被單題塞死。這套流程一個下午跑得完,能提前抓出九成的容量問題,比上線後被使用者抓到便宜太多。</p>

<h2>台灣企業怎麼選:法遵是加分題,任務是必考題</h2>
<p>R1 對台灣企業還有一層現實意義:它讓「資料不出境的高階推理能力」變成可負擔的選項。金融業要分析內部審計報告、製造業要比對製程異常紀錄、律所要跑合約條款審閱——這些資料按個資法與各行業主管機關的要求,出境都是麻煩事,而 R1 蒸餾版讓這類任務可以完全在台灣機房內完成,MIT 授權也讓法務不用再為商用條款開好幾輪會。</p>
<p>一家新竹的 IC 設計服務公司是很典型的樣板:他們用單張 H100 跑 32B 蒸餾版,做內部技術文件的推理問答與規格衝突檢查,規格書與客戶資料全程不落地到任何境外服務,法遵審查兩週過件。導入時他們拿 50 題歷史案例盲測,32B 在「找出兩版規格書的矛盾點」這類題目的命中率約八成五,資深工程師的平均審閱時間從 50 分鐘降到 15 分鐘——剩下的一成五漏網,由人工複核補上,人機分工反而比全自動更受工程師信任。</p>
<p>金融場景再給一個輪廓:某投顧團隊把 32B 蒸餾版接進晨會流程,清晨自動比對前一日的公告與研究底稿,標記數字不一致或說法矛盾的段落,供研究員開盤前複核。跑在單張 H100 上,每天處理約 300 份文件,負載尖峰集中在清晨 6 到 8 點,其餘時段這張卡就轉去服務一般的內部問答——推理模型與指令模型共用硬體、分時排程,是把 H100 月租攤薄的標準做法,值得直接抄進你的架構。</p>
<p>選版的決策樹很短:預算單卡 24GB 以內,選 7B/8B 做輔助性任務;要正經的推理品質,32B INT4 是性價比之王;唯有當你用 50 題實際業務題盲測、確認 32B 明顯不夠,才考慮 70B;至於滿血 671B,除非你要對外提供旗艦級 AI 服務或做模型研究,否則多數企業碰不到需要它的那一天。</p>

<h2>從模型到服務:上線前的最後三關</h2>
<p>選好版本只是一半,R1 上線還有三個特有的坑。思考鏈的顯示策略:內部工具可以顯示完整推理過程輔助查核,對外服務通常隱藏、只回最終答案,兩者的 token 成本與體驗設計差好幾倍,要在產品設計時就決定。context 與併發的預算:R1 一題思考動輒數千 token,32B FP16 每路 4K context 的 KV cache 約再吃 1-2GB,併發數要按這個帳去乘。超時與截斷機制:給思考鏈設 token 上限(常見 4K-8K)與逾時保護,避免個別難題把整個服務卡死。</p>
<p>監控也要為推理模型調整:除了常規的延遲與吞吐,多看兩個指標——平均思考 token 數(突然變長常代表題型漂移或 prompt 被改壞)與截斷率(超過 5% 就該檢討上限設定或題目分流)。搭配每月一次的答案品質抽查,R1 服務才能長期穩定。版本更新也要守紀律:新版蒸餾模型先進影子環境跑一週,對同一批題目比較思考長度與答案品質,確認沒有回歸再切流量;思考鏈行為對系統提示詞極度敏感,任何一行改動都要走同一套回歸,別讓小改動把平均思考長度翻倍,延遲跟成本一起爆炸。這些服務化細節——OpenAI 相容 API、批次策略、告警設計——的完整做法,見 <a href="https://www.nss.com.tw/ai-inference-api-hosting">AI 推論 API 自建教學</a>。把這三關過完,R1 才算真正從「跑得動」變成「用得住」。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-21-points-20260714.jpg" alt="DeepSeek R1 該選哪個版本?7B/32B/70B/671B 的 GPU 需求對照表與部署實測" loading="lazy"/><figcaption>▲ DeepSeek R1 版本對照</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>部署 R1 蒸餾版,從單張 RTX 4090 跑 32B INT4,到雙 H100 跑 70B FP16,規格彈性很大。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,可以先租單卡驗證、確認版本後再升級。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問會依你的任務類型建議 R1 版本與對應規格。</p>

<h2>常見問題 FAQ</h2><h3>DeepSeek R1 滿血版和蒸餾版差在哪?</h3><p>滿血版是 671B 的 MoE 模型,推理能力最強,但 FP8 就要 700GB 以上顯存,屬於 8×H200 等級的部署;蒸餾版是把 R1 的推理風格訓進 Qwen/Llama 底模,有 1.5B 到 70B 六個尺寸,一張 RTX 4090 就能起步。多數企業任務用 32B 蒸餾版已可交付。</p><h3>一張 RTX 4090 可以跑哪個版本的 R1?</h3><p>24GB 可跑:7B/8B 的 FP16 版(14-16GB)、14B 的 INT4 版(9-11GB)、32B 的 INT4 版(18-20GB,較緊)。跑 32B 時建議把 context 控制在 8K 內,留足 KV cache 空間,單流速度約 25-35 token/s,內部使用夠流暢。</p><h3>部署滿血 671B 需要什麼等級的硬體?</h3><p>FP8 精度需要 700GB 以上顯存,對應 8×H200(1,128GB)單機,或雙節點 8×H100 加高速互連;INT4 量化可壓到 350-400GB,單機 8×H100(640GB)勉強可行。這是月租七位數的等級,建議先確認 32B/70B 蒸餾版真的不敷使用再評估。</p><h3>R1 是推理模型,和一般 LLM 用起來差在哪?</h3><p>R1 回答前會先輸出思考鏈,自我拆解與驗算,數學、程式、邏輯題的正確率明顯高於同尺寸一般模型;代價是輸出 token 常多 3-10 倍、回應時間以十秒計。簡單的摘要分類任務用一般模型更划算,R1 適合答錯成本高的分析型任務。</p><h3>R1 蒸餾版的實際生成速度多快?</h3><p>單使用者:7B 在 4090 上約 60-100 token/s,32B INT4 約 25-35,H100 跑 32B FP16 約 40-55,70B INT4 雙 4090 約 15-22。加上思考鏈長度,一題完整推理常需 30 秒到 2 分鐘,設計使用者體驗時要把等待時間納入。</p><h3>為什麼說 32B 是企業部署的甜蜜點?</h3><p>32B 蒸餾版的推理品質已足夠處理多數企業分析任務,INT4 量化後 18-20GB 顯存讓單張 24GB 卡就能服務,月租成本約 NT$15,000-25,000;升到 70B 品質提升約一成,成本卻翻倍。先用 32B 搭配自家題庫實測,確認不足再升級,是最省錢的路徑。</p><h3>R1 的 KV cache 為什麼特別吃顯存?</h3><p>思考鏈讓每次生成的 token 數暴增,context 累積得比一般模型快。以 32B FP16 為例,每路 4K context 的 KV cache 約 1-2GB,10 路併發就要再多 10-20GB。部署時顯存要在權重外預留 20-40%,並給思考鏈設 4K-8K 的 token 上限。</p><h3>R1 可以商用嗎?授權有什麼限制?</h3><p>R1 與其蒸餾版採 MIT 授權,可商用、可修改、可再散布,幾乎沒有附帶條件,是目前主流開源模型中授權最寬鬆的之一。注意蒸餾版的底模授權仍要一併確認:Qwen 底的多為 Apache 2.0,Llama 底的要遵循 Meta 社群授權條款。</p><h3>用 R1 做繁體中文任務,表現如何?</h3><p>R1 系列的中文能力整體優秀,繁中輸出偶有簡繁混用,可用系統提示詞強制繁體並搭配後處理修正,實務上處理後的繁中可用率在 95% 以上。對用字精確度要求極高的場景(法律、公文),建議在評測集加入用字檢查項目再決定版本。</p><h3>從下載模型到上線服務,大概要多久?</h3><p>單卡跑蒸餾版的話很快:權重下載數十 GB 約半天,Ollama 或 vLLM 起服務 1-2 小時,加上內部評測與提示詞調校,一週內可完成 POC。正式上線含權限、日誌與監控,常見時程是 3-6 週。滿血版因涉及多卡多節點調校,要另抓 2-4 週。</p>"
                  ["post_title"]=>
                  string(85) "DeepSeek R1 該選哪個版本?7B/32B/70B/671B 的 GPU 需求對照表與部署實測"
                  ["post_excerpt"]=>
                  string(0) ""
                  ["post_status"]=>
                  string(7) "publish"
                  ["comment_status"]=>
                  string(6) "closed"
                  ["ping_status"]=>
                  string(6) "closed"
                  ["post_password"]=>
                  string(0) ""
                  ["post_name"]=>
                  string(28) "deepseek-r1-gpu-requirements"
                  ["to_ping"]=>
                  string(0) ""
                  ["pinged"]=>
                  string(0) ""
                  ["post_modified"]=>
                  string(19) "2026-07-14 11:03:12"
                  ["post_modified_gmt"]=>
                  string(19) "2026-07-14 03:03:12"
                  ["post_content_filtered"]=>
                  string(0) ""
                  ["post_parent"]=>
                  int(0)
                  ["guid"]=>
                  string(51) "https://www.nss.com.tw/deepseek-r1-gpu-requirements"
                  ["menu_order"]=>
                  int(0)
                  ["post_type"]=>
                  string(4) "post"
                  ["post_mime_type"]=>
                  string(0) ""
                  ["comment_count"]=>
                  string(1) "0"
                  ["filter"]=>
                  string(3) "raw"
                }
                [4]=>
                object(WP_Post)#36605 (24) {
                  ["ID"]=>
                  int(125228)
                  ["post_author"]=>
                  string(1) "0"
                  ["post_date"]=>
                  string(19) "2026-07-14 10:21:06"
                  ["post_date_gmt"]=>
                  string(19) "2026-07-14 02:21:06"
                  ["post_content"]=>
                  string(16646) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:什麼時候一台 GPU 主機不夠用、需要多節點分散式訓練?</p><p style="margin:0">單台 8×H100 約有 640GB 顯存,70B 的 LoRA 微調、32B 以下全參數微調都夠;要全參數訓練 70B(需 700GB 以上)或做預訓練才須跨節點。關鍵不是卡數而是網路:節點間至少 100Gbps 的 InfiniBand 或 RoCE,否則通訊等待會吃掉 30-40% 算力,加卡不加速。</p></div>
<p>「一張 GPU 不夠,那我多租幾台主機串起來就好了吧?」這句話對了一半。多節點分散式訓練確實是大模型時代的標準解法,但它不是把主機疊起來就會變快的魔法:節點之間的網路頻寬、平行策略的選擇、故障恢復的機制,任何一環沒做對,你花三倍的錢可能只換到 1.5 倍的速度。這篇入門文把「什麼時候真的需要多節點」講清楚,再用白話拆解幾種平行策略與網路需求,並用一個台灣新創的實際訓練專案示範怎麼把叢集用在刀口上。看完的目標很務實:讓你在對的時間點做對的擴充決策,而不是提早半年付叢集的錢。</p>

<h2>先算清楚:一台主機的天花板在哪</h2>
<p>2026 年的主流訓練主機是單機 8 卡:8×H100 80GB 共 640GB 顯存,或 8×H200 141GB 共 1,128GB。這個容量能做什麼?以 FP16 混合精度、AdamW 優化器估算,全參數微調的顯存需求約是模型權重的 8-10 倍:7B 需要 110-140GB,單機輕鬆;32B 約 500GB,單機 8×H100 緊繃但可行;70B 需要 700GB 以上,單機 H100 裝不下,這就是第一道跨節點的門檻。</p>
<p>把 70B 的帳攤開看會更有感:FP16 權重 140GB、梯度再 140GB、AdamW 優化器狀態(FP32)約 560GB,合計 840GB 還沒算激活值——就算開滿 gradient checkpointing 與 ZeRO 分片,640GB 的單機也是塞不進去的,這不是調參數能解的問題,是物理限制。反過來說,8×H200 的 1,128GB 單機就能硬扛,所以「要不要跨節點」有時候也是「要不要換更大單機」的選擇題,兩個方案都該拿來報價比較。</p>
<p>換成 LoRA 這類參數高效微調,帳完全不同:70B 的 LoRA 只要 150-190GB,兩三張 H100 就夠,根本不用跨節點。所以判斷的順序應該是:先確認你的訓練方式(全參數還是 LoRA)、模型規模與資料量,再回頭看單機夠不夠。訓練與推論的顯存邏輯差異,可以參考 <a href="https://www.nss.com.tw/ai-training-vs-inference-gpu">訓練與推理的 GPU 配置邏輯</a>。</p>
<p>除了「放不放得下」,另一個天花板是「跑不跑得完」。訓練時間大致與「資料 token 數乘以模型參數量」成正比:同樣 300 億 token 的語料,14B 模型用單機 8×H100 要跑一個多月,16 卡叢集能壓進三週;若是 70B,單機就算塞得下也要跑上季度等級,商業上根本等不起。所以多節點的第二個理由是時程——當「慢慢跑」的時間成本超過「租叢集」的價差,跨節點就從奢侈品變成必需品,這筆帳要拿專案死線來算,不是拿硬體價格算。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-20-data-20260714.jpg" alt="多節點分散式訓練入門:什麼時候一台 GPU 主機不夠用?叢集架構與網路需求" loading="lazy"/><figcaption>▲ 網路不夠快,通訊等待吃掉 30-40% 算力:加卡不加速</figcaption></figure>
<h2>四種平行策略,白話拆解</h2>
<p>資料平行(Data Parallel)最直觀:每張卡放一份完整模型,各吃不同批次的資料,反向傳播後同步梯度。前提是單卡放得下整個模型,所以它解決的是「訓練太慢」而不是「模型太大」。ZeRO 與 FSDP 是資料平行的進化版,把優化器狀態、梯度、甚至權重切碎分散到各卡,讓每卡只保管一部分,單卡顯存需求大幅下降,是目前中型規模訓練的主力。</p>
<p>張量平行(Tensor Parallel)把單一層的矩陣運算切開,由多張卡合力算一層,通訊極度頻繁,基本上只能在有 NVLink 的同一台主機內做。管線平行(Pipeline Parallel)則把模型按層切段,前幾層放節點一、後幾層放節點二,像工廠流水線。真正的大規模訓練是三者混用:節點內張量平行、節點間管線加資料平行。</p>
<p>對號入座的口訣:模型放得下單卡、只嫌慢——用資料平行;模型放不下單卡、但單機多卡總量夠——ZeRO/FSDP 或張量平行;單機總量都不夠——管線平行加資料平行跨節點。好消息是你不需要手刻這些,DeepSpeed、Megatron-LM、PyTorch FSDP 都把策略包好了,設定檔幾行就能切換;壞消息是框架不會幫你判斷哪種組合適合你的模型與網路,這個功課還是得自己做,而且選錯組合的代價是以「天」計的訓練時間。</p>
<p>ZeRO 的三個階段也值得認識一下,因為它是最多人實際用到的:stage 1 只切優化器狀態,通訊負擔最小;stage 2 加切梯度;stage 3 連權重都切,單卡顯存壓到最低、通訊也最重。實務上的起手式是 stage 2 配 gradient checkpointing,不夠再上 stage 3;另有 offload 選項能把狀態丟到 CPU 記憶體換更多空間,速度會再掉兩三成,適合「就差一點點塞不下」的邊界情況。</p>

<h2>網路才是主角:頻寬決定加卡有沒有意義</h2>
<p>多節點訓練的成敗,八成取決於節點之間的網路。看幾個數量級就懂:單機內 NVLink 的卡對卡頻寬約 900GB/s,PCIe 5.0 x16 約 64GB/s,而一般企業機房的 10GbE 乙太網路換算只有 1.25GB/s——差了七百倍。梯度同步是每一步訓練都要做的事,若網路太慢,GPU 會有 30-40% 甚至更多時間在等資料,你付的是 8 卡的錢,拿到 5 卡的效能。</p>
<p>具體算一次你就不會再懷疑這件事:70B 模型的 FP16 梯度一份 140GB,資料平行每一步都要做全體同步(all-reduce 的實際傳輸量約是梯度量的兩倍),在 10GbE 上光傳輸就要上百秒,而一步的計算時間可能只有幾秒——網路慢到這種程度,加節點是負優化。換成 100Gbps(12.5GB/s)的 RDMA 網路,加上 NCCL 的通訊與計算重疊技術,同步時間能壓到與計算時間同級,叢集才開始「像一台機器」。</p>
<p>所以跨節點訓練的入場標準是:節點間至少 100Gbps 的 InfiniBand 或 RoCE,大型叢集普遍上到 400Gbps。搭配得當,2-4 節點的擴展效率(scaling efficiency)可以維持在 85-95%;用普通乙太網路硬跑,效率常掉到 50-70%,等於加一倍的卡只快三四成。租用多節點方案時,「節點間網路規格」這一行比 GPU 型號更值得追問。另外別忘了儲存:多節點要共享資料集與檢查點,NVMe 等級的共享儲存與夠粗的儲存網路,不然資料載入會變成新瓶頸,GPU 利用率照樣上不去。</p>
<p>進場前的驗收動作很簡單:拿 nccl-tests 跑一輪 all-reduce 頻寬測試,實測值應該到標稱頻寬的八成以上;再跑一小時的迷你訓練,盯著 GPU 利用率——健康的叢集應該穩定在 90% 以上,若在 60-70% 之間鋸齒狀跳動,九成是通訊或資料載入在拖後腿。這兩個測試合計半天,能把「租了才發現不對」的風險擋在簽約之前,正規的主機商都願意配合你做。</p>

<h2>什麼規模需要幾個節點:對照表</h2>
<table>
<thead><tr><th>訓練需求</th><th>顯存總量估算</th><th>建議配置</th><th>節點間網路</th></tr></thead>
<tbody>
<tr><td>7B-32B LoRA/QLoRA 微調</td><td>10-95GB</td><td>單機 1-2 卡(4090/H100)</td><td>不需要</td></tr>
<tr><td>70B LoRA 微調</td><td>150-190GB</td><td>單機 3-4×H100</td><td>不需要</td></tr>
<tr><td>7B-14B 全參數微調</td><td>110-280GB</td><td>單機 2-4×H100</td><td>不需要</td></tr>
<tr><td>32B-70B 全參數微調</td><td>500GB-1.4TB</td><td>單機 8×H200 或 2 節點 8×H100</td><td>100-400Gbps RDMA</td></tr>
<tr><td>百億級以上持續預訓練</td><td>數 TB 起</td><td>4 節點以上叢集</td><td>400Gbps InfiniBand</td></tr>
</tbody>
</table>
<p>表格透露的重點:絕大多數企業微調需求停在「單機多卡」就能解決,真正需要跨節點的,是全參數訓練 70B 以上、或做持續預訓練(continual pre-training)注入大量領域語料的團隊。一個常見的規劃錯誤是「預算不夠就把節點切小」——用四台 2 卡機組叢集,不如一台 8 卡機:節點越多、跨網路的通訊占比越高,小節點叢集的效率天生吃虧。同樣預算永遠優先把單節點餵滿,再考慮加節點。表中的顯存估算已含優化器狀態,但激活值依 batch 與序列長度浮動,實際規劃再留一到兩成緩衝會安全得多。</p>

<h2>台灣案例:新創訓練 14B 繁中領域模型</h2>
<p>一家台北的 AI 新創要做金融領域的繁中模型:以開源 14B 底模做持續預訓練,語料 300 億 token,涵蓋公開財報、法規與新聞。他們評估過三條路:買 8 卡機(資本支出 NT$1,500 萬起、交期兩三個月)、海外雲(H100 每卡時 US$2.5-6,整案含實驗估 NT$250-400 萬,資料還要出境)、以及台灣機房租用 2 節點 16×H100 加 200Gbps InfiniBand 的方案,最後走第三條。</p>
<p>執行分兩階段:第一階段用單節點跑 1B 小模型,把資料管線、tokenizer、評測、檢查點機制全部驗證一遍,兩週;第二階段 16 卡全開跑 14B 主訓練,21 天完成,scaling efficiency 實測 91%。過程中不是沒出事——第 9 天一張卡 ECC 錯誤觸發中斷,因為每 30 分鐘存一次檢查點到共享儲存,重啟後只損失了 20 分鐘進度;這種「一定會發生的故障」,正是前兩週把續訓機制跑順的價值所在。</p>
<p>語料工程也占了整案三分之一的工時:300 億 token 的原始資料先過去重與品質過濾,砍掉近四成;再依「領域語料七成、通用語料三成」的配比混合,避免模型學了金融卻忘了普通話;每一批資料都留了 1% 做驗證集,訓練途中每天看一次 loss 與下游任務分數,發現異常能立刻定位是哪一批資料的問題。他們的心得很直接:多節點訓練燒錢的速度是每小時計的,資料沒準備好之前,一分鐘叢集都不要開。</p>
<p>成本這樣拆:叢集租期三個月(含前置與緩衝)控制在七位數初,大約是自購方案的六分之一,而且訓練結束就退租,不用養一台每年折舊六位數的鐵。對台灣團隊還有一個實際的點:凌晨三點的 NCCL 通訊錯誤,打電話有中文工程師一起查,不用等美西時區上班——多節點訓練的除錯常常是「環境問題」而不是「程式問題」,在地支援的價值在這種時刻最明顯。</p>

<h2>還沒到多節點的你,該做的三件事</h2>
<p>看完如果你發現自己的需求其實是「微調 32B 以下」,恭喜,省下一大筆:一台單卡或雙卡主機就能開工,方法見 <a href="https://www.nss.com.tw/llm-finetuning-lora-gpu">LLM 微調實戰</a>。如果你在單機 8 卡的邊緣,先把三件事做滿再談擴充:開 gradient checkpointing 用兩三成的速度換 30-50% 顯存、用 ZeRO-3 或 FSDP 把狀態切碎、評估 LoRA 能不能取代全參數。三招用盡還是不夠,才進多節點。</p>
<p>真的要進場,依這個節奏走:從 2 節點開始,把 NCCL 參數、網卡綁定、檢查點續訓、故障重啟的 SOP 全部跑順,量到穩定的 scaling efficiency 之後,再決定要不要往 4 節點以上加。跳過這一步直接租大叢集的團隊,常常花一週的叢集租金在查一個網卡設定,那是全案最貴的學費。多節點訓練是能力,不是身分象徵;在對的時間點用對的規模,才是把每一塊 GPU 預算都花在算力而不是等待上。</p>
<p>排程上還有一個省錢技巧:訓練專案的叢集需求是脈衝式的——資料準備期用單卡機、主訓練期租滿、收尾評測期再縮回單卡。跟主機商把這條曲線講清楚,分階段租用,比整案期間全程掛著大叢集省 30-50%。台灣機房的另一個優勢在這裡:溝通成本低,規格調整常常一通電話當天生效,海外供應商光開工單來回就是兩三天。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-20-points-20260714.jpg" alt="多節點分散式訓練入門:什麼時候一台 GPU 主機不夠用?叢集架構與網路需求" loading="lazy"/><figcaption>▲ 跨節點前先確認三件事</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>從單卡實驗機、單機 8 卡,到多節點訓練專案,戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列的彈性配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,訓練型專案可以短租、用完即退。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,由顧問依你的模型規模與訓練排程試算節點數與網路規格。</p>

<h2>常見問題 FAQ</h2><h3>什麼情況一定要用多節點訓練?</h3><p>兩種:全參數訓練 70B 以上模型(顯存需求 700GB 起,超過單機 8×H100 的 640GB),或持續預訓練需要在合理時間內吃完數百億 token 語料。若只是 LoRA 微調,70B 也只要 150-190GB,單機 3-4 張 H100 就能解決,不必跨節點。</p><h3>資料平行、張量平行、管線平行差在哪?</h3><p>資料平行是每卡一份完整模型、分頭吃資料,解決「訓練太慢」;張量平行把單層運算切給多卡合算,解決「單層太大」,通訊量極高只適合 NVLink 內;管線平行把模型按層切段跨卡跨節點放,解決「模型太深」。大型訓練通常三者混用,由框架自動調度。</p><h3>節點之間的網路要多快才夠?</h3><p>跨節點訓練的入場標準是 100Gbps RDMA(InfiniBand 或 RoCE),大型叢集普遍用 400Gbps。對照組:10GbE 乙太網路只有 1.25GB/s,跑梯度同步會讓 GPU 閒置 30-40% 以上。租用前務必確認節點間網路規格,這行字比 GPU 型號更影響實際訓練速度。</p><h3>scaling efficiency(擴展效率)多少算合格?</h3><p>2-4 節點的健康值是 85-95%:意思是卡數翻倍、實際吞吐拿到 1.7-1.9 倍。若實測掉到 70% 以下,先查節點間頻寬、NCCL 拓撲設定與資料載入瓶頸。效率長期低於 75% 時,多租的節點等於在燒錢,不如先回單機把配置調順。</p><h3>ZeRO 和 FSDP 是什麼?能省多少顯存?</h3><p>兩者都是把優化器狀態、梯度、權重切碎分散到多卡的技術,ZeRO 來自 DeepSpeed,FSDP 是 PyTorch 原生版。以 ZeRO-3 全切為例,單卡顯存需求可降到接近「總需求除以卡數」,讓 8×80GB 有機會跑動 500GB 級的全參數訓練,代價是通訊量增加、速度慢 10-30%。</p><h3>多節點訓練中途斷掉怎麼辦?</h3><p>標準做法是週期性存檢查點(checkpoint):每 30-60 分鐘或每 N 步把權重與優化器狀態寫進共享儲存,故障後從最近檢查點續訓,損失控制在一小時內。檢查點檔案很大(70B 全狀態約 800GB 以上),儲存要配 NVMe 並預留 3-5 份的空間。</p><h3>訓練 70B 模型大概要多少張 H100、多久?</h3><p>全參數微調 70B、資料量 100 萬筆指令等級:常見配置是 2 節點 16×H100,訓練數天到兩週,視序列長度與 epoch 數而定。若改用 LoRA,單機 4×H100 數天內可完成,成本差 3-5 倍。先確認任務真的需要全參數,再上重裝備。</p><h3>租多節點叢集,月費大概什麼量級?</h3><p>台灣機房的行情,單機 8×H100 等級月租約在七位數上下浮動,2 節點翻倍,另計 InfiniBand 網路與儲存。好消息是訓練專案通常 1-3 個月結束,短租加用完即退,總成本常只有自購的 10-20%,還不用扛折舊與機房維運。</p><h3>單機多卡和多節點,程式要改多少?</h3><p>用 PyTorch FSDP、DeepSpeed 或 Accelerate 的話,單機到多節點主要是改啟動參數與環境設定(節點清單、NCCL 網卡綁定),訓練程式碼本身改動很小。真正花時間的是叢集除錯:網卡挑錯、防火牆擋掉通訊埠這類環境問題,佔了多數導入工時。</p><h3>可以先在單機驗證,再擴到多節點嗎?</h3><p>這是最推薦的路徑:先用單機小模型(如 1B-7B)把資料管線、評測、檢查點機制全部跑通,確認 loss 曲線健康,再原封不動放大到多節點。90% 的訓練問題在小規模就能暴露,單機驗證的幾天時間,能省下多節點階段數十萬的試錯機時。</p>"
                  ["post_title"]=>
                  string(97) "多節點分散式訓練入門:什麼時候一台 GPU 主機不夠用?叢集架構與網路需求"
                  ["post_excerpt"]=>
                  string(0) ""
                  ["post_status"]=>
                  string(7) "publish"
                  ["comment_status"]=>
                  string(6) "closed"
                  ["ping_status"]=>
                  string(6) "closed"
                  ["post_password"]=>
                  string(0) ""
                  ["post_name"]=>
                  string(31) "multi-node-distributed-training"
                  ["to_ping"]=>
                  string(0) ""
                  ["pinged"]=>
                  string(0) ""
                  ["post_modified"]=>
                  string(19) "2026-07-14 11:02:14"
                  ["post_modified_gmt"]=>
                  string(19) "2026-07-14 03:02:14"
                  ["post_content_filtered"]=>
                  string(0) ""
                  ["post_parent"]=>
                  int(0)
                  ["guid"]=>
                  string(54) "https://www.nss.com.tw/multi-node-distributed-training"
                  ["menu_order"]=>
                  int(0)
                  ["post_type"]=>
                  string(4) "post"
                  ["post_mime_type"]=>
                  string(0) ""
                  ["comment_count"]=>
                  string(1) "0"
                  ["filter"]=>
                  string(3) "raw"
                }
                [5]=>
                object(WP_Post)#36607 (24) {
                  ["ID"]=>
                  int(125227)
                  ["post_author"]=>
                  string(1) "0"
                  ["post_date"]=>
                  string(19) "2026-07-14 10:21:04"
                  ["post_date_gmt"]=>
                  string(19) "2026-07-14 02:21:04"
                  ["post_content"]=>
                  string(16202) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:企業要私有部署 LLM,該怎麼選模型和 GPU 規格?</p><p style="margin:0">依任務難度選模型:內部問答用 7B-14B,進階分析用 32B——INT4 量化後約 18-20GB 顯存,24GB 卡可跑;70B 需 140GB 以上、至少雙 H100。授權上 Qwen 是 Apache 2.0、DeepSeek 是 MIT 最單純。台灣機房單卡月租 NT$15,000 起,POC 兩到四週。</p></div>
<p>過去兩年,台灣企業對生成式 AI 的態度走了一個完整的弧線:從「先用 ChatGPT 試試」,到法務跳出來擋下所有把客戶資料貼進境外服務的行為,再到現在——「我們能不能自己架一套?」答案是可以,而且 2026 年的開源模型生態已經成熟到,多數企業任務用開放權重模型就能做到商用等級。這篇攻略把私有 LLM 部署的完整決策鏈走一遍:為什麼要私有化、模型怎麼挑、GPU 規格怎麼配、推論引擎怎麼選,以及一個台灣金融業的實際導入時程與成本。讀完你可以直接拿著這份清單跟主機商或內部團隊開需求會議,每一個環節都有可以驗證的數字。</p>

<h2>三個回不去的理由:法遵、成本、延遲</h2>
<p>企業選擇私有部署,理由通常不是情懷。第一個是資料主權與法遵:個資法對當事人資料的利用有明確界線,金管會對金融機構使用雲端服務另有委外規範,醫療則有醫療法與人體研究的資料限制。把病歷、對帳單、客訴紀錄送進境外 API,法遵部門要背的評估與舉證成本,常常比 GPU 還貴。私有部署把整條資料流關在自家或台灣機房內,稽核時一句「資料不出境」能省掉大半文書工作。</p>
<p>第二個是成本結構:API 按 token 計費,用量成長帳單跟著失控;自建是固定月租,量越大單位成本越低。一個內部工具從 50 人試用擴大到全公司 800 人,API 帳單會長 16 倍,自建主機可能只需要從單卡升級成雙卡。第三個是延遲與可控性:台灣機房內網往返 5ms 以內,海外 API 動輒 100ms 起跳,還要承受對方改版、限流、模型下架的風險——2025 年幾波商用模型無預警調價與版本汰換,讓不少把 LLM 綁進核心流程的公司吃過悶虧。當你的產品把 LLM 當成核心元件而不是玩具,這三點遲早會把你推向私有化。</p>
<p>要不要「全部」私有化則是另一題。務實的答案常是分流:敏感資料與高頻任務走私有模型,偶發的長尾雜務留在商用 API,兩邊用同一套 OpenAI 相容介面切換。這種混合架構讓你不必為了 5% 的特殊需求,把私有叢集規格拉到天上。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-19-data-20260714.jpg" alt="私有 LLM 部署完整攻略:資料不出門的企業 AI,從模型挑選到 GPU 規格" loading="lazy"/><figcaption>▲ 內部問答 7B-14B;70B 需 140GB 以上、至少雙 H100</figcaption></figure>
<h2>模型怎麼挑:授權先看,再看中文能力</h2>
<p>2026 年可商用的開放權重模型主要三個家族。Qwen2.5 系列(0.5B 到 72B)多數尺寸採 Apache 2.0 授權,商用最乾淨,繁體中文能力在開源陣營裡屬第一梯隊,是台灣企業的預設起點。DeepSeek 系列採 MIT 授權,R1 推理模型與其蒸餾版(7B 到 70B)在數學、程式、多步推理任務上表現突出,各版本的顯存需求整理在 <a href="https://www.nss.com.tw/deepseek-r1-gpu-requirements">DeepSeek R1 GPU 需求對照</a>。Llama 3.x 系列生態工具最完整,但用的是 Meta 社群授權,有月活躍用戶數等附帶條件,法務過件前要看清楚。</p>
<p>繁體中文有幾個實測才會浮現的細節:部分模型輸出會夾雜簡體字或中國用語(「軟件」「視頻」這類),對外文件不能接受,解法是系統提示詞強制台灣用語加後處理檢查,或直接挑繁中表現穩定的模型版本;金融與法律的專有名詞理解也要專門測,「附買回」「融資融券」這種詞彙,不同模型的表現差距很大。建議的做法是準備 50-100 題你自己領域的測題,拉兩三個候選模型做盲測,由業務單位而不是工程師評分。</p>
<p>挑尺寸的原則比挑家族簡單:內部問答、摘要、格式轉換,7B-14B 就夠;涉及多步推理、長文分析、程式生成,32B 是品質與成本的甜蜜點;70B 留給對答案品質錙銖必較的場景。別迷信參數量——盲測常常發現 14B 在你的任務上跟 32B 打平,一年省下的月租差價是六位數。另外記得看模型的「款式」:一般指令模型反應快、適合日常任務;推理模型(如 R1 系列)會先輸出思考過程,難題正確率高但 token 消耗數倍,兩種各架一個、按任務路由,是越來越主流的配置。</p>
<p>下載與供應鏈也別隨便:權重一律從官方 Hugging Face 帳號或可信鏡像取得,核對雜湊值並記錄版本;推論框架與相依套件鎖定版本,進了內網就不隨意更新。曾有企業從來路不明的鏡像抓了號稱加速版的權重,行為跟官方版有出入,查了兩週才找到源頭。私有部署的安全紅利,建立在你對每一個元件的來源都有掌握的前提上,這份清單值得放進資安檢核表。</p>

<h2>GPU 規格對照:從 7B 到 70B 的顯存帳</h2>
<table>
<thead><tr><th>模型規模</th><th>FP16 推論顯存</th><th>INT4 量化顯存</th><th>建議配置(含 KV cache 餘裕)</th></tr></thead>
<tbody>
<tr><td>7B-8B</td><td>14-16GB</td><td>5-6GB</td><td>1×RTX 4090 24GB</td></tr>
<tr><td>14B</td><td>28-32GB</td><td>9-11GB</td><td>1×RTX 4090(INT4)或 1×L40S 48GB(FP16)</td></tr>
<tr><td>32B</td><td>64-70GB</td><td>18-20GB</td><td>1×RTX 4090(INT4)或 1×H100 80GB(FP16)</td></tr>
<tr><td>70B-72B</td><td>140-150GB</td><td>40-45GB</td><td>2×H100(FP16)或 2×RTX 4090 / 1×L40S+(INT4)</td></tr>
</tbody>
</table>
<p>三個規劃要點。量化是私有部署的好朋友:INT4 讓顯存需求砍半再砍半,主流任務的品質損失多在 2-3% 內,先上量化版、有預算再升 FP16 是務實路線。KV cache 要另外算:表中權重之外,每一路併發、每 4K token 的上下文,依模型會再吃 0.5-2GB,對外服務至少預留 30% 顯存。還有升級路徑:用支援張量平行的推論引擎,之後從單卡換雙卡、雙卡換 H100,服務層程式碼幾乎不用改。</p>
<p>用一個情境把 KV cache 講得更白:你部署 32B INT4(權重 20GB)在一張 24GB 卡上,單人使用一切正常;開放給 50 人後,尖峰 6 路併發、每路 8K 上下文,KV cache 需要 6-12GB,這張卡立刻爆。同一個模型,規格卻要看「誰在用、怎麼用」,這就是為什麼報規格前要先回答併發數與上下文長度兩個問題,而不是只報模型名字。長文件分析場景(動輒 32K 上下文)更要特別小心,單路的 KV cache 就可能吃掉 4-8GB。</p>

<h2>推論引擎與服務化:從 Ollama 到 vLLM</h2>
<p>模型下載下來只是權重檔,要變成服務還缺一層推論引擎。POC 階段用 Ollama 最快,一行指令拉起模型,適合給內部小規模試用;要上生產環境,vLLM 或 SGLang 才是正解——它們的 continuous batching 與 PagedAttention 能把同一張卡的吞吐拉高 5-10 倍,並提供 OpenAI 相容 API,前端應用只要改一行 base_url 就能從商用 API 無縫切換過來。</p>
<p>服務化的細節——延遲怎麼壓、併發怎麼估、要不要開多副本——是另一篇的主題,見 <a href="https://www.nss.com.tw/ai-inference-api-hosting">AI 推論 API 自建教學</a>。這裡只強調一件最常被忘掉的事:私有部署不等於裸奔。API key 的發放與輪替、請求與回應日誌(含個資遮罩)、輸入輸出的敏感詞過濾、每月用量報表——這些治理機制要在第一天就做,不然「私有」只是把風險從供應商搬回自己家。金融業的稽核尤其會查日誌完整性與權限分離,補做的成本是先做的三倍起跳。</p>
<p>維運面給一個誠實的預期:私有 LLM 上線後的常態工作量,約是每週半天到一天——看監控、處理個案、每月演練一次故障重啟、每季評估一次新模型。這不需要專職團隊,但需要一個明確的負責人;完全沒有 Linux 維運能力的公司,建議把這層外包給主機商的託管服務,別讓系統變成沒人敢動的孤兒。</p>

<h2>台灣案例:投信公司的內部文件助理</h2>
<p>一家台北的投信公司,120 名員工,想讓研究員用自然語言查詢內部研究報告、公開說明書與法遵文件。資料屬性決定一切:這些文件不能離開公司控制範圍,金管會的雲端委外規範也讓境外 API 直接出局。他們的做法是在台灣機房租一台 H100 80GB 主機,跑 Qwen2.5-32B FP16 配 vLLM,前面接 RAG 檢索層,月租約 NT$70,000。</p>
<p>時程走得很典型:第 1-2 週用一張 4090 主機(月租 NT$18,000)做 POC,拿 80 題研究員實際會問的問題盲測 7B、14B、32B 三個尺寸,結論是 32B 在跨文件比對題上正確率高出 14B 約 12 個百分點,值得上;第 3-6 週建正式環境、接 SSO 權限與稽核日誌;第 7-8 週試營運。POC 用小卡、正式上大卡的兩段式做法,讓他們在只花 1.8 萬的階段就修正了兩個方向性決策——原本想用 70B,盲測發現對他們的題型增益不到 3 個百分點,直接省下一半月租。</p>
<p>上線三個月的營運數字:研究員平均每天問 340 次,尖峰併發 8 路,p95 回應延遲 2.1 秒;使用率最高的不是原本設想的報告查詢,而是「幫我把這段英文法遵函釋整理成繁中重點」這類翻譯摘要任務,佔了四成流量——這也是私有部署的隱藏優勢,用量爆了也不心疼,員工才敢把它用進日常。法遵部門的評語比任何跑分都有說服力:資料流全程在境內,稽核一次過。</p>

<h2>導入時程與總成本怎麼抓</h2>
<p>綜合幾十個案子的經驗,私有 LLM 部署的合理時程是:POC 兩到四週(單卡主機、量化模型、內部評測集),試營運四到六週(正式規格、權限與日誌、小範圍開放),然後全面上線。硬體之外的成本大頭是人:需要一位能維運 Linux 與容器的工程師兼職照顧,加上業務單位一位懂資料的窗口。全案抓下來,中型企業第一年的總持有成本多落在 NT$50 萬到 200 萬之間,對比動輒七八位數的商用授權案,這個數字通常過得了董事會。時程的最大變數在資料:文件散亂、權限歸屬不明的公司,前置整理常吃掉一半時間,這部分請誠實評估。</p>
<p>驗收建議寫成里程碑:POC 結束要有盲測分數與規格建議書;試營運結束要有 p95 延遲、可用率與使用量報表;全面上線滿一個月,要有部門滲透率與滿意度數字。每一關都有可驗證的產出,預算追加才有依據,專案也不會走著走著變成沒人敢驗收的懸案。</p>
<p>把第一年 TCO 拆開看會更好談預算:主機月租(單卡 NT$15,000-25,000 或 H100 級 NT$60,000-80,000)占五到七成,導入期的顧問或工程工時占兩到三成,剩下是評測、資安檢測與雜項。第二年起只剩月租與少量維運,成本曲線是前高後低。至於「租還是買」:買一台 H100 等級主機資本支出數百萬,加上機房、電力、備品與三年折舊,只有在負載長期滿載時才划算;先租十二個月把規格試到收斂,再拿真實使用率去算買斷的回本期,是財務上最站得住腳的順序。</p>
<p>最容易被砍掉重練的錯誤只有一個:第一天就買卡。模型迭代太快,今天為 70B 買的 8 卡機,半年後可能被 32B 的新模型追平。用台灣機房的月租主機把規格試到收斂,再決定要不要自建,是風險最低的路。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-19-points-20260714.jpg" alt="私有 LLM 部署完整攻略:資料不出門的企業 AI,從模型挑選到 GPU 規格" loading="lazy"/><figcaption>▲ 資料不出門的部署路徑</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>私有 LLM 部署的每個階段需要的火力不同:POC 用單張 RTX 4090,正式環境可能要 H100 多卡。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,規格可隨導入階段升級。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問會依你的資料敏感度與任務需求試算規格。</p>

<h2>常見問題 FAQ</h2><h3>私有部署 LLM 最低的硬體門檻是多少?</h3><p>一張 24GB 的 RTX 4090 就能起步:7B 模型 FP16 推論占 14-16GB,或 32B 的 INT4 量化版占 18-20GB,都放得下。台灣機房這種單卡主機月租約 NT$15,000-25,000,足夠支撐數十人的內部使用,是最常見的 POC 起點。</p><h3>開源模型商用,授權上要注意什麼?</h3><p>Qwen2.5 多數尺寸是 Apache 2.0、DeepSeek 是 MIT,商用幾乎沒有附帶條件;Llama 3.x 用 Meta 社群授權,有大型平台月活門檻與再散布規定,需要法務確認。另外注意部分模型的量化版與衍生版授權可能與原版不同,下載來源要留紀錄備查。</p><h3>7B、32B、70B 模型的能力差距到底多大?</h3><p>以企業任務實測,7B 足以應付摘要、分類、格式轉換;32B 在多步推理與跨文件分析上,正確率常比 7B 高 15-25 個百分點;70B 再往上的增幅通常剩 3-8 個百分點,但顯存需求翻倍。建議用自己的 50-100 題測題盲測,而不是看排行榜。</p><h3>INT4 量化會讓模型變笨嗎?</h3><p>主流 GPTQ、AWQ 量化在常見任務上的品質損失約 1-3%,多數使用者感覺不出來;顯存卻能省 70% 以上,32B 從 64-70GB 壓到 18-20GB。要求最高的場景(法律條款比對、程式生成)可以 FP16 與 INT4 各架一套 A/B 實測再決定。</p><h3>私有部署後,模型多久要更新一次?</h3><p>開源模型大約每 3-6 個月出現一波明顯升級。建議每季用固定評測集重測一次新模型,分數高出 5 個百分點以上再換,避免追版本疲勞。換模型的成本主要在重跑評測與回歸測試,權重本身下載替換半天內可完成。</p><h3>vLLM 和 Ollama 該用哪個?</h3><p>POC 與個人使用選 Ollama,安裝到起服務 10 分鐘搞定;正式環境選 vLLM 或 SGLang,continuous batching 可把同卡吞吐拉高 5-10 倍,多人併發下的 p95 延遲差距非常明顯。兩者都有 OpenAI 相容 API,前期驗證、上線切換很順。</p><h3>金融業用私有 LLM,法遵上可行嗎?</h3><p>可行,而且私有化正是為了過法遵:資料全程留在境內機房,滿足個資法與金管會對委外及資料治理的要求,搭配存取控制與完整日誌即可受檢。台灣已有投信、銀行把內部文件助理跑在自建或租用 GPU 主機上的案例,稽核重點是資料流向與權限紀錄。</p><h3>私有 LLM 的回應速度大概多快?</h3><p>單使用者:7B 在 RTX 4090 上約每秒 60-100 個 token,32B INT4 約 25-40 個,一段 300 字回答 10 秒內完成;上 vLLM 後 10-20 路併發仍可維持每人每秒 20 個 token 以上。台灣機房網路往返約 5ms,體感比海外 API 快得多。</p><h3>除了 GPU,主機的 CPU 和記憶體要怎麼配?</h3><p>推論主機的通則是:系統記憶體至少是總顯存的 1.5-2 倍(載入與轉檔時要用),CPU 8-16 核心即可,硬碟建議 NVMe SSD 500GB 起跳放多版本權重。RAG 場景另外加向量資料庫的 16-32GB 記憶體。這些在租用方案裡通常已包含,確認規格單即可。</p><h3>一年的總持有成本大概多少?</h3><p>以 120 人企業、32B 模型、單張 H100 規格估:主機月租約 NT$60,000-80,000,一年 72-96 萬;加上工程師兼職維運與前期導入顧問,第一年總成本常落在 NT$100-200 萬。同樣用量走商用 API,帳單加法遵評估往往不會比較便宜,且資料須出境。</p>"
                  ["post_title"]=>
                  string(87) "私有 LLM 部署完整攻略:資料不出門的企業 AI,從模型挑選到 GPU 規格"
                  ["post_excerpt"]=>
                  string(0) ""
                  ["post_status"]=>
                  string(7) "publish"
                  ["comment_status"]=>
                  string(6) "closed"
                  ["ping_status"]=>
                  string(6) "closed"
                  ["post_password"]=>
                  string(0) ""
                  ["post_name"]=>
                  string(22) "private-llm-deployment"
                  ["to_ping"]=>
                  string(0) ""
                  ["pinged"]=>
                  string(0) ""
                  ["post_modified"]=>
                  string(19) "2026-07-14 11:01:19"
                  ["post_modified_gmt"]=>
                  string(19) "2026-07-14 03:01:19"
                  ["post_content_filtered"]=>
                  string(0) ""
                  ["post_parent"]=>
                  int(0)
                  ["guid"]=>
                  string(45) "https://www.nss.com.tw/private-llm-deployment"
                  ["menu_order"]=>
                  int(0)
                  ["post_type"]=>
                  string(4) "post"
                  ["post_mime_type"]=>
                  string(0) ""
                  ["comment_count"]=>
                  string(1) "0"
                  ["filter"]=>
                  string(3) "raw"
                }
                [6]=>
                object(WP_Post)#36621 (24) {
                  ["ID"]=>
                  int(125226)
                  ["post_author"]=>
                  string(1) "0"
                  ["post_date"]=>
                  string(19) "2026-07-14 10:21:00"
                  ["post_date_gmt"]=>
                  string(19) "2026-07-14 02:21:00"
                  ["post_content"]=>
                  string(16377) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:RAG 是什麼、企業導入需要什麼 GPU 配置?</p><p style="margin:0">RAG(檢索增強生成)先把文件切塊轉成向量索引,提問時檢索出最相關段落,交給 LLM 生成附來源的回答,模型不必重訓,知識更新是分鐘級。50 人內用 7B-14B 模型,一張 RTX 4090 主機就能起步,台灣機房月租約 NT$15,000-25,000;200 人以上建議 32B 模型與 48-80GB 顯存。</p></div>
<p>企業想讓 AI 回答內部知識,第一直覺常是「微調一個自己的模型」。但 2026 年的實務標準答案,八成是 RAG。原因很直接:公司的知識天天在變,產品規格改版、SOP 更新、法規修正,你不可能每次都重訓模型;而 RAG 只要更新索引,幾分鐘內新知識就上線。這篇文章講清楚 RAG 的運作原理、三段式的 GPU 需求怎麼估、導入成本落在什麼區間,並用一個台灣製造業的案例展示從評估到上線的完整過程。看完你應該能自己畫出第一版架構圖,並且對「這件事要花多少錢」有一個誤差不超過三成的估計。</p>

<h2>RAG 是什麼?一條「檢索加生成」的流水線</h2>
<p>RAG 的全名是 Retrieval-Augmented Generation,檢索增強生成。流程拆開看只有四步:把企業文件切成 300-800 字的小塊(chunking),用 embedding 模型把每一塊轉成向量存進向量資料庫;使用者提問時,問題同樣轉成向量,到資料庫裡找出最相近的 3-8 個段落;可以再加一層 reranker 模型精排,把真正相關的段落挑到前面;最後把這些段落連同問題一起塞進 prompt,讓 LLM 生成回答,並附上引用來源。</p>
<p>用一個具體例子走一遍。員工問「特休沒休完可以換錢嗎?」系統把這句話轉成向量,從索引裡撈出人事規章第 3.2 節與勞基法相關段落,reranker 確認這兩段最相關,LLM 讀完後回答:「依公司人事規章 3.2 條,年度未休畢特休依比例折算工資……」並在答案下方列出出處。使用者點開出處就是原始文件,這條「可驗證」的路徑,正是企業敢把 RAG 交給全公司用的原因。</p>
<p>規模感也給一下:一份 200 頁的 PDF 大約切成 400-800 個 chunk;一萬份文件、百萬級 chunk 的向量索引(1024 維、FP16)本體約 2-4GB,加上原文與中繼資料,整套索引通常在 10-20GB 之間——對現代主機來說是很輕的負擔。關鍵在於:模型本身完全不用動,LLM 負責閱讀理解與寫作,知識全部放在外部索引,加新文件的邊際成本趨近於零。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-18-data-20260714.jpg" alt="RAG 是什麼?不用重訓模型的企業知識庫方案,GPU 配置與導入成本指南" loading="lazy"/><figcaption>▲ 檢索增強生成:不重訓模型,回答自帶來源</figcaption></figure>
<h2>為什麼企業知識庫首選 RAG 而不是微調</h2>
<p>把知識「訓進」模型有兩個結構性問題。一是更新成本:每次文件異動都要重跑訓練,一輪動輒數小時到數天,而企業知識的半衰期很短——電商的品規週週改,製造業的製程參數月月調,金融業的法遵函釋隨時來。二是不可追溯:模型答錯了,你不知道它是從哪筆資料學歪的,對需要稽核軌跡的產業是致命傷。RAG 剛好相反,答案旁邊就掛著來源文件,稽核人員點開就能核對。</p>
<p>成本差距也很具體。維護一套 RAG 索引,新增文件是增量更新、秒級完成,全量重建一次的 GPU 機時通常不到一小時;而同等知識量的微調,單輪訓練成本是它的數十倍,還要先把文件改寫成上萬筆問答格式的訓練資料,這道工序本身就是一個小專案。</p>
<p>還有一個很少被講白的面向:RAG 會逼你把知識治理做起來。哪些文件是現行版、誰有權看哪一類、過期文件怎麼下架——這些問題在建索引的第一週全部會浮出來,而它們本來就該被回答。反過來看,微調把知識揉進權重裡,版本與權限完全無從管理,答案對錯只能事後抽查,對受監理的金融、醫療產業幾乎是不可接受的黑盒。很多公司做完 RAG 之後回頭感謝的,其實是這一段被迫完成的文件大掃除。</p>
<p>當然,RAG 也有做不到的事:它改不了模型的語氣、輸出格式與任務行為,那是微調的守備範圍,兩者的分工可以參考 <a href="https://www.nss.com.tw/llm-finetuning-lora-gpu">LLM 微調實戰</a>。成熟團隊的終局架構多半是混合式:RAG 管知識、LoRA 管行為,先做 RAG 驗證價值,半年後再視需要補一層微調,投資順序不要反過來。</p>

<h2>GPU 需求拆解:embedding、reranker、LLM 三段</h2>
<p>RAG 系統的顯存消耗來自三個模型,量級差很多。embedding 模型(如 bge-m3、multilingual-e5 這類 0.3-2B 參數的模型)推論只要 2-6GB;reranker 模型同樣輕,2-4GB 就夠;真正的大戶是負責生成的 LLM——7B 模型 FP16 推論約需 14-16GB,14B 約 28-32GB,32B 約 64-70GB,若用 INT4 量化可以再省一半以上,32B 壓到 18-20GB,一張 24GB 卡就裝得下。</p>
<p>延遲的組成也值得認識:embedding 一次查詢 10-30ms,向量搜尋 10-50ms,reranker 50-150ms,而 LLM 生成占掉九成時間——一段 300 字的回答,以每秒 30-60 個 token 的速度要跑 10-20 秒。所以優化體感的重點永遠在生成段:開串流輸出讓使用者邊生成邊閱讀,體感延遲立刻從「等 15 秒」變成「等 1 秒」。建索引的吞吐則看 embedding:一張 4090 每秒可處理數百到數千個 chunk,百萬級索引初次建置約 1-3 小時,夜間排程綽綽有餘。</p>
<p>併發的速算法也給一個:內部工具的尖峰併發約是總人數的 5-10%,100 人公司抓 5-10 路。7B 模型配一張 4090,撐 10-20 路沒問題;32B INT4 因為權重就占掉 18-20GB,單卡併發建議壓在 5-8 路,超過就分雙卡或升 48GB 卡。先用保守配置上線、看兩週監控數據再決定加不加卡,永遠比一次到位便宜。</p>
<p>三段可以塞在同一張卡,也可以分開。50 人以內的內部知識庫,一張 RTX 4090 同時跑 7B INT4 生成加 embedding 綽綽有餘;使用者破兩百人、尖峰併發 10-20 路時,建議把 embedding 與 reranker 留在小卡或 CPU,生成模型獨占一張 48GB 以上的卡,否則檢索尖峰會跟生成搶資源,延遲直接翻倍。另一個常被忽略的顯存項目是 KV cache:併發越高、對話越長,占用越大,規劃時要在模型權重之外預留 20-40% 顯存。</p>

<h2>規模對照表與成本區間</h2>
<table>
<thead><tr><th>使用規模</th><th>建議模型組合</th><th>GPU 配置</th><th>月租行情(台灣機房)</th></tr></thead>
<tbody>
<tr><td>POC 驗證</td><td>7B INT4 + bge-m3</td><td>1×RTX 4090 24GB</td><td>NT$15,000-20,000</td></tr>
<tr><td>50 人內部使用</td><td>7B-14B + embedding + reranker</td><td>1×RTX 4090 或 1×L40S 48GB</td><td>NT$18,000-35,000</td></tr>
<tr><td>200 人、併發 10-20</td><td>32B INT4 + 完整檢索鏈</td><td>2×RTX 4090 或 1×H100 80GB</td><td>NT$40,000-80,000</td></tr>
<tr><td>500 人以上或對外服務</td><td>32B-70B、多副本負載均衡</td><td>2×H100 起跳</td><td>NT$120,000 起</td></tr>
</tbody>
</table>
<p>讀表時注意三件事。規模看的是「尖峰併發」而不是員工總數,一般內部工具的併發約是總人數的 5-10%;模型尺寸決定答案品質的天花板,32B 對 7B 的優勢在跨文件推理題上特別明顯,常有 15-20 個百分點的正確率差距;GPU 之外還有配角成本——向量資料庫吃的是 CPU 與 16-32GB 記憶體、索引與日誌的儲存、以及建置評測集的人力,這些加總約占專案總成本一到兩成。</p>
<p>對照雲端 API 的帳:呼叫商用模型 API 每百萬 token 約 US$0.5-15,小量使用便宜;但企業知識庫的痛點通常不是錢,而是文件必須送到境外模型商手上。自建 RAG 的月租是固定成本,量再大都不會爆,敏感文件也從頭到尾不離開機房,這兩點才是台灣企業選擇自建的主因。</p>
<p>拿數字算個分水嶺:一次問答連同檢索段落約消耗 3,000-6,000 個 token,200 人公司每天 500 次問答,月消耗大約 3,000-9,000 萬 token。走中階商用 API 月費看起來還可控,但前提是「文件可以出境」而且「用量不再成長」;一旦任一前提破掉——來了敏感專案、或使用量隨導入深化翻了三倍——自建的固定月租立刻反超。多數企業算完這筆帳,就把 API 留給不敏感的雜務,核心知識庫走自建。</p>

<h2>台灣案例:精密加工廠的 SOP 知識庫</h2>
<p>台中一家 280 人的精密加工廠,累積了 1.2 萬份文件:ISO 程序書、設備原廠手冊、工安 SOP、歷年異常處理紀錄。痛點很典型——新人找一份正確版本的 SOP 平均要 20 分鐘,夜班遇到設備異常只能打電話吵醒資深工程師。而這些文件混著客戶 NDA 與製程參數,受營業秘密法保護,法務直接否決任何「上傳到境外雲端 AI」的方案。</p>
<p>他們最後在台灣機房租了一台雙 4090 主機,跑 Qwen2.5-32B 的 INT4 量化版,配 bge-m3 做繁中檢索,月租約 NT$45,000。導入花了兩個月:第一個月清文件、建索引、跑 150 題內部評測集把命中率從 71% 調到 93%;第二個月試營運與權限分級。過程中真正難的不是模型,是文件工程——三成的手冊是掃描檔,要先過 OCR 與人工抽驗;製程參數表不能直接切塊,得整表保留並補上表頭說明;不同部門的文件還要掛權限標籤,業務看不到製程資料,產線查不到報價單,這些前置工作占掉全案一半以上的工時。</p>
<p>上線後新人查 SOP 的時間從 20 分鐘縮到 2 分鐘內,夜班打給資深工程師的次數少了六成。附帶的好處是延遲:機房在台灣,問答往返網路延遲 5ms 上下,比呼叫海外服務的 60-150ms 順暢得多,產線平板上用起來像即時對話。廠長事後的評語很實在:這套系統最大的價值不是 AI 多聰明,是它終於逼公司把二十年的文件整理成一套有版本、有權限的資產。</p>
<p>成本結構也值得記下來:這個案子的外部支出就是兩個月機器月租共約 9 萬元,其餘全是內部工時;同樣範圍交給系統整合商從零客製,市場報價常落在 NT$150-300 萬。自建加租機的組合,把試錯成本壓到外包報價的零頭,這也是我們一貫建議企業「先小做、驗證了再放大」的底氣。</p>

<h2>常見翻車點:九成的爛 RAG 都是檢索的錯</h2>
<p>導入 RAG 失敗的專案,問題極少出在 LLM,幾乎都出在檢索。常見的坑排下來:chunk 切太大或太小——300-800 字、前後保留 10-20% 重疊是穩健起點,表格與條列要特殊處理;embedding 模型不擅長繁體中文——選 bge-m3 或 multilingual-e5 這類多語模型,別拿純英文模型硬上;沒放 reranker——多這一層 2-4GB 顯存的小模型,常常就是命中率從七成到九成的差距;以及沒有評測集——上線前準備 50-200 題有標準答案的內部問題,每次調參數都重跑,不然你永遠在憑感覺調。</p>
<p>幻覺控制也有標準做法:在 prompt 裡強制「只能根據提供的段落回答,並列出引用編號」,檢索相似度低於門檻時直接回「資料庫中查無相關內容」,寧可不答也不要瞎掰。這些設定做齊,企業內部問答的可用率把握做到九成以上。</p>
<p>上線不是終點,RAG 是要養的。固定的維運節奏建議:新文件自動進索引(每日或每週排程)、每月跑一次評測集回歸確認沒有品質飄移、每季檢視一次「查無資料」與低分回答的清單,回頭補文件或調切塊。這些工作每月大約半人日,卻是系統一年後還好用的關鍵。想再深入私有化部署的模型選型與服務化細節,可以接著讀 <a href="https://www.nss.com.tw/private-llm-deployment">私有 LLM 部署完整攻略</a>。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-18-points-20260714.jpg" alt="RAG 是什麼?不用重訓模型的企業知識庫方案,GPU 配置與導入成本指南" loading="lazy"/><figcaption>▲ RAG 導入的規模對照表</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>RAG 是企業 AI 裡投資報酬最好算的一種:GPU 需求從單張 4090 起步,隨使用人數線性成長,不會一開始就逼你上重裝備。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,POC 到正式環境可以無痛升級。方案與規格見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問會依你的文件量與使用人數建議配置。</p>

<h2>常見問題 FAQ</h2><h3>RAG 和微調最大的差別是什麼?</h3><p>RAG 把知識放在外部向量索引,模型不動,文件更新後幾分鐘就生效,回答還能附上來源;微調是把行為訓進模型,適合改語氣與格式,但知識一變就要重訓,單輪成本是重建索引的數十倍。企業知識庫九成情境應該先做 RAG。</p><h3>導入 RAG 最低的 GPU 門檻是多少?</h3><p>POC 等級只要一張 24GB 的 RTX 4090:跑 7B 模型的 INT4 量化版約占 5-6GB,加上 bge-m3 embedding 的 2-4GB 與 KV cache,單卡綽綽有餘。台灣機房這種主機月租約 NT$15,000-20,000,兩週內可以搭出能給主管試用的版本。</p><h3>RAG 一定需要 GPU 嗎?用 CPU 不行嗎?</h3><p>檢索段可以用 CPU,但 embedding 建索引會慢 10 倍以上;生成段用 CPU 跑 7B 模型每秒只有個位數 token,一個回答要等一兩分鐘,基本不可用。實務上一張入門 GPU 就能讓回答速度到每秒 30-60 個 token,體驗完全不同。</p><h3>文件要怎麼切塊(chunking)比較好?</h3><p>通用起點是每塊 300-800 字、前後重疊 10-20%,依標題與段落邊界切而不是硬切字數。表格建議整張保留並附上表頭說明,條列式 SOP 以步驟為單位。切法對命中率的影響常達 10-20 個百分點,值得花一天實驗。</p><h3>向量資料庫該選哪一套?</h3><p>百萬級以下向量,Qdrant、Milvus、pgvector 都夠用,差異主要在維運習慣:已有 PostgreSQL 的團隊用 pgvector 最省事,獨立部署選 Qdrant 輕量好管。向量檢索通常吃 CPU 與記憶體,抓 16-32GB RAM 起步即可,不占 GPU 顯存。</p><h3>RAG 的回答品質要怎麼量化?</h3><p>上線前建 50-200 題有標準答案的評測集,追兩個數字:檢索命中率(正確段落有沒有進前 5)與答案正確率(人工或 LLM 評分)。健康的系統命中率要 85% 以上、正確率 90% 上下;每次調 chunk、換模型都重跑,才知道是變好還變壞。</p><h3>怎麼降低 RAG 的幻覺?</h3><p>三件事做齊:prompt 強制只依提供段落回答並附引用編號;檢索相似度低於門檻就回「查無資料」,不硬答;加 reranker 把不相關段落擋在生成之前。實務上這樣可以把幻覺率壓到 5% 以下,剩下的靠評測集持續抓漏。</p><h3>200 人規模的公司,RAG 主機月費大概多少?</h3><p>尖峰併發 10-20 路、用 32B INT4 模型加完整檢索鏈,建議 2×RTX 4090 或一張 H100 80GB,台灣機房月租約 NT$40,000-80,000。比起呼叫雲端 API,固定月租的好處是用量再大帳單也不會失控,且文件全程不出機房。</p><h3>RAG 適合處理 Excel 和圖面這類非文字資料嗎?</h3><p>表格類資料要先轉成結構化文字或用表格感知的解析器處理,效果才穩;工程圖面、照片則需要多模態模型(如 Qwen-VL 系列),顯存需求會多 30-50%。建議第一期先做純文字文件,驗證價值後再擴充多模態,風險最低。</p><h3>資料完全不能出公司,RAG 做得到嗎?</h3><p>可以,這正是自建 RAG 的主場:embedding、向量資料庫、LLM 全部跑在你租用或自有的主機上,文件與問答紀錄都不離開機房。台灣機房方案還能滿足個資法與客戶 NDA 的稽核要求,金融與製造業已有大量落地案例。</p>"
                  ["post_title"]=>
                  string(88) "RAG 是什麼?不用重訓模型的企業知識庫方案,GPU 配置與導入成本指南"
                  ["post_excerpt"]=>
                  string(0) ""
                  ["post_status"]=>
                  string(7) "publish"
                  ["comment_status"]=>
                  string(6) "closed"
                  ["ping_status"]=>
                  string(6) "closed"
                  ["post_password"]=>
                  string(0) ""
                  ["post_name"]=>
                  string(24) "rag-enterprise-gpu-guide"
                  ["to_ping"]=>
                  string(0) ""
                  ["pinged"]=>
                  string(0) ""
                  ["post_modified"]=>
                  string(19) "2026-07-14 11:00:21"
                  ["post_modified_gmt"]=>
                  string(19) "2026-07-14 03:00:21"
                  ["post_content_filtered"]=>
                  string(0) ""
                  ["post_parent"]=>
                  int(0)
                  ["guid"]=>
                  string(47) "https://www.nss.com.tw/rag-enterprise-gpu-guide"
                  ["menu_order"]=>
                  int(0)
                  ["post_type"]=>
                  string(4) "post"
                  ["post_mime_type"]=>
                  string(0) ""
                  ["comment_count"]=>
                  string(1) "0"
                  ["filter"]=>
                  string(3) "raw"
                }
                [7]=>
                object(WP_Post)#36619 (24) {
                  ["ID"]=>
                  int(125224)
                  ["post_author"]=>
                  string(1) "0"
                  ["post_date"]=>
                  string(19) "2026-07-14 10:20:58"
                  ["post_date_gmt"]=>
                  string(19) "2026-07-14 02:20:58"
                  ["post_content"]=>
                  string(17010) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:LLM 微調該選 LoRA 還是 Full Fine-tuning?</p><p style="margin:0">八成企業場景用 LoRA 就夠:凍結原模型、只訓練低秩適配層,顯存約全參數微調的 1/3-1/10,7B 模型一張 RTX 4090 就能跑。Full Fine-tuning 效果上限較高,但 7B 就要 110GB 以上顯存、成本高 5-10 倍。建議先用 QLoRA 花半天驗證資料有訊號,再決定要不要加碼。</p></div>
<p>「我們想微調一個自己的模型」,這大概是 2026 年台灣企業 AI 導入會議上出現頻率最高的一句話。但再往下追問,十個團隊有八個說不清楚要微調什麼、需要幾張 GPU、預算該抓多少,甚至分不清自己要解的問題到底需不需要微調。這篇文章把 LLM 微調的兩條主要路線——LoRA 與 Full Fine-tuning(全參數微調)——的原理、顯存需求、訓練時間與租用成本一次算清,並附上一個台灣電商團隊從 POC 到上線的完整時程。先講立場:除非你已經用 LoRA 驗證過效果而且確定不夠,否則不要從全參數微調開始,這條原則能替多數團隊省下第一筆冤枉錢。</p>

<h2>先確認你要解的是「行為問題」還是「知識問題」</h2>
<p>微調改變的是模型的「行為」:輸出格式、語氣、領域用語、任務套路。它並不擅長把新知識塞進模型腦袋。想讓 LLM 回答公司內部文件、產品規格、常變動的政策條文,正確工具是 RAG(檢索增強生成),不用重訓模型,知識更新也是即時的,做法可以參考 <a href="https://www.nss.com.tw/rag-enterprise-gpu-guide">RAG 企業知識庫方案指南</a>。</p>
<p>那什麼情境值得微調?幾個典型:客服回覆必須完全符合品牌語氣與 SOP;輸出要是嚴格的 JSON 或報表格式,prompt 調到極限仍有 5% 上下的格式錯誤;醫療、法律、精密製造這類術語密集的領域,通用模型講話「不像內行人」;或者你想把原本要 70B 模型才穩定的任務壓進 7B 小模型,推論成本直接砍到三分之一以下——這是最容易回本的一種。</p>
<p>一個花半天就能做完的自我檢查:拿 20-30 題實際業務問題,用你手上最強的模型加上能寫出的最好 prompt 跑一遍。如果錯的是「答案內容」,例如模型不知道你們的產品規格,那是知識問題,微調救不了;如果錯的是「表達方式」——格式跑掉、語氣不對、廢話太多——才輪到微調上場。另外記住成本結構:prompt 迭代的邊際成本趨近於零,微調一輪動輒數千元機時起跳,能用 prompt 解決的問題,永遠優先用 prompt。多數企業最後的架構是混合的:RAG 管知識,微調管行為,兩邊各司其職。</p>


<figure class="wp-block-image size-full"><img title="戰國策集團LLM 微調實戰:LoRA 和 Full Fine-tuning 差在哪?GPU 需求與成本一次算清" src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-17-data-20260714.jpg" alt="LLM 微調實戰:LoRA 和 Full Fine-tuning 差在哪?GPU 需求與成本一次算清" loading="lazy"/><figcaption>▲ 7B 一張 RTX 4090 就能微調;全參數 7B 要 110GB 以上</figcaption></figure>
<h2>Full Fine-tuning:效果上限最高,顯存是無底洞</h2>
<p>全參數微調就是把模型每一個權重都拿出來更新。效果上限最高,但顯存開銷驚人,因為訓練期間要同時擺四樣東西:模型權重(FP16 每參數 2 bytes)、梯度(2 bytes)、AdamW 優化器狀態(FP32 動量加變異數,8 bytes),再加上隨序列長度與 batch size 成長的激活值。</p>
<p>經驗法則:全參數訓練的顯存需求,大約是「FP16 權重容量」的 8 到 10 倍。7B 模型權重約 14GB,全參數訓練就要 110-140GB,單張 H100 80GB 裝不下,2 張起跳,還得搭配 DeepSpeed ZeRO 或 FSDP 把狀態切到多卡。32B 約 500GB 上下,70B 直接衝破 700GB,進入多節點叢集的世界——那是另一門學問,可見 <a href="https://www.nss.com.tw/multi-node-distributed-training">多節點分散式訓練入門</a>。</p>
<p>激活值是最容易被低估的一項:它隨 batch 與序列長度線性成長,4K 序列、batch 8 的設定下,7B 的激活值可以再吃掉 30-60GB,所以實務估算永遠要留緩衝。另一筆隱性成本是實驗管理——全參數微調的每個 checkpoint 都是完整模型,7B 一份 14GB,訓練途中存十份就是 140GB 儲存;超參數掃五組,機時與儲存全部乘以五。這些帳在報價單上看不到,卻真實反映在時程與月結帳單上。</p>
<p>資料需求同樣是門檻:全參數微調通常要上萬到數十萬筆高品質資料才不容易過擬合,一輪訓練以天計。對多數企業,這條路的合理時機只有一個:LoRA 已經證明有效,而你需要再擠出最後幾個百分點,或者要做深度的領域續訓。</p>

<h2>LoRA:凍結原模型,只訓練低秩適配層</h2>
<p>LoRA(Low-Rank Adaptation)的思路完全不同:原模型權重全部凍結,在注意力層旁邊掛上兩個低秩矩陣(rank 一般取 8-64),只訓練這一小撮新增參數,通常僅占原模型參數量的 0.1% 到 1%。</p>
<p>因為梯度與優化器狀態只需要為這不到 1% 的參數保留,整體顯存需求大約降到全參數微調的 1/3 到 1/10。7B 模型跑 FP16 LoRA 約需 18-24GB,一張 RTX 4090(24GB)剛好能吃下;QLoRA 更進一步把凍結的底模量化成 4-bit,7B 只要 8-12GB,16GB 的消費卡都能拿來做實驗。</p>
<p>幾個實務參數直接給你抄:rank 從 16 或 32 起手,純風格任務 8 就有感,複雜任務再往 64-128 試;適配層先只掛注意力層的 Q、K、V、O 四個投影矩陣,效果不足再加 MLP 層,代價是參數量與顯存多三四成;學習率抓 1e-4 到 2e-4,比全參數微調高一個數量級。還有個反直覺的優點:當你的資料只有幾千筆,LoRA 因為可訓練參數少,反而比全參數更不容易過擬合——小資料集的企業場景等於天然適配。</p>
<p>工程面的好處也別忽略。訓練產出的 adapter 檔案只有幾十到幾百 MB,版本管理與回滾都輕鬆;同一個底模可以掛多組 adapter,客服、翻譯、摘要各練一個,推論時動態切換,一台主機同時服務多個任務。對人力有限的台灣中小團隊,這種可維運性比跑分高一兩分重要得多。</p>

<h2>GPU 需求對照表:7B 到 70B 一次看清</h2>
<table>
<thead><tr><th>模型規模</th><th>Full Fine-tuning</th><th>LoRA(FP16)</th><th>QLoRA(4-bit)</th></tr></thead>
<tbody>
<tr><td>7B</td><td>110-140GB,2×H100 80GB</td><td>18-24GB,1×RTX 4090</td><td>8-12GB,1×RTX 4090 有餘裕</td></tr>
<tr><td>14B</td><td>220-280GB,4×H100</td><td>36-48GB,1×L40S 48GB 或 2×4090</td><td>14-18GB,1×RTX 4090</td></tr>
<tr><td>32B</td><td>500GB 上下,8×H100</td><td>75-95GB,2×H100 或 2×L40S</td><td>26-34GB,1×L40S 或 2×4090</td></tr>
<tr><td>70B</td><td>700GB 以上,多節點</td><td>150-190GB,3×H100</td><td>42-50GB,2×4090 或 1×L40S(緊)</td></tr>
</tbody>
</table>
<p>兩個實務提醒。表中數字以 2K-4K 序列長度、小 batch 估算,序列拉到 8K 以上或 batch 加大,激活值會讓顯存再多吃 20-50%;另外,開 gradient checkpointing 可以省下 30-50% 顯存,代價是訓練慢兩到三成,當顯存卡在門檻邊緣時,這是最划算的交換。</p>
<p>訓練時間也給個基準,以 2 萬筆、平均 1K token 的指令資料跑 3 個 epoch 估算:7B LoRA 在 RTX 4090 上約 6-10 小時,H100 約 2-4 小時;14B 大致乘以二;32B 的 QLoRA 在雙 4090 上要 15-25 小時。換算成錢:台灣機房 4090 主機月租 NT$15,000-25,000,攤下來一輪訓練的機時成本不過幾百元——真正貴的是工程師指揮機器的時間,所以把迭代週期縮短,比省那一點機時重要得多。</p>
<p>用這張表抓預算的流程很直接:先定模型規模(絕大多數企業從 7B-14B 起步),再定訓練方式(預設 QLoRA),最後對出顯存與卡數。容易被忽略的是主機配套:載入與轉檔階段很吃系統記憶體,RAM 建議抓總顯存的 1.5-2 倍;資料集加上多版本 checkpoint,硬碟建議 NVMe SSD 500GB 起跳。這些在正規的租用方案裡通常已包含,自組機器時卻最常漏算,開訓當天才發現 RAM 不夠是很常見的慘劇。</p>

<h2>成本試算與導入案例:兩週從 POC 到上線</h2>
<p>先看租用行情。海外雲端 H100 每小時約 US$2.5-6,一次 6 小時的 7B LoRA 訓練折合 NT$500-1,500,單看很便宜。但實務上一個案子會迭代數十次,加上資料前處理、失敗重跑與除錯占用的機時,月帳單很容易衝到 NT$40,000-80,000,而且企業資料得出境。台灣在地 GPU 主機走包月制,RTX 4090 等級月租約 NT$15,000-25,000,吃到飽迭代,資料留在台灣機房,個資法遵評估也單純得多。</p>
<p>看一個實際案例。台北一家 35 人的跨境電商,想把客服 email 草擬自動化,選了 Qwen2.5-7B-Instruct 做 QLoRA,資料是 2.3 萬筆去識別化的歷史工單。時程是:第 1-2 天環境建置與資料清理;第 3 天跑通第一輪訓練,單輪約 4 小時;第 4-10 天共迭代 11 輪,主要在調資料配比與 rank;第 11-14 天做離線評測與上線。設備就是台灣機房一台單卡 4090 主機,整個專案的硬體成本等於一個月月租 NT$18,000。上線兩個月後,客服首次回覆時間從平均 4 小時降到 18 分鐘,AI 草稿採用率 76%。同樣的迭代量若按小時租海外 H100,估 NT$35,000-60,000,還沒算個資出境評估的隱形成本。</p>
<p>這個案子有兩個值得抄的細節。資料清理占掉整個專案約六成工時:他們把 5 萬筆原始工單去重、濾掉罐頭回覆、遮罩個資後只剩 2.3 萬筆可用,但正是這一步讓效果跳上來——第一版直接拿全量原始資料訓練的模型,盲測分數比底模還差。評測做得樸素而有效:上線前用 50 題真實客服情境做人工盲測,上線後每週抽 100 封 AI 草稿人工複核,採用率與修改幅度都進儀表板,「76% 採用率」這個數字就是這樣來的,不是感覺。</p>
<p>雲端與在地的比較,還有兩筆帳常被漏掉。上傳與下載的時間成本:幾十 GB 的資料集與模型權重在跨海頻寬上來回,每次迭代多等半小時起跳,兩週的專案硬是被拖成三週。還有法遵文件成本:客戶資料要出境,法務得做傳輸影響評估與契約檢核,這些人力成本往往超過機時費本身。台灣機房把這兩筆直接歸零,這才是月租數字之外真正的差異。</p>
<p>再補一個時程上的提醒:兩週上線的前提是資料已經存在、只需要清理。如果工單還散在個人信箱、客服系統沒有匯出機制,請先花兩到四週把資料管線建起來再開案,否則 GPU 租了只能空轉。評估微調專案時,「資料在哪、誰能拿到、乾不乾淨」這三個問題,永遠比「要租哪張卡」優先。</p>

<h2>LoRA 的極限:什麼時候該誠實加碼</h2>
<p>LoRA 不是萬靈丹。三種情況它會明顯不夠力:語言或領域移轉幅度太大,例如要讓英文底模深度學會台語文書寫;需要動到模型底層能力,像長推理鏈或更換 tokenizer;以及大規模續訓與蒸餾。此時的升級路徑通常是把 rank 拉高到 128-256 並套用到更多層,再不行才解凍部分層,最後才是全參數微調。</p>
<p>順帶回答一個常見的進階問題:DPO、RLHF 這些對齊技術呢?它們解的是「在多個可行回答之間挑更好的那個」,通常接在監督式微調(SFT)之後,資料要成對的偏好標註,顯存需求與 LoRA SFT 同級或略高。多數企業案子做到 LoRA SFT 就能交付,對齊訓練留給有專職 ML 團隊的公司;至於資料量以十億 token 計的領域續訓,進場前先確認你真的有那個量級的語料,多數產業其實沒有。</p>
<p>我們給客戶的標準建議是反過來走:先用 QLoRA 花半天、幾百元機時,驗證「你的資料有沒有訊號」。有效果,八成的案子就停在 LoRA 直接上線;有效果但不夠力,才值得討論全參數與更大的 GPU 配置。從第一天就上全參數微調的團隊,多數是把預算燒在還沒驗證過的假設上。預算排序也很直觀:先花錢整資料,再花錢租卡,買卡永遠放最後。</p>
<p>給一張可以直接對照的判斷清單:資料少於 5,000 筆、任務屬於格式語氣類、預算在六位數以內——停在 LoRA;盲測顯示模型能力天花板明顯、可用資料超過 10 萬筆、團隊有專職 ML 人力——才值得進全參數。拿這五條對照你的專案,九成的情況答案已經出來了,剩下一成,先跑一輪 QLoRA 再說。</p>


<figure class="wp-block-image size-full"><img title="戰國策集團LLM 微調實戰:LoRA 和 Full Fine-tuning 差在哪?GPU 需求與成本一次算清" src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-17-points-20260714.jpg" alt="LLM 微調實戰:LoRA 和 Full Fine-tuning 差在哪?GPU 需求與成本一次算清" loading="lazy"/><figcaption>▲ LoRA vs Full FT 的選擇邏輯</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>微調專案的 GPU 需求有明顯階段性:POC 期一張 4090 就夠,放大期可能要 H100 多卡。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,機器放在台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,可以隨專案階段彈性升級。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,由顧問依你的模型規模與資料量試算配置。</p>

<h2>常見問題 FAQ</h2><h3>用 LoRA 微調 7B 模型最少需要多少顯存?</h3><p>FP16 LoRA 約需 18-24GB,一張 RTX 4090(24GB)可以執行;QLoRA 把底模量化成 4-bit 後只要 8-12GB。若序列長度超過 4K 或 batch 加大,建議直接抓 24GB 以上,搭配 gradient checkpointing 還能再省 30-50% 顯存。</p><h3>LoRA 的效果會比全參數微調差很多嗎?</h3><p>在指令跟隨、語氣風格、格式控制這類任務上,LoRA 與全參數微調的差距多在 1-3% 以內,人工盲測常分不出來。差距明顯的是深度領域移轉與新語言學習。建議先用 LoRA 驗證方向,確認有效再評估是否值得多花 5-10 倍成本上全參數。</p><h3>微調需要準備多少訓練資料?</h3><p>風格與格式類任務約 500-3,000 筆高品質樣本就有感;任務型指令微調常見 5,000-50,000 筆;全參數領域續訓以十萬筆起跳。資料品質比數量重要,1,000 筆人工校對過的乾淨樣本,效果往往勝過 3 萬筆帶雜訊的原始資料。</p><h3>7B 模型 LoRA 微調一輪要跑多久?</h3><p>以 2 萬筆、平均 1K token 的指令資料訓練 3 個 epoch 估算:RTX 4090 約 6-10 小時,H100 約 2-4 小時;QLoRA 因量化運算反而慢 10-20%。整個專案含迭代通常要跑 10-20 輪,所以包月主機會比按小時計費划算。</p><h3>該選微調還是 RAG?</h3><p>要模型「知道最新內部知識」選 RAG,知識更新即時、回答可附來源;要改變「行為與語氣」選微調。實務上七成企業案子從 RAG 起步,最成熟的架構是 RAG 管知識、LoRA 管格式語氣,兩者並用,總成本反而比硬用單一方案低。</p><h3>QLoRA 是什麼?量化會不會犧牲效果?</h3><p>QLoRA 把凍結的底模用 NF4 格式壓到 4-bit,只有 LoRA 適配層維持高精度,7B 的訓練顯存從 18-24GB 降到 8-12GB。多數公開評測顯示效果損失在 1-2% 內,對預算有限的團隊是首選起點,驗證有效後再換 FP16 LoRA 收尾即可。</p><h3>微調後模型會不會忘記原本的能力?</h3><p>會,術語叫災難性遺忘。全參數微調最嚴重,LoRA 因為凍結原權重,影響小得多。實務解法是在訓練資料混入 5-10% 通用指令資料,並在驗證集加入通用能力測項;若通用分數掉超過 3-5%,通常是學習率太高或 epoch 太多。</p><h3>一張 RTX 4090 能微調 70B 模型嗎?</h3><p>單張 24GB 不行。70B 即使用 QLoRA 也需要 42-50GB 顯存,至少要 2 張 4090 合計 48GB 搭配分片,或一張 48GB 的 L40S 勉強容納。認真做 70B 建議 2-3 張 H100 跑 FP16 LoRA,訓練速度與穩定度跟消費卡是兩個世界。</p><h3>微調專案該租 GPU 還是買卡?</h3><p>迭代期建議用租的:台灣機房 4090 主機月租約 NT$15,000-25,000,免押金、硬體故障有人處理,兩三個月專案期的總成本遠低於購置。等你有全年不間斷的訓練需求且用量穩定,再評估買斷,回本週期一般抓 12-18 個月。</p><h3>訓練資料要整理成什麼格式?</h3><p>主流是 JSONL,每行一筆,含 instruction、input、output 欄位,或 OpenAI 式的 messages 對話格式。真正花時間的是去識別化、去重與品質篩選,這部分通常占專案 40-60% 的工時,比訓練本身還重,建議一開始就排進時程。</p>"
                  ["post_title"]=>
                  string(84) "LLM 微調實戰:LoRA 和 Full Fine-tuning 差在哪?GPU 需求與成本一次算清"
                  ["post_excerpt"]=>
                  string(0) ""
                  ["post_status"]=>
                  string(7) "publish"
                  ["comment_status"]=>
                  string(6) "closed"
                  ["ping_status"]=>
                  string(6) "closed"
                  ["post_password"]=>
                  string(0) ""
                  ["post_name"]=>
                  string(23) "llm-finetuning-lora-gpu"
                  ["to_ping"]=>
                  string(0) ""
                  ["pinged"]=>
                  string(0) ""
                  ["post_modified"]=>
                  string(19) "2026-07-14 10:59:24"
                  ["post_modified_gmt"]=>
                  string(19) "2026-07-14 02:59:24"
                  ["post_content_filtered"]=>
                  string(0) ""
                  ["post_parent"]=>
                  int(0)
                  ["guid"]=>
                  string(46) "https://www.nss.com.tw/llm-finetuning-lora-gpu"
                  ["menu_order"]=>
                  int(0)
                  ["post_type"]=>
                  string(4) "post"
                  ["post_mime_type"]=>
                  string(0) ""
                  ["comment_count"]=>
                  string(1) "0"
                  ["filter"]=>
                  string(3) "raw"
                }
                [8]=>
                object(WP_Post)#36617 (24) {
                  ["ID"]=>
                  int(125223)
                  ["post_author"]=>
                  string(1) "0"
                  ["post_date"]=>
                  string(19) "2026-07-14 10:16:10"
                  ["post_date_gmt"]=>
                  string(19) "2026-07-14 02:16:10"
                  ["post_content"]=>
                  string(18062) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:浸沒式液冷伺服器是什麼?為什麼高密度 GPU 機房要把伺服器泡進液體裡?</p><p style="margin:0">浸沒式液冷伺服器就是把整台伺服器浸入不導電的介電冷卻液中散熱,分為單相(液體不沸騰,靠泵浦與對流循環帶熱)與兩相(液體在晶片表面沸騰汽化,以潛熱散熱,效率更高)兩種。液體帶熱能力遠勝空氣,單櫃可支援 30 到 100kW 以上的 GPU 高密度部署,機房 PUE 能從氣冷的 1.4-1.6 降到約 1.05-1.1,散熱電費大減,還能拆除風扇、大幅降低噪音與故障率。</p></div>
<p>走進一座傳統機房,最先感受到的是風:上千顆風扇的轟鳴、冷通道的寒意、熱通道撲面而來的熱浪。走進一座浸沒式液冷機房,卻安靜得像圖書館,伺服器整台泡在清澈的液體裡,只剩泵浦低鳴。這不是科幻場景,而是 AI 時代高密度 GPU 機房正在發生的散熱革命。這篇文章用顧問的視角,把浸沒式液冷伺服器的原理、單相與兩相的差異、PUE 電費帳本、與氣冷及冷板方案的取捨,以及台灣機房的導入現況,一次講清楚。</p><h2>當機櫃功率衝破 30kW:氣冷正在逼近物理極限</h2><p>十年前,一座標準機櫃裝滿伺服器,總功率大約 3 到 5kW,機房空調吹一吹就能應付。今天一台八卡的 AI 訓練伺服器,滿載功率就可能超過 10kW;疊四台進同一櫃,單櫃輕鬆突破 40kW。NVIDIA 新世代 GPU 平台的參考架構,單櫃功率更已規劃到 100kW 以上。業界的共識很直白:AI 機櫃的功率密度在五年內成長了一個數量級,而且還在往上爬。</p><p>麻煩在於,空氣本質上是很差的導熱介質:熱容量低、導熱係數低,要帶走同樣的熱量,需要非常大的體積流量。機房因此塞滿風扇、空調箱與冷熱通道封閉設施,整棟建築有相當比例的電力不是拿來運算,而是拿來吹風。當單櫃功率超過大約 20 到 30kW,氣冷開始捉襟見肘:風量再大,晶片熱點依舊壓不住,GPU 為了自保觸發降頻,你買來的算力就這樣悄悄打了折。風扇本身也吃電、也會壞,密度越高,這條路就越走越窄。</p><p>許多機房的第一反應是「攤開放」:一櫃只裝三分之一,把熱源稀釋。代價是機位租金與樓地板面積翻倍,叢集節點被迫拉遠,網路佈線與延遲一起惡化。如果你正在規劃 AI 訓練或高效能運算叢集,這道散熱天花板遲早會撞上;想先補齊運算架構的基礎,可參考這篇 <a href='https://www.nss.com.tw/hpc-gpu-computing-guide'>HPC 高效能運算入門指南</a>,本文則聚焦散熱這一側的解法。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-16-data-20260714.jpg" alt="浸沒式液冷伺服器是什麼?高密度 GPU 機房的散熱革命與台灣現況" loading="lazy"/><figcaption>▲ 氣冷機房 PUE 1.4-1.6;浸沒式液冷讓散熱電費大減</figcaption></figure>
<h2>浸沒式液冷伺服器是什麼?單相與兩相的差別</h2><p>浸沒式液冷(immersion cooling)的做法非常直觀:把整台伺服器泡進裝滿「不導電冷卻液」的液槽。這種液體是絕緣的介電流體,主機板、記憶體、GPU 全部浸在裡面也不會短路。液體的導熱與帶熱能力遠勝空氣,晶片的熱量直接傳給緊貼表面的液體,不必再經過散熱鰭片、風扇、空氣這一長串低效率的接力賽。</p><p>依照冷卻液是否沸騰,浸沒式分成兩條技術路線:</p><ul><li><strong>單相浸沒(single-phase)</strong>:冷卻液全程維持液態、不沸騰,靠泵浦與自然對流循環,把熱帶到熱交換器,再由水迴路送出機房。液體多為礦物油或合成碳氫流體,價格相對親民、系統簡單,是目前商用部署的主流。</li><li><strong>兩相浸沒(two-phase)</strong>:使用低沸點氟化液,液體直接在晶片表面沸騰汽化,蒸氣上升到液槽頂部的冷凝盤管,凝結後再滴回槽內形成封閉循環。汽化吸收的是潛熱,單位質量帶走的熱量遠高於單純升溫,散熱效率更高、可支撐更極端的功率密度;代價是氟化液昂貴、槽體要處理蒸氣密封,工程複雜度與成本都高一截。</li></ul><p>一個好記的比喻:單相像把發燙的鐵塊放進不斷攪拌的油鍋,靠油的流動持續帶走熱;兩相像把水灑上燒紅的鐵板,水在瞬間汽化,那一刻吸走的熱量大得多。</p><p>浸沒式還有一項常被低估的紅利:風扇全數拆除。風扇通常吃掉伺服器本身約一成電力,也是機房裡最常故障的機械零件;拆掉之後,故障點減少,震動與灰塵問題一併消失,機房從 85 分貝的轟鳴變成 60 分貝以下的低鳴,運維人員終於不必戴著耳罩巡檢。</p><p>至於大家最擔心的維護:設備要先吊出液槽、瀝液之後才能動手,液槽上方通常配有導軌或小型吊臂輔助,流程與氣冷確實不同。冷卻液本身反而不嬌貴,單相液體的使用壽命常見規劃 8 到 10 年以上,期間定期檢測黏度、含水量與酸值即可;真正的消耗是設備進出時帶走的少量液體,屬於可預估、可編列的營運成本,而不是隱藏地雷。</p><h2>PUE 是什麼?從 1.5 到 1.1 的電費帳本</h2><p>評估機房能效,業界通用的指標是 PUE(Power Usage Effectiveness,電力使用效率):機房總用電除以 IT 設備用電,數字越接近 1 越好。PUE 1.5 代表 IT 設備每用 1 度電,空調、風扇、供電損耗等非 IT 開銷還要再吃 0.5 度。</p><p>傳統氣冷資料中心的 PUE 多落在 1.4 到 1.6;把冷熱通道封閉與氣流管理做到位,壓到 1.3 出頭已屬佳作。浸沒式液冷把散熱主力交給液體,幾乎不需要壓縮機制冷,冷卻迴路可接受 40 度上下的較高水溫,多數時間靠乾式冷卻塔就能把熱排掉,PUE 因此可壓到約 1.05 到 1.1。</p><p>帳本攤開來算最有感。假設一座 IT 負載 1,000kW 的 AI 機房:</p><ul><li>PUE 1.5:總用電 1,500kW,非 IT 耗電 500kW;</li><li>PUE 1.1:總用電 1,100kW,非 IT 耗電僅 100kW,直接砍掉八成;</li><li>兩者差距 400kW,乘上一年 8,760 小時,約省下 350 萬度電;以工業電價每度 NT$3.5 元估算,一年電費差距約 NT$1,200 萬元。</li></ul><p>還有一個行家才會注意的細節:伺服器內建風扇的用電,在 PUE 公式裡是算在 IT 設備那一側的。浸沒式把風扇整批拆掉,等於連分母裡的無效用電也一併省下,實際節能幅度比 PUE 數字表面呈現的更漂亮。省下的也不只是電費:散熱負擔變小,不斷電系統與發電機的容量需求跟著下降,同一棟建築的供電餘裕可以再塞進更多算力,這對受限於契約容量的台灣機房尤其關鍵。同樣的算力,只因散熱方式不同,一年就是千萬元等級的差距;機房規模越大、電價越高,這筆帳越驚人。</p><h2>三條散熱路線對照:氣冷、冷板、浸沒式</h2><p>液冷不是只有浸沒式一條路。另一條更漸進的路線是直接晶片液冷(Direct-to-Chip,簡稱 D2C,俗稱冷板式):在 GPU、CPU 等主要發熱晶片上鎖一塊內部有水道的冷板(cold plate),冷卻液只流經冷板、不接觸其他零件,其餘元件仍靠風扇散熱。D2C 對機房的改造幅度較小,拉水路、加裝冷卻液分配單元(CDU)後即可沿用現有機櫃型態,因此成為多數大型資料中心導入液冷的第一步。</p><p>浸沒式則是最徹底的方案:散熱效果最好、密度上限最高,但機房要改成液槽型態、樓板承重要重新計算、冷卻液要採購與管理、維運流程也得重新訓練。三條路線的取捨,一張表看得最清楚:</p><table><tr><th>比較項目</th><th>傳統氣冷</th><th>直接晶片液冷(D2C 冷板)</th><th>浸沒式液冷</th></tr><tr><td>典型 PUE</td><td>約 1.4-1.6</td><td>約 1.15-1.3</td><td>約 1.05-1.1</td></tr><tr><td>可支援單櫃功率</td><td>常見 10-20kW,優化後約 30kW 接近極限</td><td>約 50-100kW</td><td>100kW 以上,兩相潛力更高</td></tr><tr><td>導入成本</td><td>低,沿用既有設施</td><td>中,需水路管線與 CDU</td><td>高,需液槽、冷卻液與機房改造</td></tr><tr><td>維護難度</td><td>低,人員最熟悉</td><td>中,需管理接頭與防漏</td><td>較高,設備進出需吊掛與瀝液</td></tr><tr><td>噪音與風扇</td><td>風扇多、噪音大</td><td>風扇減少</td><td>幾乎無風扇,近乎安靜</td></tr></table><p>選擇邏輯大致是:單櫃 20kW 以下、預算有限,把氣冷優化到位即可;30 到 80kW 的 AI 機櫃,D2C 冷板是目前的主流解;要一次到位支撐 100kW 級機櫃、機房空間極度受限、或對噪音與能效有硬性要求,才值得直上浸沒式。也有不少案場採混合策略:訓練叢集用液冷,儲存與網路設備留在氣冷區,各取所長。</p><h2>台灣機房為什麼開始認真看液冷?</h2><p>把場景拉回台灣,幾個在地條件讓液冷的投資報酬率比多數國家更好算。</p><ul><li><strong>電價持續走揚</strong>:台灣工業電價每度約 NT$3 到 4 元,夏月(6 到 9 月)費率更高;近年數次調漲後,大用電戶感受最深。機房是 7×24 滿載的用電大戶,PUE 每降 0.1,都直接反映在每月的電費單上。</li><li><strong>土地與空間昂貴</strong>:雙北與桃園的機房空間寸土寸金,氣冷被迫攤開放以稀釋熱源,浸沒式讓同樣算力塞進約三分之一的樓地板面積,省下的租金與土建成本相當可觀。</li><li><strong>氣候先天不利氣冷</strong>:台灣夏季室外動輒 35 度以上、相對濕度 70% 起跳,自然冷卻可用時數短,空調壓縮機幾乎整年重載;液冷迴路可接受較高水溫,盛夏也能靠乾式冷卻塔運轉,對台灣的高溫高濕特別對症。</li><li><strong>ESG 與能效法規</strong>:上市櫃公司要做碳盤查與淨零承諾,主管機關對新建大型資料中心的用電申請也訂出能效門檻,PUE 大致要壓在 1.4 以下才容易取得供電核可;氣冷達標吃力,液冷是最直接的工程解。</li></ul><p>實際動起來的不只科技巨頭:北部已有電信與雲端業者在既有機房劃出液冷專區,中南部新建的資料中心在設計階段就預留液冷管路與樓板承重;台灣的伺服器代工與散熱供應鏈(液槽、冷板、CDU、快接頭)本來就是全球要角,在地取得方案與技術支援相對容易。門檻同樣真實:冷卻液的初次填充與後續補充成本、既有機房的結構與消防改造、維運團隊的重新訓練,都是評估時必須誠實面對的項目;兩相浸沒使用的氟化液,更因主要供應商淡出市場而面臨供應與價格的雙重壓力。務實的建議是分階段走:先用一到兩座液槽驗證業務負載與維運流程,電費與故障率的數字對了,再放大規模,風險最可控。</p><h2>一個 AI 機房的決策實例:氣冷擴充撞牆之後</h2><p>一家台北的 AI 影像分析公司,2025 年接下大型智慧交通專案,需要把訓練算力擴充四倍。他們原本在北部某資料中心租用 12 櫃氣冷機位、每櫃約 8kW;新方案規劃 8 櫃 H100 等級伺服器,單櫃功率 60kW,合計 IT 負載約 480kW,而且客戶要求六個月內上線,時程壓力不小。</p><p>第一輪先評估氣冷擴充。機房方回覆:現有樓層每櫃供電與散熱上限 15kW,若維持氣冷,60kW 的設計得拆成 32 櫃低密度部署,機位租金翻倍,而且同樓層機位不足、必須跨兩個樓層,叢集網路的佈線成本與延遲都會惡化。第二輪評估列間空調加封閉通道改造:單櫃上限可拉到約 25kW,仍然不夠,且改造後 PUE 預估僅從 1.55 降到 1.35,電費改善有限。</p><p>最終拍板與機房業者合作導入單相浸沒式:8 櫃改為 6 座液槽,上線後 PUE 實測落在 1.08 到 1.12。用 PUE 1.5 對比 1.1 估算:480kW 的 IT 負載,非 IT 耗電從約 240kW 降到 48kW,一年省下約 168 萬度電,以每度 NT$3.5 元計,每年電費省下約 NT$590 萬元;加上省下的機位租金與免去的空調改造費,財務端估算整套液冷投資約 3 年半可回收。附帶的驚喜是噪音:機房從 85 分貝降到 60 分貝以下,維運同仁的評語是「終於能在機房裡好好講電話」。</p><p>這類高密度需求並不限於 AI 訓練。雲端遊戲與 VR 串流這種延遲敏感、又需要大量 GPU 併發的服務,同樣往高密度機櫃演進,可延伸閱讀 <a href='https://www.nss.com.tw/cloud-gaming-vr-gpu'>雲端遊戲與 VR 串流的 GPU 應用解析</a>。而對多數還不需要自建機房的團隊來說,直接租用散熱與電力都已打點好的 <a href='https://www.nss.com.tw/gpu/'>GPU 主機</a>,往往是更快、財務上也更輕盈的起點。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-16-points-20260714.jpg" alt="浸沒式液冷伺服器是什麼?高密度 GPU 機房的散熱革命與台灣現況" loading="lazy"/><figcaption>▲ 高密度 GPU 機房散熱革命</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2><p>看完浸沒式液冷的原理與帳本,你會發現高密度 GPU 部署的真正門檻,從來不只是買幾張卡,而是電力、散熱、機房與維運的整套工程。如果你的團隊需要的是穩定算力,而不是一座機房,把這些難題交給專業夥伴是務實的選擇。戰國策 GPU 主機部署於台灣在地機房,提供 NVIDIA H100 與 RTX 系列多種規格,月租 NT$15,000 元起,電力、散熱與網路由機房團隊打理,搭配 7×24 中文技術支援,讓你把心力留給模型與產品。詳情請見官網 <a href='https://www.nss.com.tw/gpu'>https://www.nss.com.tw/gpu</a>,或加入 LINE 帳號 @119m 洽詢,免費專線 0800-003-191。</p>

<h2>常見問題 FAQ</h2><h3>浸沒式液冷伺服器需要特製機型嗎?現有伺服器能直接泡進去嗎?</h3><p>不能直接泡。既有伺服器要先改造:拆除全部風扇、把散熱膏更換為不溶於冷卻液的介面材料、確認硬碟為密封式或改用 SSD,線材與標籤也要確認相容。多數液槽廠商提供改機服務,單台費用常見 NT$1 到 3 萬元;新採購時直接選液冷就緒機型最省事。</p><h3>單相與兩相浸沒式液冷,實務上該選哪一種?</h3><p>現階段商用主流是單相:礦物油或合成油價格較低、系統簡單、維護直觀,PUE 約 1.05 到 1.1 已能滿足絕大多數需求。兩相散熱密度更高,但氟化液每公升價格可達數千元,且主要供應商淡出、供應趨緊,多見於實驗性或極端密度場景。一般企業建議從單相入手。</p><h3>浸沒式液冷的 PUE 真的能做到 1.1 以下嗎?</h3><p>設計良好的案場可以。風扇全拆、冷卻迴路可用 40 度上下的較高水溫,多數時間靠乾式冷卻塔散熱,不依賴壓縮機制冷,業界實測常落在 1.03 到 1.1 之間。台灣高溫高濕環境下保守估 1.08 到 1.12,仍遠優於氣冷常見的 1.4 到 1.6,省電幅度依然可觀。</p><h3>冷卻液會不會損壞硬體?原廠保固怎麼辦?</h3><p>合格的介電冷卻液不導電、對金屬呈惰性,不會腐蝕電路;要留意部分塑膠、橡膠與標籤長期浸泡可能軟化,硬碟與光模組需選相容型號。保固方面,部分品牌已正式支援浸沒式,部分仍視為改裝;建議導入前要求供應商提供相容性清單與至少 3 年的材料測試報告。</p><h3>一櫃 100kW 是什麼概念?我的專案需要浸沒式嗎?</h3><p>100kW 約可容納 10 台上下的八卡 H100 等級伺服器,屬於超大規模 AI 訓練的密度。多數企業的單櫃需求落在 20 到 60kW:20kW 內優化氣冷即可,30kW 以上建議評估冷板式,超過 80kW 或空間受限再考慮浸沒式。先盤點實際功率再選散熱路線,順序不要顛倒。</p><h3>導入浸沒式液冷,機房要做哪些改造?</h3><p>重點有四項:樓板承重(滿液的液槽單座常超過 1 噸,荷重要重新計算)、水路與熱交換系統(乾冷塔或冷卻水塔)、消防與環安(冷卻液防漏與回收動線)、維運工具(吊掛設備與瀝液架)。既有機房改造工期常見 3 到 6 個月,新建案在設計期就納入的成本最低。</p><h3>浸沒式液冷會讓日常維護變得很麻煩嗎?</h3><p>是變不同,不一定變難。更換記憶體或介面卡要先吊出設備、瀝液 10 到 30 分鐘,單次作業比氣冷慢;但最大故障源風扇消失,灰塵、濕度與震動問題也沒了,業界常見回報整體硬體故障率下降三成上下。關鍵是重寫維運流程、培訓人員並備妥專用工具。</p><h3>台灣現在租得到高密度或液冷等級的 GPU 算力嗎?</h3><p>可以。台灣北中南都有資料中心建置或評估液冷專區,電信與雲端業者也陸續推出高密度機櫃方案。若不想自建,直接租用 GPU 主機是門檻最低的路:例如戰國策的 GPU 主機部署於台灣機房,月租 NT$15,000 元起,散熱與電力由機房打理,可撥免費專線 0800-003-191 詢問。</p><h3>自建液冷機房與租用 GPU 主機,成本怎麼比較?</h3><p>自建浸沒式的液槽、冷卻液、管路與機房改造,單座液槽的初期投資常見數百萬元等級,加上維運人力,適合長期滿載、規模達數十櫃的用戶,回收期約 3 到 5 年。若需求只是幾張到十幾張卡、或專案期不到 2 年,租用月付 NT$15,000 元起的方案幾乎必然更划算,還能隨時升級新卡。</p><h3>液冷對 GPU 效能與壽命有實際幫助嗎?</h3><p>有。液冷讓晶片溫度更低也更穩定,GPU 不易觸發熱降頻,長時間訓練的有效算力常比氣冷高 5% 到 10%;溫度波動小可減緩焊點疲勞,風扇震動歸零,業界普遍觀察年故障率可下降兩到三成。對 7×24 滿載的訓練叢集來說,穩定度本身就是產能。</p>"
                  ["post_title"]=>
                  string(84) "浸沒式液冷伺服器是什麼?高密度 GPU 機房的散熱革命與台灣現況"
                  ["post_excerpt"]=>
                  string(0) ""
                  ["post_status"]=>
                  string(7) "publish"
                  ["comment_status"]=>
                  string(6) "closed"
                  ["ping_status"]=>
                  string(6) "closed"
                  ["post_password"]=>
                  string(0) ""
                  ["post_name"]=>
                  string(28) "immersion-cooling-gpu-server"
                  ["to_ping"]=>
                  string(0) ""
                  ["pinged"]=>
                  string(0) ""
                  ["post_modified"]=>
                  string(19) "2026-07-14 10:58:04"
                  ["post_modified_gmt"]=>
                  string(19) "2026-07-14 02:58:04"
                  ["post_content_filtered"]=>
                  string(0) ""
                  ["post_parent"]=>
                  int(0)
                  ["guid"]=>
                  string(51) "https://www.nss.com.tw/immersion-cooling-gpu-server"
                  ["menu_order"]=>
                  int(0)
                  ["post_type"]=>
                  string(4) "post"
                  ["post_mime_type"]=>
                  string(0) ""
                  ["comment_count"]=>
                  string(1) "0"
                  ["filter"]=>
                  string(3) "raw"
                }
                [9]=>
                object(WP_Post)#36615 (24) {
                  ["ID"]=>
                  int(125222)
                  ["post_author"]=>
                  string(1) "0"
                  ["post_date"]=>
                  string(19) "2026-07-14 10:16:08"
                  ["post_date_gmt"]=>
                  string(19) "2026-07-14 02:16:08"
                  ["post_content"]=>
                  string(17645) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:GPU 與 CPU 的差異是什麼,為什麼 AI 訓練都用 GPU?</p><p style="margin:0">CPU 只有數個到數十個強大核心,擅長複雜邏輯、分支判斷與一步接一步的序列任務,像幾位十項全能的大廚;GPU 有數千到上萬個小核心,能同時對大量資料做一模一樣的簡單運算,像整條工廠流水線。AI 訓練的本質是巨量矩陣乘加,幾乎沒有分支,正好能拆給幾千個核心同時算,所以 GPU 常比 CPU 快數十倍。兩者是分工:CPU 負責指揮與邏輯,GPU 負責平行算力。</p></div>
<h2>為什麼一講到 AI,大家都在搶 GPU?</h2><p>如果你最近看過任何一則科技新聞,大概都遇過同一句話:「AI 需要大量 GPU。」奇怪的是,你的筆電裡明明有一顆不便宜的 CPU,課本還說它是電腦的大腦,為什麼一算 AI,大家卻搶著要另一種晶片?這篇文章用最白話的方式,把 GPU 與 CPU 差異一次講清楚,也順便回答另一個常被搜尋的問題:什麼是 GPU 伺服器。你不需要資工背景,只要想像過餐廳的廚房和工廠的流水線,就能看懂現代運算世界最重要的一次分工。讀完之後,下次家人問起新聞裡的 AI 晶片之亂,你可以用一頓晚餐的時間講給他們聽。</p><p>先給最短版本的答案:<strong>CPU 像幾位十項全能的大廚</strong>,人數少,但再刁鑽的菜都做得出來;<strong>GPU 像幾千名只負責一道簡單工序的作業員</strong>,單看一個人不起眼,整條線動起來的產量卻嚇死人。難的菜交給大廚,大量重複的簡單工作交給流水線,這就是兩顆晶片的分工。接下來我們把比喻拆開,看看它們在晶片層面各自對應什麼。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-15-data-20260714.jpg" alt="GPU 與 CPU 到底差在哪?用工廠流水線一次講懂平行運算【圖解】" loading="lazy"/><figcaption>▲ CPU 擅長邏輯與序列;GPU 同時對巨量資料做相同運算</figcaption></figure>
<h2>CPU:少而精的十項全能大廚</h2><p>一顆現代 CPU 通常只有數個到數十個核心:家用桌機常見 6 到 16 核,伺服器等級可以到 64 核、96 核,頂多一百出頭。但每個核心都非常強:時脈動輒 3 到 5 GHz,等於每秒數十億個節拍;核心旁邊配了層層快取(L1、L2、L3),容量從幾十 KB 到上百 MB,讓最常用的資料幾乎不用等待就能取用,延遲極低;再加上分支預測、亂序執行這類聰明機制,專門對付「充滿判斷與跳轉」的程式。</p><p>換成廚房語言:CPU 核心就是米其林等級的大廚。客人臨時改單,他當場改流程,這叫<strong>分支判斷</strong>;一道功夫菜十個步驟環環相扣,少一步都不行,這叫<strong>序列任務</strong>;煮到一半要嚐味道再決定加不加鹽,這叫<strong>邏輯控制</strong>。作業系統的排程、資料庫的交易、網站後端的商業邏輯、程式裡一層又一層的條件式,都是「下一步取決於上一步結果」的工作,天生屬於 CPU。你隨手開個網頁、切個視窗,背後就是 CPU 在毫秒之間完成成千上萬次這種判斷,這也是它被稱為電腦大腦的原因。</p><p>但大廚再神,人數就是少。假設今天的任務是把一萬顆馬鈴薯削皮,五位大廚削得再快,也贏不了五百個人同時動手。這就是 CPU 的天花板:單筆極快、延遲極低,但同一時刻能並行的工作數量有限。</p><h2>GPU:幾千人同時開工的工廠流水線</h2><p>GPU 走完全相反的路線。一張現代 GPU 塞了數千到上萬個小核心:消費級旗艦卡有超過 16,000 個 CUDA 核心,資料中心等級的 NVIDIA H100 也有上萬個運算單元。每個核心都比 CPU 核心弱:時脈多半只有 1 到 2 GHz,不擅長複雜判斷,分到的快取也小。但它的設計哲學是人海戰術:同一道指令,讓成千上萬個執行緒同時套用在不同的資料上。這個模式的正式名稱叫 <strong>SIMT(單指令、多執行緒)</strong>,更白話的說法是<strong>資料平行</strong>:資料被切成幾千份,每一份做的動作一模一樣。有趣的是,GPU 一開始只是為了畫遊戲畫面而生,直到 2007 年前後通用運算框架普及,工程師才發現這支流水線大軍拿來算科學與 AI 一樣好用,從此顯卡不再只是遊戲配件。</p><p>回到比喻,GPU 像操場上集合了幾千名學生,老師在黑板寫一題「把你手上的兩個數字相加」,哨音一響,幾千人同時算完各自那題。我們做個粗略算術:一位大廚一分鐘能完成 30 筆複雜計算,五位大廚就是每分鐘 150 筆;一名學生一分鐘只能算 5 筆簡單加法,但 3,000 名學生同時動手,每分鐘就是 15,000 筆,是大廚隊的 100 倍。這就是<strong>延遲與吞吐量</strong>的差別:問單筆多快,大廚贏;問整批多快,流水線壓倒性獲勝,而 GPU 的世界在乎的通常是整批。不過人多還得餵得飽:幾千名學生同時伸手要考卷,發卷的速度就成了關鍵,所以 GPU 都配上超寬的記憶體通道,像一條一次能開進幾十台餐車的超大走道。</p><p>巧的是,世界上有一大類重要工作,正好就是大量一模一樣的簡單計算。螢幕上幾百萬個像素的顏色要同時算出來,這是 GPU 名字的由來(圖形處理器);影像濾鏡、影片轉檔、3D 遊戲的幾何與光影,全是同類;現在最紅的 AI 更是如此:深度學習的核心是矩陣乘法,把幾十億個數字排成表格反覆做乘加,幾乎沒有分支,一張卡上萬個核心一起算,一秒可完成數十兆次浮點運算。這也是近十年<a href='https://www.nss.com.tw/hpc-gpu-computing-guide'>HPC 高效能運算</a>大量改用 GPU 加速的原因:氣象模擬、分子動力學、金融風險計算,骨子裡都是巨量數值運算。</p><h2>一張表看懂 GPU 與 CPU 差異</h2><p>把故事整理成一張球員卡,兩邊的取捨一目了然:</p><table><tr><th>項目</th><th>CPU(大廚隊)</th><th>GPU(流水線)</th></tr><tr><td>核心數量</td><td>數個到數十個,伺服器級可破百核</td><td>數千到上萬個,旗艦卡逾 16,000 個 CUDA 核心</td></tr><tr><td>單核能力</td><td>極強,會處理複雜邏輯與分支</td><td>較弱,只做簡單重複運算</td></tr><tr><td>時脈</td><td>約 3 到 5 GHz</td><td>約 1 到 2 GHz</td></tr><tr><td>快取與延遲</td><td>多層大快取,延遲極低</td><td>快取小,靠每秒數 TB 高頻寬記憶體餵資料</td></tr><tr><td>擅長任務</td><td>作業系統、資料庫、邏輯控制、序列程式</td><td>矩陣運算、影像繪圖、AI 訓練與推論</td></tr><tr><td>不擅長</td><td>巨量重複的簡單運算</td><td>分支多、步步相依、資料量小的工作</td></tr><tr><td>一句話比喻</td><td>幾位十項全能的大廚</td><td>幾千名同時算加法的學生</td></tr></table><p>要提醒的是,表格裡的弱項不是設計失誤,而是取捨。你可能會問:為什麼不造一顆又聰明、人又多的晶片?因為晶片面積與功耗是硬預算,大快取與分支預測這些聰明機制非常占地方,塞了聰明就塞不下人海。工程沒有魔法,只有取捨:CPU 把預算花在深度,GPU 把預算花在寬度,兩者從來不是誰淘汰誰,而是一組互補的分工。</p><h2>什麼是 GPU 伺服器?跟你桌機的顯卡差在哪</h2><p>講完晶片,來定義另一個主角。<strong>所謂 GPU 伺服器,就是安裝了一張以上專業級 GPU 的伺服器</strong>:在 CPU、記憶體、硬碟這些標準配備之外,再裝上 NVIDIA H100 或 RTX 專業系列這類加速卡,搭配高速記憶體、數千瓦等級的供電與強化散熱,通常放在資料中心全年無休運轉,使用者透過網路遠端連線使用,就像租了一間隨時開火的雲端廚房:你在自己的筆電上寫程式、按下執行,真正流汗的是機房裡那台機器,筆電只負責當遙控器。一台典型的 GPU 伺服器包含:</p><ul><li>運算卡:1 到 8 張專業 GPU,單張 H100 的功耗就達 700 W</li><li>顯示記憶體:資料中心卡動輒 80 GB 起跳,頻寬達每秒 2 到 3 TB,餵得飽上萬個核心</li><li>供電與散熱:數千瓦電源加上強力風道或液冷,確保全年滿載不降速</li><li>高速通道:PCIe 或 NVLink 互連,讓 CPU 與多張卡之間的資料搬運不塞車</li><li>機房環境:恆溫恆濕、不斷電系統與備援網路,這是一般辦公室給不了的</li></ul><p>對照之下,桌機消費卡通常只有 16 到 24 GB 記憶體,不支援 ECC 錯誤修正與 NVLink 高速串接,電源與散熱也不是為 7 天 24 小時滿載設計。打遊戲、學習、跑小模型,消費卡綽綽有餘;要長時間訓練大模型或對外提供服務,就是資料中心等級的主場。</p><p>這裡有個很多台灣團隊都踩過的坑。不少中小企業或個人開發者一聽到 AI 要用 GPU,第一反應是自己買顯卡,結果要嘛發現記憶體不夠、模型載不進去,要嘛專案結束後卡就閒置,利用率不到兩成。電費也很實際:台灣工業電價每度約 NT$3 到 4 元,夏季更貴,一台八卡伺服器滿載功耗可達 10 kW,一個月電費就可能落在 NT$2 到 3 萬,空調還要另計。大學實驗室也有類似難處:研究計畫經費一年常常只有幾十萬到一兩百萬元,一次砸在買卡上,兩三年後規格落伍、經費卻已用罄。所以愈來愈多台灣團隊選擇先租<a href='https://www.nss.com.tw/gpu/'>GPU 主機</a>把需求跑清楚,再決定要不要自建,風險低得多。從新竹的 IC 設計公司、台中的精密機械廠到台北的軟體新創,許多團隊的第一個 AI 專案都是這樣起步的。</p><h2>常見迷思:不是所有工作丟給 GPU 都會變快</h2><p>這是全文最重要的澄清:<strong>GPU 不是萬靈丹</strong>,它只擅長能切成大量獨立小塊的運算。三種情況用 CPU 反而更快:一、高度序列相依的任務,下一步要等上一步的答案,幾千個核心只能排隊乾等;二、分支判斷很多的程式,GPU 同一批執行緒被迫走同一條路,遇到岔路整批停擺;三、資料量太小的工作,把資料從主記憶體搬進 GPU 再搬回來的時間,比計算本身還久,得不償失。舉個例子:熬一鍋高湯要先熬骨、再過濾、然後調味,順序綁死了,找一萬個廚師來也無法把三小時縮成一秒,因為每一步都在等上一步。工程師之間有個經驗法則:程式中無法平行化的部分,決定了加速的天花板;如果有一半的工作註定要排隊,核心再多整體頂多快兩倍。</p><p>所以實務的標準答案是<strong>異質運算</strong>:CPU 當指揮官,負責讀資料、做邏輯、發號施令;GPU 當算力大隊,接手矩陣運算這類重活。像<a href='https://www.nss.com.tw/cae-simulation-gpu-guide'>CAE 工程模擬</a>就是典型例子:求解器裡的大型矩陣交給 GPU,前處理與網格邏輯仍由 CPU 掌舵。你的手機、筆電、資料中心,全都是這種混合編制。下次不確定任務該給誰,用三個問題快速判斷:</p><ul><li>這件事能切成幾千份同時做嗎?能,GPU 加分</li><li>資料量夠大嗎?大到值得搬進顯示記憶體再算,GPU 加分</li><li>過程要不斷判斷、等待前一步結果嗎?是的話,乖乖交給 CPU</li></ul><p>舉一個真實感十足的例子。去年一位剛接觸 AI 的資工系大四學生來諮詢,他想微調一個 70 億參數的開源語言模型當畢業專題,原本的計畫是花 NT$15,000 把桌機 CPU 從 8 核升級到 16 核。顧問只問了三個問題:程式大部分時間在做什麼?答案是矩陣運算;需要多少顯示記憶體?粗估就算用省記憶體的微調技巧也要 20 GB 上下,而他那張舊卡只有 8 GB;要用多久?專題期間約 3 個月。診斷立刻清楚:瓶頸在 GPU,升級 CPU 幾乎無感。兩條路擺在眼前:買一張 24 GB 的新消費卡加電源升級,一次噴掉近 NT$8 萬,專題結束後多半閒置;或租一台資料中心等級的 GPU 主機,月租 NT$15,000 元起,3 個月總花費不到 NT$5 萬,結案就退租。他選了後者,單輪訓練時間從舊卡估算的十幾天縮到 3 天上下,總預算省下超過三成,還不用煩惱夏天機殼過熱當機。這個案例的重點不是租用一定贏,而是先搞清楚瓶頸在哪,再讓每一塊錢花在刀口上;那三個問題,你也可以照抄拿去問自己的專案。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-15-points-20260714.jpg" alt="GPU 與 CPU 到底差在哪?用工廠流水線一次講懂平行運算【圖解】" loading="lazy"/><figcaption>▲ 用工廠流水線一次講懂</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2><p>看懂 GPU 與 CPU 的分工之後,下一個問題往往是:我的任務適合哪種卡、要幾張、租還是買?這時候,有一個講中文、在台灣、隨時找得到人的夥伴很重要。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種規格,主機放在台灣機房,連線延遲低、資料不出境,月租 NT$15,000 元起,搭配 7×24 中文技術支援,從選卡、環境安裝到模型上線都有工程師陪你走。歡迎到官網 <a href='https://www.nss.com.tw/gpu'>https://www.nss.com.tw/gpu</a> 查看方案,或加 LINE 帳號 @119m 線上諮詢,也可撥打免費專線 0800-003-191,讓顧問幫你判斷:你的預算,該花在大廚,還是流水線。</p>

<h2>常見問題 FAQ</h2><h3>GPU 與 CPU 差異最簡單的說法是什麼?</h3><p>CPU 是少數強者:通常只有 6 到 64 個核心,每個都很聰明,擅長邏輯判斷與一步接一步的序列工作;GPU 是人海戰術:塞進數千到上萬個小核心,同時對大量資料做一模一樣的簡單運算。所以作業系統與商業邏輯靠 CPU,矩陣運算、影像與 AI 訓練靠 GPU,兩者是分工不是取代。</p><h3>什麼是 GPU 伺服器?</h3><p>GPU 伺服器是安裝了一張以上專業級 GPU 的伺服器,例如 NVIDIA H100 或 RTX 專業卡,搭配大容量高頻寬記憶體、數千瓦等級供電與強化散熱,通常放在資料中心全天候運轉。以八卡機種為例,滿載功耗可達 10 kW,遠超過一般辦公室電力能負荷,所以多數團隊用租用方式取得。</p><h3>打電動的顯卡和 AI 用的資料中心 GPU 一樣嗎?</h3><p>架構同源但定位不同。消費卡顯示記憶體多為 16 到 24 GB,不支援 ECC 與 NVLink,設計上也不是為全年無休滿載;資料中心卡如 H100 有 80 GB 高頻寬記憶體、頻寬每秒 2 到 3 TB,可多卡高速互連,適合長時間訓練。學習階段消費卡足夠,正式服務建議用資料中心等級。</p><h3>為什麼 AI 訓練用 GPU 比 CPU 快這麼多?</h3><p>深度學習九成以上的計算是矩陣乘加,屬於大量重複、彼此獨立的簡單運算,正好能拆給 GPU 上數千到上萬個核心同時做。CPU 核心雖強,但數量通常不到 100 個,吞吐量差了好幾個數量級。同一個訓練任務,GPU 常比純 CPU 快數十倍,訓練時間可從數週縮成數天。</p><h3>是不是所有程式搬到 GPU 上都會變快?</h3><p>不是。GPU 只對可平行的大量運算有效;高度序列相依、分支判斷多、或資料量太小的任務,搬上 GPU 反而因為資料搬運與啟動成本變慢。經驗上,若程式中可平行的部分不到五成,整體加速上限連 2 倍都不到;先分析任務型態再決定,比直接砸錢買卡重要得多。</p><h3>CPU 核心數一直增加,能不能取代 GPU?</h3><p>很難。伺服器 CPU 目前頂多一百多核,GPU 單卡就有上萬個運算單元,吞吐量差距是數十倍到百倍等級;而且 GPU 搭配的高頻寬記憶體每秒可搬 2 到 3 TB 資料,是一般 CPU 記憶體頻寬的 10 倍以上。反過來,GPU 也取代不了 CPU 的邏輯控制角色,實務是兩者協同的異質運算。</p><h3>學生想入門 AI,該先買顯卡還是租 GPU 主機?</h3><p>看使用時間與規模。若只是學框架、跑小模型,一張 8 到 16 GB 的消費卡或免費雲端資源就夠;要微調數十億參數的模型、專題只有 2 到 3 個月,租用通常更划算:月租 NT$15,000 元起,三個月約 NT$4.5 萬,不必一次掏 NT$6 萬以上買卡,結束退租、零閒置成本。</p><h3>GPU 伺服器在台灣的電費大概是多少?</h3><p>台灣工業電價每度約 NT$3 到 4 元,夏季較高。以一台八卡伺服器滿載 10 kW 估算,一個月用電約 7,200 度,電費約 NT$2 到 3 萬,機房空調通常還要再多三到五成。這是自建機房最常被低估的成本;改租 GPU 主機時,電費與空調多半已包含在月租費內。</p><h3>GPU 的幾千個核心和 CPU 核心是同一種東西嗎?</h3><p>不是,別被同一個「核心」字眼騙了。CPU 核心是完整的通用處理器,有大快取與分支預測,時脈約 3 到 5 GHz,可獨立執行複雜程式;GPU 的核心是精簡的運算單元,時脈約 1 到 2 GHz,必須成群結隊、由同一道指令帶著大批資料一起跑,單獨拿出來幾乎做不了事。</p><h3>租一台 GPU 主機在台灣大概多少錢?</h3><p>依卡的等級與數量差很大。入門的 RTX 系列單卡主機月租約 NT$15,000 元起,中階專業卡月租數萬元,H100 等級單卡月租常見十幾萬元起。相比自購:一張 H100 卡價超過 NT$100 萬,還要加伺服器、機房與電費,若使用期不滿 1 年,租用幾乎都比較划算。</p>"
                  ["post_title"]=>
                  string(82) "GPU 與 CPU 到底差在哪?用工廠流水線一次講懂平行運算【圖解】"
                  ["post_excerpt"]=>
                  string(0) ""
                  ["post_status"]=>
                  string(7) "publish"
                  ["comment_status"]=>
                  string(6) "closed"
                  ["ping_status"]=>
                  string(6) "closed"
                  ["post_password"]=>
                  string(0) ""
                  ["post_name"]=>
                  string(20) "gpu-vs-cpu-explained"
                  ["to_ping"]=>
                  string(0) ""
                  ["pinged"]=>
                  string(0) ""
                  ["post_modified"]=>
                  string(19) "2026-07-14 10:57:08"
                  ["post_modified_gmt"]=>
                  string(19) "2026-07-14 02:57:08"
                  ["post_content_filtered"]=>
                  string(0) ""
                  ["post_parent"]=>
                  int(0)
                  ["guid"]=>
                  string(43) "https://www.nss.com.tw/gpu-vs-cpu-explained"
                  ["menu_order"]=>
                  int(0)
                  ["post_type"]=>
                  string(4) "post"
                  ["post_mime_type"]=>
                  string(0) ""
                  ["comment_count"]=>
                  string(1) "0"
                  ["filter"]=>
                  string(3) "raw"
                }
                [10]=>
                object(WP_Post)#36613 (24) {
                  ["ID"]=>
                  int(125221)
                  ["post_author"]=>
                  string(1) "0"
                  ["post_date"]=>
                  string(19) "2026-07-14 10:16:06"
                  ["post_date_gmt"]=>
                  string(19) "2026-07-14 02:16:06"
                  ["post_content"]=>
                  string(18333) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:雲端遊戲和 VR 串流的延遲要壓到多少毫秒才不會有感?</p><p style="margin:0">雲端遊戲從按鍵到畫面反應的總延遲壓在 100 毫秒以內即可順暢遊玩,50 毫秒以下多數玩家已感覺不出與本機差異;VR 串流更嚴苛,從轉頭到畫面更新需低於約 20 毫秒,否則容易暈眩。實務作法是三管齊下:把 GPU 放在靠近玩家的在地邊緣機房,將網路來回時間從跨海的 40 毫秒壓到 10 毫秒內;用 NVENC 硬體編碼把壓縮延遲降到毫秒級;再以 90 到 120Hz 高更新率縮短每格等待時間。</p></div>
<p>想像你在台北家裡按下手把的攻擊鍵,而真正算出那一刀畫面的顯示卡,其實在幾十公里外的機房裡。它必須在你眨一次眼的十分之一時間內,把指令收進來、畫面算出來、壓縮成影片、傳回你的螢幕。這就是雲端遊戲每秒鐘重複六十次以上的魔術,而魔術成敗只有一位評審:延遲。</p><p>人類對延遲的忍耐力,比多數工程師想像的低。實務經驗指向幾個門檻:總延遲超過 100 毫秒,玩家會覺得手感「怪怪的」;壓到 50 毫秒以下,多數人分不出雲端與本機的差別;而戴上頭盔的虛擬實境(VR)更殘酷,從你轉頭到畫面跟上若超過 20 毫秒,內耳前庭系統就會抗議,輕則出戲,重則暈眩想吐。這篇文章用顧問視角拆開整條延遲鏈:每一毫秒花在哪裡、怎麼省回來,以及為什麼對台灣團隊而言,機房位置比算力大小更關鍵。</p><h2>雲端遊戲的架構:GPU 在機房,手把在你家</h2><p>先把管線攤開。雲端遊戲的本質是「把遊戲主機搬進資料中心」:伺服器端的 GPU 即時算出遊戲畫面,再由 GPU 內建的硬體編碼器 NVENC 把每張畫面壓縮成影像串流,格式可用 H.264、HEVC 或最新的 AV1,經網路送到玩家的手機、電視或筆電;終端裝置解碼顯示,玩家的按鍵與搖桿輸入則反向回傳雲端,驅動下一張畫面。這條迴圈每秒要跑 60 到 120 次,任何一站塞車,整條線就跟著慢。</p><p>這個架構的美妙之處在於終端可以很弱:三年前的中階手機也能玩 3A 大作,因為它只負責解影片。難處則全部集中到伺服器與網路上——GPU 要算得快、編碼要壓得快、封包要跑得快,任何一環拖慢,玩家的手感就會像「隔著一層果凍出拳」。至於 GPU 為什麼天生擅長這種每秒上百張的即時算圖工作,可以參考我們寫過的 <a href='https://www.nss.com.tw/gpu-vs-cpu-explained'>GPU 與 CPU 差異解析</a>,這裡不重複展開。</p><p>值得單獨介紹的是 NVENC 這顆低調的功臣。它是獨立於算圖核心之外的專用編碼電路,工作時幾乎不佔遊戲效能,把一張 1080p 畫面壓縮成串流片段只需 1 到 5 毫秒;新一代 GPU 的 AV1 編碼,還能在同樣畫質下比 H.264 省下約三到四成頻寬。對行動網路或頻寬受限的家庭用戶,這直接決定了畫質上限與流量成本。</p><figure class="wp-block-image size-full"><img title="戰國策集團雲端遊戲與 VR 串流背後的 GPU 架構:延遲怎麼壓到人類無感?" src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-14-data-20260714.jpg" alt="雲端遊戲與 VR 串流背後的 GPU 架構:延遲怎麼壓到人類無感?" loading="lazy"/><figcaption>▲ 雲端遊戲 &lt;100ms 可順玩,50ms 以下與本機無異</figcaption></figure>
<h2>延遲預算:每一毫秒都要記帳</h2><p>顧問看延遲的方式跟財務長看預算一樣:先列科目,再逐項砍。從玩家按鍵到畫面亮起,業界稱為 click-to-photon(VR 則稱 motion-to-photon),中間至少經過八個環節。下表是一份典型的延遲帳本,中欄是常見配置的數字,右欄是各環節優化後可達的水準:</p><table><tr><th>延遲環節</th><th>一般配置(毫秒)</th><th>優化後(毫秒)</th><th>主要優化手段</th></tr><tr><td>輸入取樣與上行傳送</td><td>5-10</td><td>2-4</td><td>高輪詢率、精簡協定</td></tr><tr><td>網路來回(RTT)</td><td>30-50(跨海)</td><td>5-12(在地邊緣)</td><td>機房靠近玩家</td></tr><tr><td>伺服器排隊與調度</td><td>5-10</td><td>1-3</td><td>專屬實例、避免超賣</td></tr><tr><td>GPU 算圖</td><td>16.7(60fps)</td><td>8.3(120fps)</td><td>提高更新率</td></tr><tr><td>硬體編碼(NVENC)</td><td>5-10</td><td>1-4</td><td>低延遲模式、AV1</td></tr><tr><td>傳輸與抖動緩衝</td><td>10-20</td><td>3-6</td><td>自適應碼率、邊緣節點</td></tr><tr><td>終端解碼</td><td>4-8</td><td>2-4</td><td>硬體解碼器</td></tr><tr><td>顯示掃描輸出</td><td>8-16</td><td>4-8</td><td>高更新率螢幕</td></tr><tr><td><strong>合計</strong></td><td><strong>約 84 到 141</strong></td><td><strong>約 26 到 49</strong></td><td>環環相扣、逐項優化</td></tr></table><p>這張表講了兩件殘酷的事。第一,世界上沒有一個單獨的零件叫「延遲」,它是八筆小帳的總和,只優化其中一項的方案多半是安慰劑。第二,帳本裡最肥的科目是網路 RTT:跨海連線動輒 30 到 50 毫秒起跳,一口氣吃掉 100 毫秒預算的三分之一以上;更麻煩的是,這筆帳付給的是光在光纖裡的飛行時間,再貴的 GPU 都買不回來。</p><p>想知道自家產品的帳本長怎樣,方法比想像中平民:拿一支支援 240fps 慢動作錄影的手機,同框拍下手把與螢幕,從按鍵瞬間數到畫面反應,影格數乘以 4.17 毫秒就是總延遲。工程端再用時間戳記把每個環節拆開,先量測、再優化,順序不能反過來——沒有量測就動手優化,跟閉著眼睛減肥一樣,只是心裡舒服。</p><h2>把延遲壓到無感的四種武器</h2><p>知道錢花在哪,接下來是省錢。業界實戰中最有效的手段有四種,而且效果可以彼此疊加:</p><ul><li><strong>邊緣機房</strong>:把 GPU 搬到離玩家夠近的地方,是唯一能大砍 RTT 的方法。台灣本島內任兩點的網路來回多在 5 到 10 毫秒,跨海到東京則要 32 到 45 毫秒——選址一次做對,勝過後面所有微調。</li><li><strong>硬體編碼</strong>:開啟 NVENC 的低延遲模式、關閉 B 幀,讓編碼從「等一批畫面再壓」變成「來一張壓一張」,單張延遲可以壓進 1 到 4 毫秒。</li><li><strong>高更新率</strong>:60fps 時每張畫面間隔 16.7 毫秒,提高到 120fps 就縮成 8.3 毫秒,玩家的輸入平均少等一半時間,體感立刻變「跟手」。</li><li><strong>畫格預測與插補</strong>:用客戶端預測先畫出最可能的下一格,或在終端做畫格插補補足中間影格,遮蔽網路抖動造成的空窗。</li></ul><p>預測那一招值得多講一句,它的直覺跟棒球外野手一樣:好的外野手不是看球落地才跑,而是在擊球瞬間就預判落點。系統拿玩家最近的操作軌跡預測下一步,猜對了就白賺幾十毫秒,猜錯了再用新資料快速修正——只要修正幅度夠小,玩家幾乎察覺不到。</p><p>另一個常被忽略的敵人是抖動:平均延遲 40 毫秒但忽快忽慢的線路,體感往往比穩定的 60 毫秒更糟,因為畫面會一頓一頓地跳。解法是自適應碼率搭配小而聰明的緩衝——網路變差時先降畫質保流暢,而不是死守解析度讓畫面凍結;緩衝只留 1 到 2 格就好,每多留一格,就是預先欠下 8 到 16 毫秒的債。</p><h2>VR 串流:20 毫秒的生死線</h2><p>VR 是這門學問的極限運動,門檻直接砍到五分之一。原因藏在你的內耳:半規管感知頭部轉動幾乎零延遲,當眼睛看到的畫面落後身體感覺超過約 20 毫秒,大腦會判定「環境不對勁」,動暈症狀隨之而來——這就是許多人玩 VR 十分鐘就冒冷汗的原因。所以 VR 的 motion-to-photon 預算不是 100 毫秒,而是 20 毫秒。</p><p>預算砍到五分之一,工作量卻更大:更新率要 90 到 120Hz,每張畫面只剩 8.3 到 11.1 毫秒可算;而且要同時渲染左右兩眼,單眼解析度動輒 2K 等級,總像素量是 1080p 平面遊戲的三到四倍,對 GPU 算力與傳輸頻寬都是加倍嚴苛的考驗。下表把兩種場景的需求並排,差距一目了然:</p><table><tr><th>項目</th><th>雲端遊戲</th><th>VR 串流</th></tr><tr><td>延遲門檻</td><td>低於 100 毫秒,理想低於 50</td><td>低於約 20 毫秒</td></tr><tr><td>更新率</td><td>60 到 120fps</td><td>90 到 120Hz</td></tr><tr><td>解析度</td><td>單畫面 1080p 到 4K</td><td>雙眼各約 2K</td></tr><tr><td>GPU 負載</td><td>中到高</td><td>極高(像素量三到四倍)</td></tr><tr><td>合理部署距離</td><td>同國家或區域邊緣節點</td><td>同城市甚至同棟建築</td></tr></table><p>頻寬也要一起算:雙眼 2K、90Hz 的 VR 串流,即使用 HEVC 或 AV1 壓縮,碼率也常落在 50 到 100Mbps 等級,是 1080p 平面串流的三到五倍。這也是為什麼 VR 串流對無線環境特別挑剔,實務上會建議 Wi-Fi 6 以上或乾脆走有線回程,把不確定性留給可以控制的環節。</p><p>工程上的救命招是「先斬後奏」:頭盔端的非同步時間扭曲(ATW)拿最新的頭部姿態,把上一張畫面重新投影,讓轉頭的視覺回饋幾乎即時;雲端只需負責內容本身的更新。這一招把「轉頭暈不暈」跟「網路快不快」部分解耦,是雲端 VR 得以成立的關鍵。但它救不了跨海:台灣到美西來回約 110 到 150 毫秒,是暈眩門檻的六倍以上,物理上就不成立。</p><h2>vGPU 與 MIG:把一張卡切給多位玩家</h2><p>談完體驗,回到成本。一張資料中心等級的 GPU 對單條 1080p 串流來說太大了,整張卡服務一個玩家,像租一輛遊覽車只載一位乘客。NVIDIA 給了兩條路:vGPU 在軟體層把實體卡虛擬成多張,分配給不同虛擬機各跑各的遊戲;MIG(Multi-Instance GPU)更徹底,直接在硬體層把 H100、A100 這類卡切成最多 7 個彼此隔離的實例,算力與記憶體物理分割,一個實例出狀況也不影響鄰居。</p><p>對營運方而言,這是單位經濟學的分水嶺:同一張卡從服務 1 人變成同時服務 3 到 7 人,每條串流的攤提成本直接除以好幾倍;再搭配尖離峰調度——白天把卡撥給 AI 推論或算圖農場,晚上切回遊戲串流——一張卡的稼動率能從三成拉到七成以上。高密度部署隨之而來的散熱壓力,業界也已有成熟解法,可延伸閱讀<a href='https://www.nss.com.tw/immersion-cooling-gpu-server'>浸沒式液冷 GPU 伺服器</a>一文。切卡之前也要想清楚服務等級:試玩活動可以接受尖峰時段排隊 30 秒,訂閱制服務就不行——密度與體驗的平衡點,最好用實際玩家數據回推,而不是拍腦袋決定。</p><h2>台灣戰場:機房位置比算力更關鍵</h2><p>回到台灣。我們手上其實有兩張好牌:一是網路底子,光纖到府普及、行動網路覆蓋完整,本島內 RTT 普遍在 5 到 10 毫秒;二是社群能量,電競文化成熟、獨立遊戲開發活躍,從台北電玩展到各地 Game Jam,測試玩家與開發人才都不難找。這兩張牌對雲端遊戲與 VR 串流都是天生優勢,加上台灣玩家付費意願高、對新形態遊戲體驗接受度強,願意做在地優化的團隊,面對的是一個回報率很好的市場。</p><p>但不少團隊選基礎設施時犯同一個錯:打開海外雲的價目表比較 GPU 型號與時租,卻忘了把地理放進延遲帳本。數字很直白:台灣到東京 RTT 約 32 到 45 毫秒、到新加坡約 45 到 60 毫秒、到美國西岸約 110 到 150 毫秒。對照前面的帳本,光「跨海」這一個決定就花掉 100 毫秒預算的三到五成,之後每個環節都得勒緊褲帶;反過來,把 GPU 放進台灣在地機房,RTT 科目從 40 毫秒變 8 毫秒,白撿 30 幾毫秒,等於整個系統免費升級一輪。評估<a href='https://www.nss.com.tw/gpu/'>台灣在地的 GPU 主機方案</a>時,建議把「機房到主要玩家群的實測 RTT」列為第一個問題,規格表反而可以晚點再看。</p><p>一個實際案例:台北一個 12 人的獨立遊戲團隊,去年為了線上遊戲展檔期推出雲端試玩——玩家點開網頁就能直接玩 15 分鐘,免下載免安裝。他們做的是節奏明快的動作遊戲,內部把規格訂死:台灣玩家 click-to-photon 中位數必須低於 50 毫秒,否則手感盡失,試玩反而扣分。團隊先用東京區域的雲端 GPU 實例做原型,實測台灣玩家總延遲中位數約 92 毫秒,參數怎麼調都降不進 70;改租台灣在地機房的 RTX 等級 GPU 主機後,同一套軟體堆疊實測中位數 48 毫秒,一次達標。成本同樣有感:活動檔期兩個月,租 6 張卡、以 vGPU 每卡切 3 條 1080p 串流,同時容納 18 位玩家,總支出約 NT$25 萬;若自購同級硬體得一次投入超過 NT$120 萬,活動結束設備還會閒置。附帶一提,台灣工業電價每度約 NT$3 到 4 元、夏季更貴,自建機房的電費與空調成本常被低估,租用方案把這些全包進月費,對短期專案友善許多。</p><h2>找台灣在地的 GPU 主機夥伴</h2><p>延遲這門生意,說到底是地理與工程的乘積:算力可以用錢加購,光速沒得談判。如果你的玩家在台灣,GPU 就應該在台灣。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種規格,機器就放在台灣機房,天生把 RTT 壓到個位數毫秒;月租 NT$15,000 元起,可短租、可隨活動檔期彈性擴充,搭配 7×24 中文技術支援,從串流架構、NVENC 編碼參數到頻寬調校,都有工程師能用中文直接對話。想讓你的雲端試玩、遊戲伺服器或 VR 專案把延遲壓到玩家無感,歡迎到 <a href='https://www.nss.com.tw/gpu'>https://www.nss.com.tw/gpu</a> 了解方案,加 LINE 帳號 @119m 聊聊需求,或撥免費專線 0800-003-191,讓在地團隊陪你一起把每一毫秒省回來。</p>

<figure class="wp-block-image size-full"><img title="戰國策集團雲端遊戲與 VR 串流背後的 GPU 架構:延遲怎麼壓到人類無感?" src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-14-points-20260714.jpg" alt="雲端遊戲與 VR 串流背後的 GPU 架構:延遲怎麼壓到人類無感?" loading="lazy"/><figcaption>▲ 把延遲壓到人類無感的三招</figcaption></figure>
<h2>常見問題 FAQ</h2><h3>雲端遊戲跟一般線上遊戲的延遲有什麼不同?</h3><p>一般線上遊戲的畫面在本機算,網路只傳同步資料,延遲主要影響對戰判定;雲端遊戲連畫面都在雲端算,從按鍵、算圖、編碼到回傳全部走網路,總延遲要壓在 100 毫秒內、理想 50 毫秒以下才有好手感,對網路品質的敏感度高出一個量級。</p><h3>延遲要多低,玩家才真的感覺不出來?</h3><p>實務門檻大致是:總延遲 100 毫秒內可順暢遊玩,70 毫秒以下多數人不易察覺,50 毫秒以下幾乎與本機無異。格鬥、節奏音樂類對延遲最敏感,建議以 50 毫秒為目標;回合制與策略類寬鬆許多,120 毫秒內通常仍可接受。</p><h3>VR 為什麼要求 20 毫秒?超過會怎樣?</h3><p>內耳前庭系統感知頭部轉動幾乎零延遲,若眼前畫面落後體感超過約 20 毫秒,視覺與平衡訊號打架,就會出現冒冷汗、暈眩、噁心等動暈症狀。因此 VR 串流除了壓低網路延遲,還要靠 90 到 120Hz 高更新率與時間扭曲重投影技術補救。</p><h3>NVENC 是什麼?跟用 CPU 壓縮影片差在哪?</h3><p>NVENC 是 NVIDIA GPU 內建的專用編碼電路,獨立於算圖核心,支援 H.264、HEVC 與 AV1,壓一張 1080p 畫面約 1 到 5 毫秒,且幾乎不吃遊戲效能;CPU 軟體編碼要達到同樣畫質往往需要數十毫秒,還會佔用遊戲本身的運算資源,因此即時串流服務幾乎一律採用硬體編碼,讓 CPU 專心處理遊戲邏輯與網路封包。</p><h3>台灣玩家連海外伺服器,延遲大概多少?</h3><p>概略實測值:台灣到東京網路來回約 32 到 45 毫秒,到新加坡約 45 到 60 毫秒,到美國西岸約 110 到 150 毫秒。這還只是 RTT 一個科目,加上算圖、編碼、解碼之後,跨海方案很難把總延遲壓進 50 毫秒,想做好體驗幾乎必須在地部署。</p><h3>vGPU 和 MIG 有什麼差別?該怎麼選?</h3><p>vGPU 是軟體層虛擬化,把一張卡分時共享給多個虛擬機,密度與彈性高;MIG 是 H100、A100 等資料中心卡的硬體切分,最多切成 7 個實例,算力與記憶體物理隔離。追求串流密度與成本攤提用 vGPU,重視隔離與服務品質保證則選 MIG。</p><h3>做雲端試玩串流,需要什麼等級的 GPU?</h3><p>單條 1080p60 串流用 RTX 4000 系列等級即可,一張卡搭 vGPU 常可同時服務 2 到 4 條;要上 4K 或 120fps 則建議單卡專屬,避免多條串流互搶資源。選卡重點是新版 NVENC:支援 AV1 編碼的卡在同樣畫質下,可比 H.264 節省約 30 到 40% 頻寬,對行動網路玩家的畫質與流暢度影響非常明顯。</p><h3>自建 GPU 伺服器跟租用,哪個划算?</h3><p>短期活動或需求未明時租用明顯划算:台灣在地 GPU 主機月租約 NT$15,000 起,用多久付多久,不必養硬體與維運人力;自建一台高階 RTX 伺服器動輒 NT$20 到 40 萬,還要加上機房空間、頻寬與每度約 NT$3 到 4 元的電費。一般把 18 到 24 個月的使用期當作損益平衡參考點。</p><h3>5G 對雲端遊戲有幫助嗎?</h3><p>有,但它只解決無線最後一哩:5G 空中介面延遲可壓到 10 毫秒上下,比 4G 的 30 到 50 毫秒好很多。不過骨幹網路的距離延遲不會因 5G 消失,伺服器若在海外,總延遲照樣破 100 毫秒;5G 要搭配在地邊緣機房,價值才會真正兌現。</p><h3>一張 GPU 可以同時服務幾位玩家?</h3><p>看畫質與卡的等級:1080p60 串流下,高階 RTX 卡配 vGPU 常見切 2 到 4 條,資料中心卡用 MIG 最多切 7 個隔離實例。密度越高單位成本越低,但建議保留 20 到 30% 的效能餘裕吸收負載尖峰,否則玩家一多就開始排隊,體驗變差的代價會把省下的成本整個吃回去,得不償失。</p>"
                  ["post_title"]=>
                  string(77) "雲端遊戲與 VR 串流背後的 GPU 架構:延遲怎麼壓到人類無感?"
                  ["post_excerpt"]=>
                  string(0) ""
                  ["post_status"]=>
                  string(7) "publish"
                  ["comment_status"]=>
                  string(6) "closed"
                  ["ping_status"]=>
                  string(6) "closed"
                  ["post_password"]=>
                  string(0) ""
                  ["post_name"]=>
                  string(19) "cloud-gaming-vr-gpu"
                  ["to_ping"]=>
                  string(0) ""
                  ["pinged"]=>
                  string(0) ""
                  ["post_modified"]=>
                  string(19) "2026-07-14 11:10:45"
                  ["post_modified_gmt"]=>
                  string(19) "2026-07-14 03:10:45"
                  ["post_content_filtered"]=>
                  string(0) ""
                  ["post_parent"]=>
                  int(0)
                  ["guid"]=>
                  string(42) "https://www.nss.com.tw/cloud-gaming-vr-gpu"
                  ["menu_order"]=>
                  int(0)
                  ["post_type"]=>
                  string(4) "post"
                  ["post_mime_type"]=>
                  string(0) ""
                  ["comment_count"]=>
                  string(1) "0"
                  ["filter"]=>
                  string(3) "raw"
                }
                [11]=>
                object(WP_Post)#36594 (24) {
                  ["ID"]=>
                  int(125220)
                  ["post_author"]=>
                  string(1) "0"
                  ["post_date"]=>
                  string(19) "2026-07-14 10:16:03"
                  ["post_date_gmt"]=>
                  string(19) "2026-07-14 02:16:03"
                  ["post_content"]=>
                  string(18144) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:大學實驗室做 AI 研究,GPU 應該自購還是租用?</p><p style="margin:0">關鍵看利用率:若 GPU 長期利用率能維持 70% 以上,自購攤提三到五年通常較省;若需求集中在計畫衝刺期、時有時無,租用免前期資本支出、可列經常門核銷,總成本反而更低。以四卡伺服器約 NT$200 萬的規模試算,利用率僅三到四成時,改採租用或小自購加租用的混合模式,三年可省下數十萬元,還能在衝刺期租到 80GB 的 H100 跑大模型微調。建議先以過去 12 個月的實際使用紀錄算出利用率再決策。</p></div>
<p>七月的核定通知寄到信箱,北部某大學資工系的教授盯著清單上的設備費額度,心裡盤算的不是要買哪一張卡,而是三年後這台機器還值多少錢、學生畢業後誰來管它。這幾乎是每一位投入 AI 研究的計畫主持人都躲不掉的課題:算力要用買的,還是用租的?這個問題沒有放諸四海皆準的答案,卻有一套清楚的計算框架——VRAM 需求、利用率、電費、折舊、經費科目,一項一項攤開來算,答案自然會浮現。本文以資深顧問的視角把這筆帳完整算一遍,並附上一份三年總持有成本(TCO)試算,供大專院校科學研究團隊在編列與執行計畫經費時參考。</p><h2>AI 研究要多少算力?先看 VRAM,再談卡數</h2><p>許多採購決策的第一個錯誤,是把算力簡化成卡的張數或每秒浮點運算次數。對 AI 研究而言,第一道門檻其實是 VRAM:它決定模型「放不放得進去」,算力才決定「跑得快不快」。訓練與推論的記憶體需求天差地遠——推論只需容納模型權重與少量啟動值,訓練卻要同時保存權重、梯度與最佳化器狀態,記憶體需求往往是推論的三到四倍以上。不少實驗室買卡時只算了推論的帳,開訓第一天就爆記憶體,這種故事每年都在校園裡上演。</p><p>具體門檻可以抓幾個錨點:7B 參數等級的語言模型,若採用 LoRA、QLoRA 這類參數高效微調方法,單張 24GB 的 RTX 4090 就能動工;13B 模型搭配 4-bit 量化也勉強可行,只是批次大小與序列長度會被壓縮。一旦要做全參數微調,7B 模型就需要 80GB 等級的 H100 或 A100,13B 以上動輒兩卡、四卡起跳,還得靠 NVLink 或高速網路把多卡串成一體。視覺大模型與擴散模型同理:研究原型可以在 24GB 上跑小解析度實驗,要重現論文等級的完整訓練排程,80GB 與多卡幾乎是標配。</p><p>換句話說,一間實驗室的算力需求天生是「兩層結構」:日常開發、除錯、小規模消融實驗,吃的是 24GB 級的卡;衝刺期的完整訓練與大模型微調,吃的是 80GB 級的多卡資源。把兩層需求硬塞進同一筆採購,正是經費浪費最常見的源頭。此外別忘了儲存與資料管線:大型資料集動輒數 TB,訓練節點與儲存之間的頻寬,常比多買一張卡更影響整體效率。至於多卡平行與分散式訓練背後的原理與規劃方法,可以參考這篇 <a href='https://www.nss.com.tw/hpc-gpu-computing-guide'>HPC 高效能運算入門指南</a>。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-13-data-20260714.jpg" alt="大專院校 AI 研究算力怎麼解?自購 vs 租用 GPU 的經費效益分析" loading="lazy"/><figcaption>▲ 長期滿載自購較省;衝刺型需求租用免前期資本支出</figcaption></figure>
<h2>自購的真實成本:發票金額只是頭期款</h2><p>自購的帳,遠不止硬體報價單上的數字。一台 4 卡伺服器從下單那一刻起,至少還有五筆成本默默起跳。</p><ul><li><strong>電力與散熱</strong>:4 卡伺服器滿載功耗約 2.5 到 3kW,加上空調負擔,實際耗電接近功耗的 1.5 到 1.8 倍。以台灣工業電價每度約 NT$3 到 4 元計、夏季費率更高,一台機器以五成負載全年運轉,電費加空調一年約 NT$6 萬到 8 萬。</li><li><strong>機房條件</strong>:穩定供電、UPS、獨立空調與門禁缺一不可。許多系所機房由舊教室改建,夏季冷房能力不足,GPU 過熱降頻甚至跳機時有所聞,停機維修期間研究進度直接歸零。</li><li><strong>維運人力</strong>:驅動與框架更新、排程管理、故障排除,多半落在博士生肩上;學生畢業、交接斷層,是實驗室機器「越用越慢、越修越怕」的常見原因。</li><li><strong>採購時程</strong>:大專院校設備採購要走規格書、招標、交機、驗收流程,從送件到真正開機常需 3 到 6 個月,對執行期只有 12 個月的年度計畫是不小的時間成本。</li><li><strong>折舊與過時</strong>:會計上設備多以 3 到 5 年攤提,但 GPU 世代約 18 到 24 個月更新一輪,新卡的 VRAM 容量與每瓦效能經常大幅躍進,三年前的旗艦卡可能連新一代模型的最低門檻都搆不著。</li></ul><p>這幾筆成本加總,三年常達硬體價格的兩到三成。保固也要留意:伺服器原廠保固常為 3 年,第 4、5 年的維修與零件成本自理,風險正好落在攤提後段。更關鍵的是風險不對稱:設備買定離手,規格就此凍結,而你的研究題目、模型規模與經費結構都還會變。</p><h2>租用的價值:把資本支出變成可調節的水龍頭</h2><p>租用的邏輯正好相反:免前期資本支出,月付即用;規格隨計畫階段調整,這個月用單卡主機開發,下個月訓練衝刺換成多卡 H100,結案就退租;電力、散熱、頻寬與硬體維運通常包含在月費內,實驗室不必自建機房,也不必指派專人顧機器。另一個常被低估的好處是「世代跟隨」:供應商會持續汰換機隊,租用者永遠用得到相對新的卡,不必背著三年前的規格做今年的題目。</p><p>對三種需求型態,租用幾乎是壓倒性划算:尖峰型,投稿前三個月火力全開、其餘時間閒置;短期型,一次性的模型重現、資料前處理或期末評測;計畫型,經費有明確起訖日,結案後不想留下資產與列管負擔。像 <a href='https://www.nss.com.tw/gpu/'>戰國策 GPU 主機租用方案</a> 這類台灣在地服務,從單卡入門機到多卡 H100 都能按月承租,對學研單位的核銷流程也相對友善。</p><p>租用的弱點同樣要攤開講:如果機器一年到頭滿載運轉,三年租金累積起來很可能超過買斷價。所以真正該問的不是「租與買哪個好」,而是「你的利用率到底是多少」。</p><h2>決策分水嶺:利用率 70% 是那條線</h2><p>把數字攤開最有感。假設一台約 NT$200 萬的 4 卡伺服器以 4 年攤提,每年折舊 NT$50 萬,加上電費約 NT$7 萬、維運雜支約 NT$6 萬,一年固定成本約 NT$63 萬,不管有沒有在用都照走。同級規格的租用月費若為 NT$9 萬,租滿 7 個月就與自購年成本打平,換算利用率約六成;再把資金成本、殘值與長租折扣一併納入,交叉點通常落在利用率 70% 到 80% 之間。長期站在這條線之上,自購的每小時算力成本較低;若使用型態是衝刺兩個月、閒置四個月,平均利用率掉到三、四成,租用會明顯便宜,因為閒置的月份一毛錢都不用付。</p><p>要誠實面對的正是利用率。多數實驗室都高估自己的使用強度:課程週期、審查週期、寒暑假與學生畢業潮,都會讓機器空轉。建議把過去 12 個月的 nvidia-smi 紀錄或排程系統報表撈出來實算一次;不少院級算力中心公布的使用率報表也顯示,「感覺一直在用」與「實際佔用」之間常有兩三成的落差。</p><p>若利用率不上不下,卡在五到六成,還有一個中間解:多實驗室合購分攤。帳面利用率確實拉得高,但排程衝突、優先權與維運責任的分攤,往往比想像中難談;真要走這條路,建議一開始就白紙黑字訂好使用規範與費用分攤辦法,否則省下的錢會用人情償還。</p><table><tr><th>比較項目</th><th>自購 GPU 伺服器</th><th>租用 GPU 主機</th></tr><tr><td>前期成本</td><td>數十萬到數百萬元資本支出</td><td>趨近於零,月付制</td></tr><tr><td>經費科目</td><td>多列資本門,需財產列管</td><td>多可列經常門,核銷較彈性</td></tr><tr><td>擴充彈性</td><td>規格買定離手,擴充需重新採購</td><td>可隨計畫階段升降規格</td></tr><tr><td>維運負擔</td><td>電力、散熱、人力全數自理</td><td>多由供應商含在月費內</td></tr><tr><td>折舊與過時</td><td>3 到 5 年攤提,過時風險自負</td><td>無折舊,可隨時換用新世代卡</td></tr><tr><td>適用情境</td><td>長期利用率 70% 以上的穩定負載</td><td>尖峰、短期、計畫型需求</td></tr></table><h2>台灣學研經費的眉角:資本門、經常門與國網中心</h2><p>在台灣,國科會(NSTC)研究計畫經費分為資本門與經常門兩個口袋,中間隔著一道不容易跨越的牆。自購 GPU 伺服器屬於大型設備,多列在資本門:申請階段就要寫入設備清單、金額經審查核定,購入後納入學校財產列管,移轉與報廢都有程序要走。萬一執行到一半才發現規格買錯或需求改變,追加與變更曠日廢時,經常緩不濟急。</p><p>租用服務則多可列在經常門(業務費)項下,比照雲端資源使用費、資訊服務費按月或按期核銷,計畫中途調整規模的彈性大得多;對設備費被核刪、或經費結構偏經常門的大專院校科學研究計畫而言,租用往往是唯一能即時取得算力的路徑。另外提醒:多數學校對計畫經費收取管理費,資本門設備在計畫結束後歸屬學校財產;若實驗室空間本就吃緊,再擺進一台滿載近三千瓦的發熱設備,電力與空調改造費也得先評估。</p><p>還有一條路是國網中心(NCHC)的補助型運算資源:對學研計畫收費遠低於市價,台灣杉等系統也提供大規模 GPU 算力,但採申請審查制,從送件到核配需要時間,熱門 GPU 資源在計畫季常要排隊。務實的組合是把國網當基載、商用租用當尖峰調節,兩邊並用、互補短長。生醫領域如何用這套組合支撐基因體與蛋白質結構運算,可延伸閱讀 <a href='https://www.nss.com.tw/life-science-gpu-computing'>生命科學 GPU 運算實務</a>。</p><h2>案例試算:一筆三年期計畫的 TCO 決策</h2><p>回到開頭那位教授。他主持的自然語言處理實驗室在 2025 年拿到一筆三年期計畫,可投入算力的總預算約 NT$300 萬,眼前兩個方案:方案 A 全自購,採購一台 4 卡 48GB 等級的 GPU 伺服器,報價約 NT$200 萬,系辦提醒他招標加交期至少 12 週;方案 B 混合配置,先自購一台約 NT$35 萬的雙卡 24GB 工作站,供日常開發與 LoRA 微調,訓練衝刺期再承租多卡 H100 主機。</p><p>試算假設如下:工業電價以每度 NT$3.5 元計、空調加成 1.6 倍;方案 A 伺服器滿載約 3kW;H100 等級租用主機每月 NT$8 萬到 10 萬,每年衝刺約 5 個月。最關鍵的變數是利用率:實驗室把過去兩年的排程紀錄撈出來,平均利用率只有約 35%,尖峰全數集中在兩次投稿截止前的三個月。</p><table><tr><th>成本項目</th><th>方案 A:全自購 4 卡</th><th>方案 B:小自購加租用</th></tr><tr><td>前期資本支出</td><td>約 NT$200 萬</td><td>約 NT$35 萬</td></tr><tr><td>三年電費與空調</td><td>約 NT$15 萬到 20 萬</td><td>約 NT$5 萬</td></tr><tr><td>三年維運人力</td><td>約 NT$15 萬到 20 萬</td><td>趨近於零,租用含維運</td></tr><tr><td>三年租用支出</td><td>0</td><td>約 NT$120 萬到 150 萬</td></tr><tr><td>三年總成本</td><td>約 NT$230 萬到 240 萬</td><td>約 NT$160 萬到 190 萬</td></tr><tr><td>尖峰算力上限</td><td>固定 4 卡 48GB</td><td>可承租 8 卡 H100 80GB</td></tr></table><p>在 35% 的真實利用率下,方案 B 三年省下約 NT$50 萬到 70 萬,而且衝刺期能租到 80GB 的 H100 執行全參數微調——這是方案 A 的 48GB 卡做不到的事。省下來的錢,教授加聘了一名專任助理,論文產出反而更快。反過來說,如果這是一間常年跑滿的服務型算力中心,利用率穩定站上 80%,同一張試算表就會反轉,自購攤提到第三年開始回本。數字不會騙人,前提是誠實輸入自己的利用率、電價與折舊假設。</p><p>還要提醒一件事:這張表不是簽了就永遠有效。試算結果對「每年承租月數」相當敏感——若衝刺期從 5 個月拉長到 7、8 個月,兩個方案的成本曲線就會開始交叉,屆時應重啟自購評估;反之,若計畫中途追加了 80GB 以上的模型需求,自購方案得整台換新,租用只需要改一張訂單。把 TCO 表當成活文件,每年隨電價、卡價與研究路線滾動更新,才能真正把經費效益握在手上。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-13-points-20260714.jpg" alt="大專院校 AI 研究算力怎麼解?自購 vs 租用 GPU 的經費效益分析" loading="lazy"/><figcaption>▲ 自購 vs 租用的經費效益</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2><p>把利用率與經費科目算清楚之後,若答案指向租用或混合配置,下一步就是找一個懂學研生態的供應商。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種規格,台灣機房在地服務,延遲低、研究資料不出境,月租 NT$15,000 元起,並提供 7×24 中文技術支援,從計畫申請階段的規格建議、TCO 試算到核銷單據都能配合學研流程。歡迎造訪 <a href='https://www.nss.com.tw/gpu'>https://www.nss.com.tw/gpu</a>,或加入 LINE 帳號 @119m、撥打免費專線 0800-003-191,讓顧問陪你把三年的算力帳一次算清楚。</p>

<h2>常見問題 FAQ</h2><h3>用 LoRA 微調大型語言模型,24GB 的顯示卡夠嗎?</h3><p>多數場景夠用。7B 參數模型以 LoRA 或 QLoRA 微調,單張 24GB 的 RTX 4090 即可執行;13B 模型搭配 4-bit 量化也能進行,但批次大小與序列長度會受限。若目標是全參數微調或 13B 以上模型的完整訓練,建議直接規劃 80GB 等級的 H100 或多卡方案,省下反覆碰壁的時間。</p><h3>全參數微調一個 7B 模型,需要什麼等級的 GPU?</h3><p>全參數微調要同時保存權重、梯度與最佳化器狀態,記憶體需求約為推論的 3 到 4 倍,實務上 7B 模型需要 80GB 等級的 H100 或 A100,並常搭配記憶體分攤技術;13B 以上通常 2 到 4 卡起跳。預算有限時,先用參數高效微調驗證研究想法,確認方向再投入多卡資源最划算。</p><h3>自購一台 4 卡 GPU 伺服器,每年隱藏成本大約多少?</h3><p>以滿載功耗約 3kW、台灣工業電價每度 NT$3 到 4 元、空調加成 1.5 到 1.8 倍估算,五成負載下一年電費約 NT$6 萬到 8 萬;再加上維運人力與備品零件,一年隱藏成本常落在 NT$10 萬到 15 萬。三年累積可達硬體價格的兩到三成,編列計畫預算時務必一併計入。</p><h3>GPU 設備的折舊年限應該抓幾年?</h3><p>會計攤提多採 3 到 5 年,但 GPU 的技術壽命更短:產品世代約 18 到 24 個月更新一輪,新卡的 VRAM 容量與每瓦效能經常大幅躍進。務實建議以 3 年作為決策基準,三年後殘值常只剩兩到三成;若研究題目變動快,應把過時風險折算進總持有成本,或改用租用來迴避。</p><h3>利用率要多高,自購 GPU 才划算?</h3><p>經驗法則是長期平均利用率站上 70% 到 80% 再考慮自購。自購的折舊、電費與維運屬固定支出,機器閒置成本照走;租用則用多少付多少。建議先撈過去 12 個月的排程或 nvidia-smi 紀錄實際計算,多數實驗室的真實利用率僅 30% 到 50%,比自我感覺低得多。</p><h3>國科會計畫經費可以核銷 GPU 租用費用嗎?</h3><p>多數情況可以。GPU 租用屬服務性支出,通常列在經常門(業務費)項下核銷,比照雲端資源使用費處理,不需財產列管;自購設備一般以單價 NT$1 萬元以上、使用年限 2 年以上者列資本門,要事先編列、經審查核定並納入財產列管。各校主計室認定略有差異,建議編列前先確認一次。</p><h3>國網中心的算力資源便宜,為什麼還要租商用主機?</h3><p>國網中心對學研計畫的補助費率確實遠低於市價,但採申請審查制,從送件到核配常需數週,熱門 GPU 資源在計畫季還要排隊。務實作法是雙軌並行:可預期的長期工作放國網,投稿截止前 1 到 3 個月的衝刺改用商用租用即開即用,避免研究死線卡在排隊上。</p><h3>4 張 RTX 4090 和 1 張 H100,研究用途該怎麼選?</h3><p>先看模型放不放得進單卡。RTX 4090 單卡 24GB,四張合計 96GB,但跨卡頻寬遠低於 H100 的 NVLink,大模型全參數訓練效率吃虧;H100 單卡 80GB,能直接容納 7B 級全參數微調。要平行跑多個小模型實驗選多張 4090,要訓練大模型選 H100,兩種需求都有就考慮租用彈性切換。</p><h3>研究資料放在租用的 GPU 主機上,安全與法規可行嗎?</h3><p>選擇台灣在地機房可大幅降低疑慮:資料不出境,較能符合計畫與研究倫理審查對敏感資料的要求,連線延遲也僅數毫秒。簽約時確認四件事:資料落地位置、備份與銷毀機制、是否為獨享主機、存取紀錄能否留存 1 年以上;涉及個資時再加上傳輸與靜態加密。</p><h3>租用 GPU 主機每個月大概要多少錢?</h3><p>台灣市場的入門級 GPU 主機月租約 NT$15,000 元起,適合開發與推論;48GB 等級專業卡主機約數萬元;多卡 H100 等級依規格與租期,每月約 NT$8 萬到數十萬元。多數供應商租期越長單價越低,計畫型需求可用 3 到 6 個月的短租控制總支出。</p>"
                  ["post_title"]=>
                  string(80) "大專院校 AI 研究算力怎麼解?自購 vs 租用 GPU 的經費效益分析"
                  ["post_excerpt"]=>
                  string(0) ""
                  ["post_status"]=>
                  string(7) "publish"
                  ["comment_status"]=>
                  string(6) "closed"
                  ["ping_status"]=>
                  string(6) "closed"
                  ["post_password"]=>
                  string(0) ""
                  ["post_name"]=>
                  string(26) "university-ai-research-gpu"
                  ["to_ping"]=>
                  string(0) ""
                  ["pinged"]=>
                  string(0) ""
                  ["post_modified"]=>
                  string(19) "2026-07-14 10:55:11"
                  ["post_modified_gmt"]=>
                  string(19) "2026-07-14 02:55:11"
                  ["post_content_filtered"]=>
                  string(0) ""
                  ["post_parent"]=>
                  int(0)
                  ["guid"]=>
                  string(49) "https://www.nss.com.tw/university-ai-research-gpu"
                  ["menu_order"]=>
                  int(0)
                  ["post_type"]=>
                  string(4) "post"
                  ["post_mime_type"]=>
                  string(0) ""
                  ["comment_count"]=>
                  string(1) "0"
                  ["filter"]=>
                  string(3) "raw"
                }
              }
              ["post_count"]=>
              int(12)
              ["current_post"]=>
              int(-1)
              ["before_loop"]=>
              bool(true)
              ["in_the_loop"]=>
              bool(false)
              ["post"]=>
              object(WP_Post)#36597 (24) {
                ["ID"]=>
                int(125232)
                ["post_author"]=>
                string(1) "0"
                ["post_date"]=>
                string(19) "2026-07-14 10:21:11"
                ["post_date_gmt"]=>
                string(19) "2026-07-14 02:21:11"
                ["post_content"]=>
                string(16299) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:AI 模型訓練和推理的 GPU 需求差在哪裡?</p><p style="margin:0">訓練要同時保存權重、梯度、優化器狀態與激活值,顯存約權重的 8-10 倍:7B 全參數訓練要 110-140GB,還吃多卡互連,是 H100 的主場。推理只需權重加 KV cache:同個 7B 模型 FP16 只要 14-16GB,一張 RTX 4090 可服務,INT4 量化再省一半。搞混兩者最浪費預算。</p></div>
<p>「我們要導入 AI,該租什麼 GPU?」這個問題沒辦法直接回答,因為它少了一個關鍵前提:你要跑的是訓練,還是推理?這兩種工作負載對硬體的要求差異之大,大到同一筆預算可能差出十倍的效果。把推理的需求拿去租訓練級的 8 卡 H100,是把錢丟進水裡;拿一張消費卡硬跑全參數訓練,是把時間丟進水裡。這篇文章把兩種負載的本質差異、顯存計算方式、硬體選型邏輯一次講清楚,最後給出讓同一批 GPU 發揮兩倍價值的混合策略。不需要 ML 背景,看得懂乘法就能跟著算完每一筆帳。</p>

<h2>本質差異:一個在學習,一個在服務</h2>
<p>訓練是讓模型「學會」:資料前向傳播算出預測,跟標準答案比對出誤差,再反向傳播計算每個參數的梯度,由優化器更新權重——這個迴圈重複數萬到數百萬步。推理是讓模型「工作」:只有前向傳播,權重完全不動,吃進 prompt、吐出 token,一次一步。</p>
<p>這個差異決定了一切。訓練是吞吐導向的批次作業:在乎「多久跑完一輪」,可以中斷續跑,對延遲無感,但要為梯度與優化器狀態付出巨額顯存,多卡之間還要頻繁同步。推理是延遲導向的線上服務:在乎「使用者等多久」,全年無休不能斷,顯存需求小得多,但要面對併發起伏與尖峰。用一句話記:訓練買的是算力與互連,推理買的是顯存容量與穩定服務。</p>
<p>營運節奏的差異同樣關鍵:訓練是「專案」,有開始有結束,排程可以彈性挪動,失敗的代價是重跑;推理是「營運」,有 SLA、有使用者體驗、半夜掛掉要有人爬起來處理,失敗的代價是商譽。這決定了兩者連租賃形態都不同——訓練適合短租衝刺,用完即退;推理適合長租加備援設計。把這兩種節奏塞進同一台機器、同一張預算表,就是多數 GPU 規劃失敗的起點。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-24-data-20260714.jpg" alt="AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯" loading="lazy"/><figcaption>▲ 7B 全參數訓練 110-140GB;推理 FP16 只要 14-16GB</figcaption></figure>
<h2>顯存帳怎麼算:8-10 倍的差距從哪來</h2>
<p>同一個 7B 模型,為什麼訓練要 110-140GB、推理只要 14-16GB?把顯存內容攤開就懂。訓練時,卡上要同時放四樣:FP16 權重(每參數 2 bytes,7B 約 14GB)、梯度(再 2 bytes)、AdamW 優化器狀態(FP32 動量與變異數,8 bytes,約 56GB)、外加隨 batch 與序列長度成長的激活值。合計每參數約 16-20 bytes,是純權重的 8-10 倍。</p>
<p>推理時,卡上只有 FP16 權重(14GB)加 KV cache(隨併發與 context 成長,單人使用約 1-2GB)。而且推理還有訓練沒有的省錢大招:INT4 量化把權重壓到四分之一,7B 從 14GB 縮到 5-6GB,品質損失多在 1-3% 內。這就是為什麼 LoRA 這類參數高效微調這麼受歡迎——它凍結原模型、只訓練低秩適配層,把「訓練帳」的梯度與優化器項目縮到趨近推理等級,7B 的 LoRA 訓練只要 18-24GB,詳細做法見 <a href="https://www.nss.com.tw/llm-finetuning-lora-gpu">LLM 微調實戰</a>。</p>
<p>推理端還有一個跟訓練相反的槓桿:批次。訓練的 batch 是為了學習效率,推理的 batching 則是把多個使用者的請求交錯塞進同一次運算,GPU 使用率從 20-30% 拉到 80% 以上,單卡吞吐翻好幾倍——代價是個別請求的延遲略升。這也是為什麼生產環境一定要用支援 continuous batching 的推論引擎:同樣的硬體、同樣的模型,服務容量差 5-10 倍,等於直接把月租除以五。</p>
<p>拿 7B 走一遍完整算式,你就再也不會忘記這個差距:權重 7B 參數乘 2 bytes 等於 14GB;訓練再加梯度 14GB、優化器狀態 56GB、激活值 10-50GB(隨 batch 與序列長度),合計 94-134GB。推理則是 14GB 權重加 KV cache——單人對話 1-2GB、20 路併發 10-20GB,合計 15-35GB。同一個模型,兩張預算表差出一個數量級;而且推理還能用 INT4 把權重壓到 5-6GB,訓練卻必須維持高精度,差距進一步拉大。</p>

<h2>硬體選型:兩種負載看的規格完全不同</h2>
<p>訓練機的三個關鍵規格:HBM 顯存頻寬(反向傳播是頻寬飢渴型運算)、卡間互連(NVLink 900GB/s 對上 PCIe 的 64GB/s,多卡訓練差距立現)、以及 ECC 記憶體與散熱穩定性(一輪訓練跑七天,第六天當機等於重來)。這些正是 H100 這類資料中心卡貴的理由,錢花在你看不到但訓練跑不掉的地方。</p>
<p>推理機的邏輯不同:單卡顯存容量決定放得下多大的模型,每 token 成本決定毛利,而消費級的 RTX 4090 在這兩項的性價比極高——這也是它成為推理神卡的原因。多卡互連對推理重要性低(除非模型大到必須跨卡切分),反而是多開副本做負載均衡更實際。一個常見的錯誤採購:為了「以後可能要訓練」而全上 H100,結果 90% 的時間在跑 7B 推理,單位成本是 4090 方案的三四倍。</p>
<p>那推理什麼時候輪到 H100?三種情況:模型大到單卡裝不下且要 FP16 品質(70B 以上)、長 context 場景讓 KV cache 動輒數十 GB、或高併發對外服務需要單點高吞吐。多卡策略也跟訓練相反:訓練的多卡是「合力算一件事」,要 NVLink 緊耦合;推理的多卡多數時候是「各自服務、負載均衡」,兩台單卡主機常常比一台雙卡主機更好用——還順便有了備援。</p>
<p>穩定性的要求也值得一提:訓練跑七天,中途壞卡靠檢查點續命;推理是全年無休,看的是故障率與換修速度。租用方案在這裡有隱形價值——硬體故障是主機商的問題,備品與換機時間寫在合約裡,比自購機器壞了現找料件安心得多。</p>
<p>功耗與散熱同樣是選型的一部分:一張 4090 滿載約 450W,8 卡 H100 主機整機動輒上萬瓦,電力與空調是機房等級的需求,這也是「把訓練機放辦公室角落」幾乎都以跳電或過熱降頻收場的原因。租用台灣機房的主機,電費、散熱、UPS、消防都包在月租裡;把這些隱形成本攤回自建方案上比較,帳面月租其實比看起來便宜。</p>

<h2>對照表:同一個模型,兩種負載的配置</h2>
<table>
<thead><tr><th>模型規模</th><th>全參數訓練</th><th>LoRA 微調</th><th>FP16 推理</th><th>INT4 推理</th></tr></thead>
<tbody>
<tr><td>7B</td><td>110-140GB,2×H100</td><td>18-24GB,1×4090</td><td>14-16GB,1×4090</td><td>5-6GB,入門卡可跑</td></tr>
<tr><td>32B</td><td>500GB 上下,8×H100</td><td>75-95GB,2×H100</td><td>64-70GB,1×H100</td><td>18-20GB,1×4090</td></tr>
<tr><td>70B</td><td>700GB 以上,多節點</td><td>150-190GB,3×H100</td><td>140-150GB,2×H100</td><td>40-45GB,2×4090</td></tr>
</tbody>
</table>
<p>讀表的方式:橫著看是同一個模型從開發到上線的資源演變,直著看是你的預算能支撐的規模上限。多數企業的實際旅程是「租 H100 做一段時間的微調,上線後換成 4090 級推理機長期服務」——兩個階段、兩種規格、兩張報價單,合在一起才是專案的真實成本。</p>
<p>對照表也順便解釋了市場上一個常見的價格困惑:為什麼 H100 主機月租是 4090 的好幾倍,大家還是搶著租?因為它們根本不在同一個市場——H100 賣的是訓練與大模型推理的「能力」,4090 賣的是中小模型推理的「性價比」。拿 4090 的價格去砍 H100 的規格,或拿 H100 的規格去要求 4090 的價格,都是在浪費彼此的時間;先分清楚負載,報價單自然就看得懂了。</p>

<h2>台灣案例:電子廠把同一筆預算用出兩倍效果</h2>
<p>桃園一家電子組裝廠導入 AOI 瑕疵檢測的視覺模型加上產線知識問答的 LLM,最初的規劃是租一台 4×H100 主機包辦所有工作,月租七位數邊緣,財務直接退件。顧問重排後的架構:訓練需求(每月一次的瑕疵模型重訓、每季一次的 LLM 微調)改成短租 H100 主機,每次 3-5 天、月均成本約 NT$40,000-60,000;推理需求(產線 24 小時的即時檢測加辦公室的知識問答)交給兩台雙 4090 主機,月租合計約 NT$70,000。</p>
<p>結果是總月成本從原規劃砍掉超過一半,推理服務的 p95 延遲反而更好,因為推理機可以按產線位置就近部署、多副本分流。訓練短租的另一個好處是規格自由:下一季想試 32B 模型的微調,直接改租更大的配置,不用被自有硬體綁死。資料面也乾淨——檢測影像涉及客戶產品外觀,全程留在台灣機房,滿足客戶稽核的資料在地要求。</p>
<p>數字攤開更有說服力:原方案 4×H100 全年月租估 NT$180 萬年支出;新架構是訓練短租年約 NT$55-70 萬,加推理雙機年約 NT$84 萬,合計省下約四成,而且推理機的 p95 延遲從共用時代的不穩定,變成穩定壓在 0.8 秒內。財務長最買單的一句話是:「訓練的錢花在有訓練的月份,推理的錢才是固定成本。」預算結構跟著負載走,審預算的人也看得懂。</p>

<h2>混合策略:讓 GPU 不再有下班時間</h2>
<p>訓練與推理分開配置之後,還有一層進階玩法:時間分割。推理有明顯的日夜週期,辦公型應用晚上十點後使用率常掉到 10% 以下,這段時間正好拿來跑訓練:夜間排程啟動 LoRA 微調或資料處理,清晨完成後釋放顯存回到推理服務。一張 24GB 的卡,白天服務 10-20 路併發的問答,晚上跑 7B 的 QLoRA 迭代,等於一份月租買兩份產能。</p>
<p>落地這套策略的前提是服務層要俐落:推論引擎能快速卸載與重載模型、任務排程有優先權設計、監控能確認「早上八點推理服務一定回來」。這些工程細節在 <a href="https://www.nss.com.tw/ai-inference-api-hosting">AI 推論 API 自建教學</a> 有完整展開。原則只有一條:先分清楚你的每一個工作負載是訓練還是推理,再決定它該住在哪種 GPU 上、住多久。想清楚這題,GPU 預算的效率至少差一倍。</p>
<p>風險控管兩條底線要守住:混用的那張卡,推理服務的恢復要有自動檢核——訓練任務結束後服務沒起來就告警加自動重啟;訓練任務要設資源上限與最晚結束時間,寧可訓練慢一天,不要早上八點推理服務起不來。時間分割是省錢技巧,不是走鋼索,把保險機制寫好才有資格用。</p>
<p>把整篇的判斷濃縮成四個問題:這個負載是一次性專案還是長期服務?顯存需求是權重的十倍(訓練)還是一點多倍(推理)?它需要多卡緊耦合還是多副本分流?尖峰在白天還是可以排進夜間?四題答完,該租 H100 還是 4090、該短租還是長租、該一台還是兩台,答案基本上自動浮現。之後每次規劃卡關,回來把這四題重答一次,比翻任何規格表都快。</p>
<p>「先租後買」的節奏也順帶講清楚:前六個月用租的,把負載形狀量出來——尖峰、離峰、訓練頻率、顯存水位;若使用率長期在七成以上且規格已經穩定,再評估買斷或簽長約換折扣。反過來,負載還在變的階段就買硬體,等於把不確定性直接鎖進資產負債表,那是財務最不想看到的一種浪漫。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-24-points-20260714.jpg" alt="AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯" loading="lazy"/><figcaption>▲ 兩種工作負載的配置邏輯</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>訓練短租 H100、推理長租 RTX 系列,這種分離式配置需要主機商同時具備兩種產品線與彈性租期。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,訓練與推理可以分開租、隨階段調整。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問會依你的工作負載組合試算最省的架構。</p>

<h2>常見問題 FAQ</h2><h3>為什麼訓練需要的顯存是推理的近十倍?</h3><p>訓練時卡上同時放權重(FP16 每參數 2 bytes)、梯度(2 bytes)、AdamW 優化器狀態(8 bytes)與激活值,合計每參數 16-20 bytes;推理只要權重加 KV cache。7B 的對比就是 110-140GB 對 14-16GB,差距近十倍。</p><h3>RTX 4090 適合訓練還是推理?</h3><p>推理是它的主場:24GB 顯存能跑 7B FP16 或 32B INT4,每 token 成本遠低於資料中心卡。訓練方面,單卡跑 7B-14B 的 LoRA/QLoRA 沒問題,但缺 NVLink 與 ECC,多卡全參數訓練效率差、穩定性風險高,大型訓練還是交給 H100。</p><h3>H100 比 4090 貴好幾倍,貴在哪裡?</h3><p>貴在訓練需要的三樣東西:80GB HBM 高頻寬顯存(頻寬約 3.35TB/s,是 4090 GDDR6X 的 3 倍以上)、NVLink 900GB/s 卡間互連、以及 ECC 與資料中心級穩定性。若你的負載是中小模型推理,這些溢價用不到,選 RTX 系列性價比更高。</p><h3>推理的 KV cache 是什麼?會吃多少顯存?</h3><p>KV cache 是推理時暫存注意力鍵值的快取,讓模型不用重算前文,代價是顯存:依架構每路 4K token 約 0.5-2GB,與併發數、context 長度成正比。20 路併發、8K context 的服務,KV cache 可達 20-40GB,規劃時要在權重外預留 20-40% 空間。</p><h3>先租訓練機還是先租推理機?</h3><p>看專案階段。要微調自有模型:先短租訓練規格(如 H100,一次 3-7 天),模型定版後換長租推理規格(如 4090 主機月租 NT$15,000-25,000)服務使用者。直接用現成開源模型的話,跳過訓練段,從推理機開始,POC 兩週內就能上線。</p><h3>同一台主機可以白天推理、晚上訓練嗎?</h3><p>可以,而且是中小團隊最省錢的玩法。推理服務入夜後使用率常掉到 10% 以下,排程在深夜卸載推理、跑 LoRA 微調,清晨恢復服務,一張 24GB 卡等於當兩台用。前提是任務排程、模型快速重載與開機自檢都要自動化,避免早上服務沒回來。</p><h3>訓練和推理可以用同一種量化嗎?</h3><p>不行,方向相反。推理常態使用 INT8/INT4 量化,省一半以上顯存、品質損失多在 1-3%;訓練必須維持較高精度(FP16/BF16 混合精度)以保梯度品質,QLoRA 雖然把凍結底模壓到 4-bit,可訓練的適配層仍是高精度。拿 INT4 權重直接全參數訓練會學壞。</p><h3>推理服務要怎麼估需要幾張卡?</h3><p>公式:先定尖峰併發數與延遲目標,單卡容量 = 權重 + 併發×每路 KV cache + 20% 餘裕。例如 32B INT4(20GB)配 15 路併發(約 15-20GB),需 40GB 以上,即一張 48GB 卡或兩張 4090。上線後看佇列深度與 p95 延遲決定加卡時機。</p><h3>訓練短租真的比長租划算嗎?</h3><p>多數情況是。企業微調的節奏常是每月或每季一輪,每輪 3-7 天,短租 H100 的月均支出約 NT$40,000-80,000;同規格長租且大半時間閒置,月租是它的好幾倍。只有訓練排程滿到每月超過 20 天時,長租或買斷才開始划算。</p><h3>邊緣推理和機房推理怎麼選?</h3><p>延遲極敏感或斷網不可接受的場景(產線即時檢測、門店互動)放邊緣小型 GPU;需要大模型、集中管理與彈性擴充的(知識問答、文件處理)放台灣機房主機,網路往返 5ms 上下對多數應用無感。常見架構是邊緣跑小模型、機房跑大模型,各司其職。</p>"
                ["post_title"]=>
                string(85) "AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯"
                ["post_excerpt"]=>
                string(0) ""
                ["post_status"]=>
                string(7) "publish"
                ["comment_status"]=>
                string(6) "closed"
                ["ping_status"]=>
                string(6) "closed"
                ["post_password"]=>
                string(0) ""
                ["post_name"]=>
                string(28) "ai-training-vs-inference-gpu"
                ["to_ping"]=>
                string(0) ""
                ["pinged"]=>
                string(0) ""
                ["post_modified"]=>
                string(19) "2026-07-14 11:06:01"
                ["post_modified_gmt"]=>
                string(19) "2026-07-14 03:06:01"
                ["post_content_filtered"]=>
                string(0) ""
                ["post_parent"]=>
                int(0)
                ["guid"]=>
                string(51) "https://www.nss.com.tw/ai-training-vs-inference-gpu"
                ["menu_order"]=>
                int(0)
                ["post_type"]=>
                string(4) "post"
                ["post_mime_type"]=>
                string(0) ""
                ["comment_count"]=>
                string(1) "0"
                ["filter"]=>
                string(3) "raw"
              }
              ["comment_count"]=>
              int(0)
              ["current_comment"]=>
              int(-1)
              ["found_posts"]=>
              int(1669)
              ["max_num_pages"]=>
              float(140)
              ["max_num_comment_pages"]=>
              int(0)
              ["is_single"]=>
              bool(false)
              ["is_preview"]=>
              bool(false)
              ["is_page"]=>
              bool(false)
              ["is_archive"]=>
              bool(false)
              ["is_date"]=>
              bool(false)
              ["is_year"]=>
              bool(false)
              ["is_month"]=>
              bool(false)
              ["is_day"]=>
              bool(false)
              ["is_time"]=>
              bool(false)
              ["is_author"]=>
              bool(false)
              ["is_category"]=>
              bool(false)
              ["is_tag"]=>
              bool(false)
              ["is_tax"]=>
              bool(false)
              ["is_search"]=>
              bool(false)
              ["is_feed"]=>
              bool(true)
              ["is_comment_feed"]=>
              bool(false)
              ["is_trackback"]=>
              bool(false)
              ["is_home"]=>
              bool(true)
              ["is_privacy_policy"]=>
              bool(false)
              ["is_404"]=>
              bool(false)
              ["is_embed"]=>
              bool(false)
              ["is_paged"]=>
              bool(false)
              ["is_admin"]=>
              bool(false)
              ["is_attachment"]=>
              bool(false)
              ["is_singular"]=>
              bool(false)
              ["is_robots"]=>
              bool(false)
              ["is_favicon"]=>
              bool(false)
              ["is_posts_page"]=>
              bool(false)
              ["is_post_type_archive"]=>
              bool(false)
              ["query_vars_hash":"WP_Query":private]=>
              string(32) "afed949ddc44bda5a704cf3b30d61301"
              ["query_vars_changed":"WP_Query":private]=>
              bool(false)
              ["thumbnails_cached"]=>
              bool(false)
              ["allow_query_attachment_by_filename":protected]=>
              bool(false)
              ["stopwords":"WP_Query":private]=>
              NULL
              ["compat_fields":"WP_Query":private]=>
              array(2) {
                [0]=>
                string(15) "query_vars_hash"
                [1]=>
                string(18) "query_vars_changed"
              }
              ["compat_methods":"WP_Query":private]=>
              array(2) {
                [0]=>
                string(16) "init_query_flags"
                [1]=>
                string(15) "parse_tax_query"
              }
            }
          }
        }
        [9]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(565)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              object(WP_Query)#26160 (55) {
                ["query"]=>
                array(1) {
                  ["xml_sitemap"]=>
                  string(7) "params="
                }
                ["query_vars"]=>
                array(66) {
                  ["xml_sitemap"]=>
                  string(7) "params="
                  ["error"]=>
                  string(0) ""
                  ["m"]=>
                  string(0) ""
                  ["p"]=>
                  int(0)
                  ["post_parent"]=>
                  string(0) ""
                  ["subpost"]=>
                  string(0) ""
                  ["subpost_id"]=>
                  string(0) ""
                  ["attachment"]=>
                  string(0) ""
                  ["attachment_id"]=>
                  int(0)
                  ["name"]=>
                  string(0) ""
                  ["pagename"]=>
                  string(0) ""
                  ["page_id"]=>
                  int(0)
                  ["second"]=>
                  string(0) ""
                  ["minute"]=>
                  string(0) ""
                  ["hour"]=>
                  string(0) ""
                  ["day"]=>
                  int(0)
                  ["monthnum"]=>
                  int(0)
                  ["year"]=>
                  int(0)
                  ["w"]=>
                  int(0)
                  ["category_name"]=>
                  string(0) ""
                  ["tag"]=>
                  string(0) ""
                  ["cat"]=>
                  string(0) ""
                  ["tag_id"]=>
                  string(0) ""
                  ["author"]=>
                  string(0) ""
                  ["author_name"]=>
                  string(0) ""
                  ["feed"]=>
                  string(0) ""
                  ["tb"]=>
                  string(0) ""
                  ["paged"]=>
                  int(0)
                  ["meta_key"]=>
                  string(0) ""
                  ["meta_value"]=>
                  string(0) ""
                  ["preview"]=>
                  string(0) ""
                  ["s"]=>
                  string(0) ""
                  ["sentence"]=>
                  string(0) ""
                  ["title"]=>
                  string(0) ""
                  ["fields"]=>
                  string(0) ""
                  ["menu_order"]=>
                  string(0) ""
                  ["embed"]=>
                  string(0) ""
                  ["category__in"]=>
                  array(0) {
                  }
                  ["category__not_in"]=>
                  array(0) {
                  }
                  ["category__and"]=>
                  array(0) {
                  }
                  ["post__in"]=>
                  array(0) {
                  }
                  ["post__not_in"]=>
                  array(0) {
                  }
                  ["post_name__in"]=>
                  array(0) {
                  }
                  ["tag__in"]=>
                  array(0) {
                  }
                  ["tag__not_in"]=>
                  array(0) {
                  }
                  ["tag__and"]=>
                  array(0) {
                  }
                  ["tag_slug__in"]=>
                  array(0) {
                  }
                  ["tag_slug__and"]=>
                  array(0) {
                  }
                  ["post_parent__in"]=>
                  array(0) {
                  }
                  ["post_parent__not_in"]=>
                  array(0) {
                  }
                  ["author__in"]=>
                  array(0) {
                  }
                  ["author__not_in"]=>
                  array(0) {
                  }
                  ["search_columns"]=>
                  array(0) {
                  }
                  ["ignore_sticky_posts"]=>
                  bool(false)
                  ["suppress_filters"]=>
                  bool(false)
                  ["cache_results"]=>
                  bool(true)
                  ["update_post_term_cache"]=>
                  bool(true)
                  ["update_menu_item_cache"]=>
                  bool(false)
                  ["lazy_load_term_meta"]=>
                  bool(true)
                  ["update_post_meta_cache"]=>
                  bool(true)
                  ["post_type"]=>
                  string(0) ""
                  ["posts_per_page"]=>
                  int(12)
                  ["nopaging"]=>
                  bool(false)
                  ["comments_per_page"]=>
                  string(2) "50"
                  ["no_found_rows"]=>
                  bool(false)
                  ["order"]=>
                  string(4) "DESC"
                }
                ["tax_query"]=>
                object(WP_Tax_Query)#37285 (6) {
                  ["queries"]=>
                  array(0) {
                  }
                  ["relation"]=>
                  string(3) "AND"
                  ["table_aliases":protected]=>
                  array(0) {
                  }
                  ["queried_terms"]=>
                  array(0) {
                  }
                  ["primary_table"]=>
                  string(11) "tD6qv_posts"
                  ["primary_id_column"]=>
                  string(2) "ID"
                }
                ["meta_query"]=>
                object(WP_Meta_Query)#37283 (9) {
                  ["queries"]=>
                  array(0) {
                  }
                  ["relation"]=>
                  NULL
                  ["meta_table"]=>
                  NULL
                  ["meta_id_column"]=>
                  NULL
                  ["primary_table"]=>
                  NULL
                  ["primary_id_column"]=>
                  NULL
                  ["table_aliases":protected]=>
                  array(0) {
                  }
                  ["clauses":protected]=>
                  array(0) {
                  }
                  ["has_or_relation":protected]=>
                  bool(false)
                }
                ["date_query"]=>
                bool(false)
                ["queried_object"]=>
                NULL
                ["queried_object_id"]=>
                NULL
                ["request"]=>
                string(2564) "
					SELECT SQL_CALC_FOUND_ROWS  tD6qv_posts.ID
					FROM tD6qv_posts 
					WHERE 1=1  AND ((tD6qv_posts.post_type = 'post' AND (tD6qv_posts.post_status = 'publish' OR tD6qv_posts.post_status = 'acf-disabled'))) AND tD6qv_posts.ID NOT IN ( 31016, 31017, 31018, 31019, 31020, 31021, 31023, 31047, 31048, 31049, 31050, 31051, 31052, 31053, 31054, 31061, 31062, 31063, 31064, 31065, 31074, 31075, 31076, 31077, 31078, 31079, 31094, 31095, 31096, 31097, 31098, 31103, 31104, 31105, 31110, 31111, 31113, 31115, 31117, 31119, 31121, 31123, 31125, 31127, 31129, 31131, 31133, 31135, 31137, 31140, 31142, 31144, 31150, 31152, 31155, 31157, 31159, 31161, 31163, 31165, 31167, 31169, 31171, 31173, 31176, 31178, 31180, 31189, 31199, 31200, 31201, 31202, 31203, 31210, 31211, 31212, 31213, 31214, 31222, 31223, 31224, 31225, 31226, 31233, 31234, 31235, 31237, 31238, 31239, 31242, 31243, 31245, 31247, 31249, 31257, 31258, 31260, 31261, 31262, 31263, 31264, 31265, 31287, 31288, 31289, 31290, 31339, 31342, 32291, 32570, 32694, 33157, 33302, 33304, 33981, 34831, 34832, 35549, 35551, 35586, 35590, 35591, 35592, 35593, 35594, 35595, 35659, 35660, 35661, 35662, 35663, 35664, 35665, 35666, 35668, 35672, 35676, 35679, 35680, 35681, 35682, 35683, 35684, 35685, 35689, 35694, 35696, 35697, 35698, 35702, 35703, 35704, 35706, 35713, 35720, 35742, 35743, 35744, 35746, 35747, 35748, 35749, 35750, 35751, 35752, 35753, 35754, 35755, 35756, 35757, 48063, 48070, 48071, 48072, 48074, 48075, 48184, 48188, 48189, 49076, 49099, 49104, 49106, 49455, 49457, 49459, 49461, 49463, 49465, 49467, 49469, 49676, 49681, 49682, 49683, 49727, 49729, 49731, 49733, 49735, 49737, 49739, 49854, 49969, 50452, 50455, 50457, 50459, 50461, 50463, 50465, 50709, 50711, 50713, 50715, 50717, 50719, 50721, 50723, 50725, 50727, 50729, 50731, 50733, 50735, 50737, 50739, 50741, 50743, 50745, 50749, 50753, 50755, 50756, 50758, 50760, 50762, 50764, 50766, 51313, 51345, 51347, 51349, 51405, 51511, 51513, 51952, 52094, 54373, 54375, 54377, 54379, 54382, 54384, 54387, 54389, 54391, 54393, 54396, 54400, 55813, 57567, 57569, 57579, 57582, 57586, 57591, 60450, 60718, 60842, 60974, 60977, 89588, 89591, 89593, 89595, 89597, 89601, 91915, 91916, 91918, 93992, 93994, 109831, 109911, 110004, 110006, 110011, 110015, 110018, 110020, 110024, 110028, 110030, 110032, 110034, 110039, 110041, 110043, 110045, 110047, 110051, 110122, 110124, 110126, 110128, 110131, 110134, 110137, 110139, 110142, 110144, 110146, 110148 ) 
					
					ORDER BY tD6qv_posts.menu_order, tD6qv_posts.post_date DESC
					LIMIT 0, 12
				"
                ["posts"]=>
                &array(12) {
                  [0]=>
                  object(WP_Post)#36597 (24) {
                    ["ID"]=>
                    int(125232)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:21:11"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:21:11"
                    ["post_content"]=>
                    string(16299) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:AI 模型訓練和推理的 GPU 需求差在哪裡?</p><p style="margin:0">訓練要同時保存權重、梯度、優化器狀態與激活值,顯存約權重的 8-10 倍:7B 全參數訓練要 110-140GB,還吃多卡互連,是 H100 的主場。推理只需權重加 KV cache:同個 7B 模型 FP16 只要 14-16GB,一張 RTX 4090 可服務,INT4 量化再省一半。搞混兩者最浪費預算。</p></div>
<p>「我們要導入 AI,該租什麼 GPU?」這個問題沒辦法直接回答,因為它少了一個關鍵前提:你要跑的是訓練,還是推理?這兩種工作負載對硬體的要求差異之大,大到同一筆預算可能差出十倍的效果。把推理的需求拿去租訓練級的 8 卡 H100,是把錢丟進水裡;拿一張消費卡硬跑全參數訓練,是把時間丟進水裡。這篇文章把兩種負載的本質差異、顯存計算方式、硬體選型邏輯一次講清楚,最後給出讓同一批 GPU 發揮兩倍價值的混合策略。不需要 ML 背景,看得懂乘法就能跟著算完每一筆帳。</p>

<h2>本質差異:一個在學習,一個在服務</h2>
<p>訓練是讓模型「學會」:資料前向傳播算出預測,跟標準答案比對出誤差,再反向傳播計算每個參數的梯度,由優化器更新權重——這個迴圈重複數萬到數百萬步。推理是讓模型「工作」:只有前向傳播,權重完全不動,吃進 prompt、吐出 token,一次一步。</p>
<p>這個差異決定了一切。訓練是吞吐導向的批次作業:在乎「多久跑完一輪」,可以中斷續跑,對延遲無感,但要為梯度與優化器狀態付出巨額顯存,多卡之間還要頻繁同步。推理是延遲導向的線上服務:在乎「使用者等多久」,全年無休不能斷,顯存需求小得多,但要面對併發起伏與尖峰。用一句話記:訓練買的是算力與互連,推理買的是顯存容量與穩定服務。</p>
<p>營運節奏的差異同樣關鍵:訓練是「專案」,有開始有結束,排程可以彈性挪動,失敗的代價是重跑;推理是「營運」,有 SLA、有使用者體驗、半夜掛掉要有人爬起來處理,失敗的代價是商譽。這決定了兩者連租賃形態都不同——訓練適合短租衝刺,用完即退;推理適合長租加備援設計。把這兩種節奏塞進同一台機器、同一張預算表,就是多數 GPU 規劃失敗的起點。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-24-data-20260714.jpg" alt="AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯" loading="lazy"/><figcaption>▲ 7B 全參數訓練 110-140GB;推理 FP16 只要 14-16GB</figcaption></figure>
<h2>顯存帳怎麼算:8-10 倍的差距從哪來</h2>
<p>同一個 7B 模型,為什麼訓練要 110-140GB、推理只要 14-16GB?把顯存內容攤開就懂。訓練時,卡上要同時放四樣:FP16 權重(每參數 2 bytes,7B 約 14GB)、梯度(再 2 bytes)、AdamW 優化器狀態(FP32 動量與變異數,8 bytes,約 56GB)、外加隨 batch 與序列長度成長的激活值。合計每參數約 16-20 bytes,是純權重的 8-10 倍。</p>
<p>推理時,卡上只有 FP16 權重(14GB)加 KV cache(隨併發與 context 成長,單人使用約 1-2GB)。而且推理還有訓練沒有的省錢大招:INT4 量化把權重壓到四分之一,7B 從 14GB 縮到 5-6GB,品質損失多在 1-3% 內。這就是為什麼 LoRA 這類參數高效微調這麼受歡迎——它凍結原模型、只訓練低秩適配層,把「訓練帳」的梯度與優化器項目縮到趨近推理等級,7B 的 LoRA 訓練只要 18-24GB,詳細做法見 <a href="https://www.nss.com.tw/llm-finetuning-lora-gpu">LLM 微調實戰</a>。</p>
<p>推理端還有一個跟訓練相反的槓桿:批次。訓練的 batch 是為了學習效率,推理的 batching 則是把多個使用者的請求交錯塞進同一次運算,GPU 使用率從 20-30% 拉到 80% 以上,單卡吞吐翻好幾倍——代價是個別請求的延遲略升。這也是為什麼生產環境一定要用支援 continuous batching 的推論引擎:同樣的硬體、同樣的模型,服務容量差 5-10 倍,等於直接把月租除以五。</p>
<p>拿 7B 走一遍完整算式,你就再也不會忘記這個差距:權重 7B 參數乘 2 bytes 等於 14GB;訓練再加梯度 14GB、優化器狀態 56GB、激活值 10-50GB(隨 batch 與序列長度),合計 94-134GB。推理則是 14GB 權重加 KV cache——單人對話 1-2GB、20 路併發 10-20GB,合計 15-35GB。同一個模型,兩張預算表差出一個數量級;而且推理還能用 INT4 把權重壓到 5-6GB,訓練卻必須維持高精度,差距進一步拉大。</p>

<h2>硬體選型:兩種負載看的規格完全不同</h2>
<p>訓練機的三個關鍵規格:HBM 顯存頻寬(反向傳播是頻寬飢渴型運算)、卡間互連(NVLink 900GB/s 對上 PCIe 的 64GB/s,多卡訓練差距立現)、以及 ECC 記憶體與散熱穩定性(一輪訓練跑七天,第六天當機等於重來)。這些正是 H100 這類資料中心卡貴的理由,錢花在你看不到但訓練跑不掉的地方。</p>
<p>推理機的邏輯不同:單卡顯存容量決定放得下多大的模型,每 token 成本決定毛利,而消費級的 RTX 4090 在這兩項的性價比極高——這也是它成為推理神卡的原因。多卡互連對推理重要性低(除非模型大到必須跨卡切分),反而是多開副本做負載均衡更實際。一個常見的錯誤採購:為了「以後可能要訓練」而全上 H100,結果 90% 的時間在跑 7B 推理,單位成本是 4090 方案的三四倍。</p>
<p>那推理什麼時候輪到 H100?三種情況:模型大到單卡裝不下且要 FP16 品質(70B 以上)、長 context 場景讓 KV cache 動輒數十 GB、或高併發對外服務需要單點高吞吐。多卡策略也跟訓練相反:訓練的多卡是「合力算一件事」,要 NVLink 緊耦合;推理的多卡多數時候是「各自服務、負載均衡」,兩台單卡主機常常比一台雙卡主機更好用——還順便有了備援。</p>
<p>穩定性的要求也值得一提:訓練跑七天,中途壞卡靠檢查點續命;推理是全年無休,看的是故障率與換修速度。租用方案在這裡有隱形價值——硬體故障是主機商的問題,備品與換機時間寫在合約裡,比自購機器壞了現找料件安心得多。</p>
<p>功耗與散熱同樣是選型的一部分:一張 4090 滿載約 450W,8 卡 H100 主機整機動輒上萬瓦,電力與空調是機房等級的需求,這也是「把訓練機放辦公室角落」幾乎都以跳電或過熱降頻收場的原因。租用台灣機房的主機,電費、散熱、UPS、消防都包在月租裡;把這些隱形成本攤回自建方案上比較,帳面月租其實比看起來便宜。</p>

<h2>對照表:同一個模型,兩種負載的配置</h2>
<table>
<thead><tr><th>模型規模</th><th>全參數訓練</th><th>LoRA 微調</th><th>FP16 推理</th><th>INT4 推理</th></tr></thead>
<tbody>
<tr><td>7B</td><td>110-140GB,2×H100</td><td>18-24GB,1×4090</td><td>14-16GB,1×4090</td><td>5-6GB,入門卡可跑</td></tr>
<tr><td>32B</td><td>500GB 上下,8×H100</td><td>75-95GB,2×H100</td><td>64-70GB,1×H100</td><td>18-20GB,1×4090</td></tr>
<tr><td>70B</td><td>700GB 以上,多節點</td><td>150-190GB,3×H100</td><td>140-150GB,2×H100</td><td>40-45GB,2×4090</td></tr>
</tbody>
</table>
<p>讀表的方式:橫著看是同一個模型從開發到上線的資源演變,直著看是你的預算能支撐的規模上限。多數企業的實際旅程是「租 H100 做一段時間的微調,上線後換成 4090 級推理機長期服務」——兩個階段、兩種規格、兩張報價單,合在一起才是專案的真實成本。</p>
<p>對照表也順便解釋了市場上一個常見的價格困惑:為什麼 H100 主機月租是 4090 的好幾倍,大家還是搶著租?因為它們根本不在同一個市場——H100 賣的是訓練與大模型推理的「能力」,4090 賣的是中小模型推理的「性價比」。拿 4090 的價格去砍 H100 的規格,或拿 H100 的規格去要求 4090 的價格,都是在浪費彼此的時間;先分清楚負載,報價單自然就看得懂了。</p>

<h2>台灣案例:電子廠把同一筆預算用出兩倍效果</h2>
<p>桃園一家電子組裝廠導入 AOI 瑕疵檢測的視覺模型加上產線知識問答的 LLM,最初的規劃是租一台 4×H100 主機包辦所有工作,月租七位數邊緣,財務直接退件。顧問重排後的架構:訓練需求(每月一次的瑕疵模型重訓、每季一次的 LLM 微調)改成短租 H100 主機,每次 3-5 天、月均成本約 NT$40,000-60,000;推理需求(產線 24 小時的即時檢測加辦公室的知識問答)交給兩台雙 4090 主機,月租合計約 NT$70,000。</p>
<p>結果是總月成本從原規劃砍掉超過一半,推理服務的 p95 延遲反而更好,因為推理機可以按產線位置就近部署、多副本分流。訓練短租的另一個好處是規格自由:下一季想試 32B 模型的微調,直接改租更大的配置,不用被自有硬體綁死。資料面也乾淨——檢測影像涉及客戶產品外觀,全程留在台灣機房,滿足客戶稽核的資料在地要求。</p>
<p>數字攤開更有說服力:原方案 4×H100 全年月租估 NT$180 萬年支出;新架構是訓練短租年約 NT$55-70 萬,加推理雙機年約 NT$84 萬,合計省下約四成,而且推理機的 p95 延遲從共用時代的不穩定,變成穩定壓在 0.8 秒內。財務長最買單的一句話是:「訓練的錢花在有訓練的月份,推理的錢才是固定成本。」預算結構跟著負載走,審預算的人也看得懂。</p>

<h2>混合策略:讓 GPU 不再有下班時間</h2>
<p>訓練與推理分開配置之後,還有一層進階玩法:時間分割。推理有明顯的日夜週期,辦公型應用晚上十點後使用率常掉到 10% 以下,這段時間正好拿來跑訓練:夜間排程啟動 LoRA 微調或資料處理,清晨完成後釋放顯存回到推理服務。一張 24GB 的卡,白天服務 10-20 路併發的問答,晚上跑 7B 的 QLoRA 迭代,等於一份月租買兩份產能。</p>
<p>落地這套策略的前提是服務層要俐落:推論引擎能快速卸載與重載模型、任務排程有優先權設計、監控能確認「早上八點推理服務一定回來」。這些工程細節在 <a href="https://www.nss.com.tw/ai-inference-api-hosting">AI 推論 API 自建教學</a> 有完整展開。原則只有一條:先分清楚你的每一個工作負載是訓練還是推理,再決定它該住在哪種 GPU 上、住多久。想清楚這題,GPU 預算的效率至少差一倍。</p>
<p>風險控管兩條底線要守住:混用的那張卡,推理服務的恢復要有自動檢核——訓練任務結束後服務沒起來就告警加自動重啟;訓練任務要設資源上限與最晚結束時間,寧可訓練慢一天,不要早上八點推理服務起不來。時間分割是省錢技巧,不是走鋼索,把保險機制寫好才有資格用。</p>
<p>把整篇的判斷濃縮成四個問題:這個負載是一次性專案還是長期服務?顯存需求是權重的十倍(訓練)還是一點多倍(推理)?它需要多卡緊耦合還是多副本分流?尖峰在白天還是可以排進夜間?四題答完,該租 H100 還是 4090、該短租還是長租、該一台還是兩台,答案基本上自動浮現。之後每次規劃卡關,回來把這四題重答一次,比翻任何規格表都快。</p>
<p>「先租後買」的節奏也順帶講清楚:前六個月用租的,把負載形狀量出來——尖峰、離峰、訓練頻率、顯存水位;若使用率長期在七成以上且規格已經穩定,再評估買斷或簽長約換折扣。反過來,負載還在變的階段就買硬體,等於把不確定性直接鎖進資產負債表,那是財務最不想看到的一種浪漫。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-24-points-20260714.jpg" alt="AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯" loading="lazy"/><figcaption>▲ 兩種工作負載的配置邏輯</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>訓練短租 H100、推理長租 RTX 系列,這種分離式配置需要主機商同時具備兩種產品線與彈性租期。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,訓練與推理可以分開租、隨階段調整。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問會依你的工作負載組合試算最省的架構。</p>

<h2>常見問題 FAQ</h2><h3>為什麼訓練需要的顯存是推理的近十倍?</h3><p>訓練時卡上同時放權重(FP16 每參數 2 bytes)、梯度(2 bytes)、AdamW 優化器狀態(8 bytes)與激活值,合計每參數 16-20 bytes;推理只要權重加 KV cache。7B 的對比就是 110-140GB 對 14-16GB,差距近十倍。</p><h3>RTX 4090 適合訓練還是推理?</h3><p>推理是它的主場:24GB 顯存能跑 7B FP16 或 32B INT4,每 token 成本遠低於資料中心卡。訓練方面,單卡跑 7B-14B 的 LoRA/QLoRA 沒問題,但缺 NVLink 與 ECC,多卡全參數訓練效率差、穩定性風險高,大型訓練還是交給 H100。</p><h3>H100 比 4090 貴好幾倍,貴在哪裡?</h3><p>貴在訓練需要的三樣東西:80GB HBM 高頻寬顯存(頻寬約 3.35TB/s,是 4090 GDDR6X 的 3 倍以上)、NVLink 900GB/s 卡間互連、以及 ECC 與資料中心級穩定性。若你的負載是中小模型推理,這些溢價用不到,選 RTX 系列性價比更高。</p><h3>推理的 KV cache 是什麼?會吃多少顯存?</h3><p>KV cache 是推理時暫存注意力鍵值的快取,讓模型不用重算前文,代價是顯存:依架構每路 4K token 約 0.5-2GB,與併發數、context 長度成正比。20 路併發、8K context 的服務,KV cache 可達 20-40GB,規劃時要在權重外預留 20-40% 空間。</p><h3>先租訓練機還是先租推理機?</h3><p>看專案階段。要微調自有模型:先短租訓練規格(如 H100,一次 3-7 天),模型定版後換長租推理規格(如 4090 主機月租 NT$15,000-25,000)服務使用者。直接用現成開源模型的話,跳過訓練段,從推理機開始,POC 兩週內就能上線。</p><h3>同一台主機可以白天推理、晚上訓練嗎?</h3><p>可以,而且是中小團隊最省錢的玩法。推理服務入夜後使用率常掉到 10% 以下,排程在深夜卸載推理、跑 LoRA 微調,清晨恢復服務,一張 24GB 卡等於當兩台用。前提是任務排程、模型快速重載與開機自檢都要自動化,避免早上服務沒回來。</p><h3>訓練和推理可以用同一種量化嗎?</h3><p>不行,方向相反。推理常態使用 INT8/INT4 量化,省一半以上顯存、品質損失多在 1-3%;訓練必須維持較高精度(FP16/BF16 混合精度)以保梯度品質,QLoRA 雖然把凍結底模壓到 4-bit,可訓練的適配層仍是高精度。拿 INT4 權重直接全參數訓練會學壞。</p><h3>推理服務要怎麼估需要幾張卡?</h3><p>公式:先定尖峰併發數與延遲目標,單卡容量 = 權重 + 併發×每路 KV cache + 20% 餘裕。例如 32B INT4(20GB)配 15 路併發(約 15-20GB),需 40GB 以上,即一張 48GB 卡或兩張 4090。上線後看佇列深度與 p95 延遲決定加卡時機。</p><h3>訓練短租真的比長租划算嗎?</h3><p>多數情況是。企業微調的節奏常是每月或每季一輪,每輪 3-7 天,短租 H100 的月均支出約 NT$40,000-80,000;同規格長租且大半時間閒置,月租是它的好幾倍。只有訓練排程滿到每月超過 20 天時,長租或買斷才開始划算。</p><h3>邊緣推理和機房推理怎麼選?</h3><p>延遲極敏感或斷網不可接受的場景(產線即時檢測、門店互動)放邊緣小型 GPU;需要大模型、集中管理與彈性擴充的(知識問答、文件處理)放台灣機房主機,網路往返 5ms 上下對多數應用無感。常見架構是邊緣跑小模型、機房跑大模型,各司其職。</p>"
                    ["post_title"]=>
                    string(85) "AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(28) "ai-training-vs-inference-gpu"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 11:06:01"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 03:06:01"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(51) "https://www.nss.com.tw/ai-training-vs-inference-gpu"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [1]=>
                  object(WP_Post)#36599 (24) {
                    ["ID"]=>
                    int(125231)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:21:10"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:21:10"
                    ["post_content"]=>
                    string(16477) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:怎麼把自己的 AI 模型架成推論 API 服務?</p><p style="margin:0">POC 用 Ollama,生產用 vLLM 或 SGLang,提供 OpenAI 相容 API,前端改 base_url 就能接。7B 權重約 14-16GB 顯存,每路 4K 對話的 KV cache 抓 0.5-2GB,10-20 路併發用一張 24GB 卡起步,台灣機房月租 NT$15,000-25,000。</p></div>
<p>模型選好了、也驗證過效果,接下來的問題才是工程的開始:怎麼讓全公司、甚至你的客戶,穩定地用到這個模型?答案就是把它包成推論 API。這一步的難度常被低估——單人測試跑得飛快的模型,一上線就延遲爆炸;或者為了扛併發把規格拉滿,月底看帳單才發現 GPU 大半時間在發呆。自建推論 API 本質上是在延遲、併發、成本三個角之間找平衡,這篇教學把三角關係拆開講,給你可以直接套用的估算方法與架構建議。</p>

<h2>為什麼要自建:三個過不去的檻</h2>
<p>用現成的雲端模型 API 沒什麼不對,直到你撞上三件事之一。資料敏感:客戶對話、病歷、財務數據不能送出境,個資法與行業主管機關的要求擺在那裡;成本失控:按 token 計費的帳單跟著用量線性長,月百萬次呼叫的產品,API 費用常常超過自建月租的兩三倍;客製需求:你微調過的模型、特殊的取樣參數、需要保證的回應時間,公有 API 都給不了。成本這條再講個常見劇本:產品加了「AI 摘要」按鈕,上線時每天 2,000 次呼叫,三個月後功能被預設開啟、變成每天 5 萬次,API 帳單從五位數跳到六位數,而訂閱定價早就鎖死——毛利被吃掉的速度比任何人的反應都快,自建的固定月租在這種「功能普及化」劇本裡就是定價保險。三者中一項成立,自建就值得認真評估;兩項成立,基本上是遲早的事。</p>
<p>反過來也要誠實:三種情況不建議自建。用量太小——每天幾百次呼叫,API 月費幾百塊,自建怎麼算都不划算;完全沒有維運人力——連 Linux 都沒人碰的團隊,先用 API 把產品驗證起來;以及任務非旗艦閉源模型不可——開源模型盲測過確實不夠力的少數場景。自建是工程決策不是信仰,拿你的用量、資料屬性與人力對照上面六條,答案通常很清楚。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-23-data-20260714.jpg" alt="AI 推論 API 自建教學:把模型變成服務,延遲、併發與 GPU 成本的三角習題" loading="lazy"/><figcaption>▲ 7B 權重 14-16GB,每路 4K 對話 KV cache 抓 0.5-2GB</figcaption></figure>
<h2>三角習題:延遲、併發、成本怎麼互相拉扯</h2>
<p>看懂三角關係,要先認識兩個延遲指標。TTFT(Time to First Token)是使用者按下送出到看到第一個字的時間,決定「有沒有在動」的體感,健康值在 0.5-2 秒;生成速度(token/s)決定字流出來的速度,單人閱讀場景 20 token/s 以上就順。併發是同時處理的請求路數,成本則是你為此付出的 GPU 月租。</p>
<p>三者的拉扯關係很具體:併發拉高,同一張卡上的請求互搶算力,TTFT 與生成速度都會掉;要守住延遲就得加卡,成本上升;要省成本就得接受排隊,延遲變長。工程上沒有三全其美,只有「依產品需求選兩個保、放掉一個」:內部工具保成本與併發、犧牲一點延遲;對客戶的付費服務保延遲、用超額配置換體驗。規格單一直搖擺的團隊,多半不是不會算,是還沒想清楚產品定位,先回去把定位吵完再來選卡。先寫下你的目標值(例如 p95 TTFT 低於 1.5 秒、尖峰 30 併發、月預算 NT$60,000),再開始選規格,順序不要反過來。</p>
<p>給一組實測的感覺:一張 4090 跑 7B FP16 配 vLLM,單人使用 TTFT 約 0.3 秒、生成 70-100 token/s;把併發灌到 10 路,TTFT 升到 0.8-1.2 秒、每路生成掉到 30-50 token/s;灌到 25 路,TTFT 破 2 秒、開始排隊。同一張卡,體驗從「飛快」到「將就」到「不可用」,差的只是併發數——這就是為什麼規格討論一定要從「尖峰有幾路」開始,而不是從「模型幾 B」開始。</p>
<p>TTFT 的組成也值得拆開看:排隊等資源、prefill(把整段輸入一次算完)、然後才開始逐字生成。長輸入的 prefill 很重——丟一份 8K token 的文件進去,光 prefill 就可能占掉一兩秒,這是文件型應用的 TTFT 永遠比聊天型難看的原因。對策有三:前綴快取讓相同的系統提示詞不重算、超長輸入先截斷或摘要、把文件批次任務改走非同步路徑,別讓它跟即時對話搶同一條佇列。</p>

<h2>推論引擎選型:效率差距可以到十倍</h2>
<table>
<thead><tr><th>引擎</th><th>定位</th><th>關鍵能力</th><th>適用階段</th></tr></thead>
<tbody>
<tr><td>Ollama</td><td>極簡部署</td><td>一行指令起服務、自動量化</td><td>POC、個人與小團隊</td></tr>
<tr><td>vLLM</td><td>生產標準</td><td>PagedAttention、continuous batching,吞吐高 5-10 倍</td><td>正式環境首選</td></tr>
<tr><td>SGLang</td><td>高階生產</td><td>RadixAttention 前綴快取,重複前綴場景更快</td><td>Agent、大量共用 prompt</td></tr>
<tr><td>TensorRT-LLM</td><td>極致效能</td><td>NVIDIA 深度優化、需編譯</td><td>極端吞吐需求、固定模型</td></tr>
</tbody>
</table>
<p>選擇邏輯很簡單:POC 用 Ollama 十分鐘上線;要對多人服務,直接上 vLLM——它的 continuous batching 會把不同請求的生成步驟交錯排進 GPU,同一張卡的有效吞吐是逐條處理的 5-10 倍,這一項就決定你要租一張卡還是五張卡。四個引擎都支援 OpenAI 相容 API,應用端程式碼可以完全不動,把 base_url 從商用服務換成自家端點即可,這也讓「先用商用 API 驗證產品、再切自建」的路徑幾乎零改寫成本。</p>
<p>引擎與量化的搭配有慣例可循:vLLM 生產部署搭 AWQ 或 GPTQ 的 4-bit 權重最順,顯存省一半以上、吞吐幾乎不折損;Ollama 用 GGUF 格式,拉檔即用。要留意的是不同引擎的預設參數差很多——最大併發數、KV cache 上限、context 長度都要按你的硬體明確設定,用預設值上線然後 OOM,是新手工程師的固定戲碼。</p>

<h2>顯存預算:權重之外,KV cache 才是變數</h2>
<p>推論顯存等於「模型權重加 KV cache 加少量開銷」。權重好算:7B FP16 約 14-16GB、32B INT4 約 18-20GB;KV cache 是每一路進行中的對話都要占用的快取,依模型架構,每路 4K token 大約 0.5-2GB,而且跟併發數與 context 長度成正比。這就是為什麼「單人測試沒問題,上線就 OOM」的劇本不斷重演:20 路併發、每路 8K context,KV cache 可能吃掉 20-40GB,比模型本體還大。</p>
<p>實用的估算流程:先定尖峰併發與平均 context,算 KV cache 總量,加上權重,再留 15-20% 餘裕。舉例:32B INT4(20GB)服務 15 路併發、平均 4K context(約 15-20GB KV cache),總需求 40-48GB,一張 L40S 48GB 剛好,或雙 4090 用張量平行分攤。若跑的是 DeepSeek R1 這類思考鏈很長的推理模型,context 消耗更兇,預留空間要再放大,各版本的具體數字見 <a href="https://www.nss.com.tw/deepseek-r1-gpu-requirements">DeepSeek R1 GPU 需求對照</a>。</p>
<p>好消息是新一代架構與引擎都在幫你省這筆錢:採用 GQA 的模型(Llama 3、Qwen2.5 世代)KV cache 比舊架構省 4-8 倍;vLLM 的 PagedAttention 把 cache 切成小分頁按需配置,傳統部署裡三到五成的顯存碎片浪費幾乎歸零。同樣一張 24GB 卡,2023 年的部署方式撐 4-5 路併發,2026 年的組合拳可以撐 15-20 路——選對引擎本身就是最大的一次降本。</p>

<h2>台灣案例:SaaS 團隊把月帳單砍掉六成</h2>
<p>一家台中的 HR SaaS 公司,產品內建履歷解析與面談摘要功能,原本走海外商用 API。用戶成長後兩個問題同時爆:月 API 帳單衝到 NT$90,000 出頭並持續上升;金融與醫療類客戶在資安問卷上直接問「求職者個資是否出境」,答不好就丟單。他們花了六週切換到自建:模型選 Qwen2.5-14B 微調版,INT4 量化後 9-11GB,跑在台灣機房一台雙 4090 主機上(月租約 NT$35,000),vLLM 做服務層,尖峰實測 22 路併發。</p>
<p>六週的切換時程值得拆開參考:第 1-2 週租單卡主機做離線評測,拿 500 筆歷史請求對比自建模型與原 API 的輸出品質,確認可接受;第 3 週建雙卡生產環境與監控;第 4 週用 5% 真實流量做灰度,發現兩個格式邊界問題,修 prompt 解決;第 5 週流量放到 50%,壓測驗證尖峰;第 6 週全量切換,原 API 降為備援。全程使用者無感,這是照劇本走的結果,不是運氣。</p>
<p>切換後的數字:月固定成本 NT$35,000,比原帳單省六成,而且不再隨用量成長;p95 TTFT 從 2.8 秒(含跨海往返)降到 1.1 秒,台灣機房到台灣用戶的網路往返只有 5ms 上下;資安問卷的資料出境欄位從此填「否」,當季就簽下兩家原本卡關的金融客戶。他們保留了原本的商用 API 作為 fallback:自建端點健康檢查失敗時自動切換,雙保險的月成本不到 NT$1,000,因為 99% 的流量都走自建。</p>
<p>壓測方法他們也走了標準流程:用開源壓測工具重放歷史流量的放大版(平常尖峰的 1.5 倍),連續打 30 分鐘,盯 p95 延遲與錯誤率;再單獨測「長文件」路徑——履歷有一頁的也有八頁的,長輸入是延遲長尾的主要來源,單獨設超時與截斷規則後,p99 才穩下來。切換這種事,九成的信心來自壓測,一成才來自祈禱。</p>

<h2>上線後才是重點:監控、SLA 與擴容節奏</h2>
<p>推論服務的維運圍繞四個數字:p50/p95 TTFT、生成速度、佇列深度、GPU 使用率。前三個顧體驗,最後一個顧錢包——GPU 使用率長期低於 30%,表示規格買太大或該把批次任務排進離峰;佇列深度常態大於零,表示該擴容了。告警設在使用者抱怨之前:p95 TTFT 超標 20% 就通知,而不是等客服工單進來。儀表板不用花俏,四個數字加一條佇列趨勢線,值班的人一眼能看懂,就是好儀表板。</p>
<p>成本也要有月報:每月統計 token 總量、GPU 平均與尖峰使用率、換算的單位成本(每百萬 token 幾塊錢),跟商用 API 的牌價對照一次。這張報表有兩個用途——向管理層證明自建的價值持續成立,以及在用量成長到需要擴容時,用數據而不是感覺去申請預算。自建服務最怕的不是壞掉,是沒人說得清它到底省了多少錢。</p>
<p>資安層的最低標配:API key 按應用發放、每季輪替;閘道做速率限制擋暴衝與濫用;請求日誌全留但個資欄位遮罩;管理介面只開內網。這四件事一天可以做完,卻是資安問卷與稽核的必考題,別等被問到才補。</p>
<p>擴容的節奏建議「垂直先、水平後」:先把量化等級、批次參數、context 上限調到位,再考慮換大卡,最後才是多卡多副本加負載均衡。另外,推論主機與訓練主機的規格邏輯完全不同,別拿訓練的配置思維來配推論——這個常見誤區在 <a href="https://www.nss.com.tw/ai-training-vs-inference-gpu">訓練與推理的 GPU 配置邏輯</a> 有完整拆解。把這些機制建立起來,自建 API 的穩定度可以做到跟商用服務同級,成本卻是自己可控的。</p>
<p>人力配置的真實答案:一套自建推論 API 的日常維運,由一位後端工程師兼任就夠,前提是監控與告警已經自動化;需要專注投入的是前兩個月的建置與調校期。很多團隊卡在「我們沒有 AI 工程師」的心理門檻,實際上推論服務的維運技能跟一般後端服務八成重疊,缺的那兩成——顯存邏輯與引擎參數——一週可以補起來,或者選一家願意陪你調參數的主機商,把學習曲線再砍一半。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-23-points-20260714.jpg" alt="AI 推論 API 自建教學:把模型變成服務,延遲、併發與 GPU 成本的三角習題" loading="lazy"/><figcaption>▲ 把模型變成服務的三步</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>推論 API 的規格會隨產品成長而演進:從單卡 POC、雙卡生產,到多副本高可用。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、使用者資料不出境,月租 NT$15,000 起,7×24 中文技術支援,擴容時可平滑升級不中斷服務。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問可依你的併發與延遲目標試算最省的配置。</p>

<h2>常見問題 FAQ</h2><h3>自建推論 API 和呼叫商用 API,成本怎麼比?</h3><p>商用 API 按 token 計費,量小便宜;月呼叫量到百萬次後,帳單常達 NT$80,000-200,000。自建是固定月租:雙 4090 主機約 NT$35,000、H100 約 NT$60,000-80,000,用量再大也不變。月 API 費穩定超過自建月租 1.5 倍,就該評估切換。</p><h3>TTFT 和 token/s 是什麼?目標值該設多少?</h3><p>TTFT 是送出請求到第一個字出現的時間,對話產品建議 p95 壓在 1.5-2 秒內;token/s 是後續生成速度,單人閱讀 20 token/s 以上就流暢,程式生成建議 40 以上。兩者都要在「尖峰併發」下量測才有意義,單人測試的數字不能當 SLA。</p><h3>一張 RTX 4090 能撐多少併發?</h3><p>以 7B FP16 加 vLLM 估:權重 14-16GB,剩 8-10GB 給 KV cache,每路 4K context 約 0.5-1GB,尖峰 10-20 路併發可維持每路 20 token/s。32B INT4 權重占 18-20GB,單卡空間有限,併發壓在 5-8 路或改雙卡。</p><h3>vLLM 為什麼比一般部署快這麼多?</h3><p>兩個機制:PagedAttention 把 KV cache 分頁管理,顯存利用率從常見的 20-40% 拉到 90% 以上;continuous batching 讓不同請求的生成步驟交錯執行,GPU 不再等最慢的請求。合計效果是同卡吞吐提升 5-10 倍,等於直接省下 5-10 倍的硬體租金。</p><h3>KV cache 到底要預留多少顯存?</h3><p>粗略公式:每路併發、每 4K token 的 context,依模型抓 0.5-2GB(GQA 架構的新模型較省)。例如 15 路併發、平均 4K context,預留 8-30GB。實務建議:總顯存 = 權重 + KV cache 估算 + 15-20% 餘裕,上線後再用實測數據修正。</p><h3>自建 API 的延遲可以比商用 API 低嗎?</h3><p>可以,而且低很多。台灣用戶呼叫海外 API,光網路往返就 60-150ms,加上排隊常見 p95 兩三秒;自建在台灣機房,網路往返 5ms 上下,搭配合理併發配置,p95 TTFT 壓在 1 秒上下是常態。對即時互動型產品,這是體感等級的差距。</p><h3>怎麼做到服務不中斷的模型更新?</h3><p>標準做法是藍綠部署:新模型先在第二個服務副本載入並通過煙霧測試,負載均衡器再把流量切過去,舊副本觀察 24-48 小時後下線。單卡預算做不了雙副本時,選離峰時段換模型,vLLM 重載一個 14B 模型約 3-8 分鐘,公告維護窗口即可。</p><h3>需要準備 fallback 機制嗎?怎麼設計?</h3><p>建議要。常見設計:自建端點健康檢查連續失敗 3 次,閘道自動把流量切到商用 API 或備用副本,並發告警。fallback 的月成本通常不到 NT$1,000(因為 99% 流量走自建),卻能把服務可用率從單機的 99% 拉到 99.9% 以上,對外服務尤其必要。</p><h3>推論 API 的資安要注意什麼?</h3><p>最少四件:API key 發放與輪替、請求與回應日誌(留存供稽核,注意個資遮罩)、輸入輸出的敏感內容過濾、以及網路層的 IP 白名單或 VPN。自建的意義是資料不出境,但機房內的存取控制與日誌若沒做,稽核一樣過不了,第一天就要納入架構。</p><h3>從零開始自建,合理的時程是多久?</h3><p>有經驗的團隊:第 1 週選型與 POC(Ollama 加內部測試),第 2-3 週建生產環境(vLLM、監控、日誌、fallback),第 4-6 週試營運與壓測,共 4-6 週。沒有 GPU 維運經驗的話,選有 7×24 中文支援的台灣主機商可以把前期環境問題的處理時間砍掉一半以上。</p>"
                    ["post_title"]=>
                    string(93) "AI 推論 API 自建教學:把模型變成服務,延遲、併發與 GPU 成本的三角習題"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(24) "ai-inference-api-hosting"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 11:05:05"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 03:05:05"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(47) "https://www.nss.com.tw/ai-inference-api-hosting"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [2]=>
                  object(WP_Post)#36601 (24) {
                    ["ID"]=>
                    int(125230)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:21:08"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:21:08"
                    ["post_content"]=>
                    string(16169) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:商用部署 Stable Diffusion 需要什麼 GPU、出圖速度多快?</p><p style="margin:0">SD 1.5 只要 4-6GB 顯存,SDXL 建議 10-12GB,SD3.5 與 FLUX.1 要 16-24GB,一張 RTX 4090 通吃。4090 出一張 1024 的 SDXL 圖約 4-6 秒,批次月產能 15 萬張以上。台灣機房單卡月租約 NT$15,000-25,000,商用前務必逐版本確認授權。</p></div>
<p>生成式 AI 的討論度都被 LLM 占走了,但真正在台灣企業裡默默賺錢的,常常是圖像生成。電商去背改景、廣告素材 A/B 量產、遊戲美術概念圖、產品打樣視覺——這些工作流一旦導入 Stable Diffusion 系列模型,產能是用「倍」在算的。不過商用部署跟玩家在自己電腦上跑圖是兩回事:顯存要抓多少、出圖速度怎麼估產能、授權條款哪些版本能商用、服務怎麼撐住多人同時用,每一題都有具體答案。這篇指南一次講完。</p>

<h2>先盤點場景:你要的是「快」還是「多」</h2>
<p>商用圖像生成的需求分兩型。互動型:設計師在工作流裡即時生圖改圖,重點是單張延遲,最好 10 秒內出圖,不然創作節奏會斷;批次型:半夜排程量產上千張商品圖或素材變體,重點是每小時吞吐與單張成本,延遲無所謂。兩型的 GPU 配置邏輯不同——互動型值得上單卡效能最強的卡,批次型看的是「每萬張成本」,有時兩張中階卡比一張旗艦卡划算。訓練自家風格模型(LoRA)又是第三種負載,吃的資源結構不一樣,可參考 <a href="https://www.nss.com.tw/ai-training-vs-inference-gpu">訓練與推理的 GPU 配置邏輯</a>。</p>
<p>開需求會議時,把三個問題先問清楚,規格自然浮現:每月要產多少張、誰在什麼流程裡用(設計師即時創作還是系統自動批次)、素材與成品的保密等級。第三題常被跳過,卻最關鍵——未上市商品照、客戶提供的原始素材,一旦流進境外生圖服務,合約上的保密條款就破了。這也是為什麼台灣的電商、遊戲與代理商,這兩年紛紛把出圖工作流搬回自建或租用的在地主機。</p>
<p>台灣市場的需求輪廓大致是:電商與代營運要商品情境圖量產,遊戲與 IP 產業要概念圖與宣傳素材,製造業拿它做產品外觀提案與型錄視覺,行銷代理商則是廣告素材的 A/B 變體海量測試。共通點是量大、風格要穩、交期以天計——正好是自建 GPU 產線最擅長的三件事,也是按張計費的境外服務最貴的三件事。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-22-data-20260714.jpg" alt="Stable Diffusion 商用部署指南:出圖速度、顯存需求與 GPU 選型【2026】" loading="lazy"/><figcaption>▲ RTX 4090 批次月產能 15 萬張;FLUX.1 要 16-24GB</figcaption></figure>
<h2>模型版本與顯存需求:從 SD 1.5 到 FLUX</h2>
<p>2026 年還在商用戰場上的主力模型,顯存需求差距很大。SD 1.5 最老但生態最肥,512×512 原生解析度,推論只要 4-6GB,大量現成 LoRA 與 ControlNet 可用,適合量產小圖與風格固定的素材線。SDXL 是目前商用主流,1024×1024 原生解析度,推論建議 10-12GB,畫質與提示詞理解力都上一個檔次。SD 3.5 Large(8B 參數)與 FLUX.1(12B 參數)是畫質天花板,文字渲染與人手細節明顯進步,但 FP16 推論要 16-24GB,加上 ControlNet 或高解析修復流程,24GB 卡會逼近上限,FP8 量化可壓回 12-16GB,畫質損失輕微。</p>
<p>經驗上的配卡建議:純 SD 1.5 產線用 12-16GB 卡就夠;SDXL 為主、偶爾跑 FLUX,一張 RTX 4090(24GB)是甜蜜點;FLUX 全流程加訓練 LoRA,直上 48GB 的 L40S 或 RTX 6000 Ada,省去顯存調度的所有麻煩。</p>
<p>選版本時別只看畫質,要看「生態資產」。SDXL 的社群累積最厚:上千個風格 checkpoint、數萬個 LoRA、成熟的 ControlNet 全家桶(姿勢、深度、線稿、佈局控制)與 IP-Adapter 參考圖機制,商用工作流需要的「可控性」幾乎都靠這些配件堆出來,而新模型的配件生態要再等半年到一年才會齊。這就是為什麼 2026 年的商業產線上,SDXL 仍然是主力、FLUX 負責高規格單張輸出的分工格局。</p>
<p>硬體配套也交代一下:模型 checkpoint 一個 2-7GB,加上 LoRA 庫與 ControlNet 權重,硬碟直接抓 1TB NVMe 起跳;系統記憶體 32-64GB,模型切換與批次排程時吃得兇;輸出圖的儲存與備份另外算,量產線一個月幾百 GB 很正常。這些配套在租用方案裡先確認清楚,比事後加購省事。</p>

<h2>出圖速度對照:秒數背後是產能與成本</h2>
<table>
<thead><tr><th>GPU</th><th>SDXL 1024×1024(30 步)</th><th>FLUX.1 dev(20 步)</th><th>批次月產能估算(SDXL)</th></tr></thead>
<tbody>
<tr><td>RTX 4090 24GB</td><td>約 4-6 秒/張</td><td>約 15-25 秒/張</td><td>15-25 萬張</td></tr>
<tr><td>L40S 48GB</td><td>約 5-8 秒/張</td><td>約 18-30 秒/張</td><td>12-20 萬張</td></tr>
<tr><td>H100 80GB</td><td>約 2.5-4 秒/張</td><td>約 8-15 秒/張</td><td>25-40 萬張</td></tr>
</tbody>
</table>
<p>幾個讓數字更準的細節。步數影響線性:20 步的時間約是 30 步的三分之二,搭配 LCM/Turbo 類加速技術可壓到 4-8 步,速度翻好幾倍,適合先快速出草稿再精修的流程。高解析放大(upscale)與 ControlNet 每加一層,時間多 30-100%。還有排隊時間:多人共用時真正的體感延遲是「生成時間加排隊」,這就是下一節服務化要解的問題。用月產能回推,一張 4090 主機月租 NT$15,000-25,000,量產情境的單張成本不到 NT$0.2,跟按張計費的雲端生圖 API(單張約 NT$0.5-4)差距一個數量級。</p>
<p>還想再壓速度,加速堆疊照這個順序上:先確認 FP16 與高效注意力機制(新版框架多半預設開啟),再套 LCM 或 Turbo 類的少步數模型,最後才是 TensorRT 編譯——它能再快 30-50%,但每換一個模型或解析度都要重新編譯,適合模型固定的量產線,不適合天天換風格的創作環境。互動與批次的參數也不同:互動用 batch 1 求快,批次拉 batch 4-8 榨吞吐,同一張卡兩種設定的時薪產能差三成以上。</p>
<p>解析度是另一個常被低估的變數:同一張卡,SDXL 從 1024 拉到 1536 見方,時間接近翻倍;要 2048 以上的大圖,先出 1024 再走放大流程,品質更穩、總時間反而更短。至於負向提示詞與 CFG 這類參數,對速度影響輕微,放心按品質需求調,產能規劃時不用把它們算進變數。</p>

<h2>商用授權地雷:每個版本規則都不一樣</h2>
<p>技術選型前,先讓法務看授權,這是圖像生成商用化最常翻車的地方。SD 1.5 與 SDXL 用 CreativeML OpenRAIL 系授權,商用基本開放,但有禁止用途清單;SD 3.5 用 Stability AI 社群授權,年營收 100 萬美元以下企業可免費商用,超過要買企業授權;FLUX.1 要特別小心:schnell 版是 Apache 2.0 隨便用,dev 版是非商用授權,拿 dev 直接做商業服務就是違約,商用要走 BFL 的授權方案。</p>
<p>另外兩件事一起交代:生成內容的著作權在台灣現行實務下,純 AI 產出難以主張著作權保護,商業使用要靠人工參與創作與合約安排;訓練自家 LoRA 用的素材,確認你有權利使用,拿客戶圖庫訓練前先把授權條款寫進合約。這些功課做在前面,比出事後補救便宜太多。</p>
<p>管理上建議建一張「授權清冊」:表列每個在用的模型與 LoRA、授權類型、可否商用、來源連結與下載日期,新模型進產線前先過這張表。特別注意合併模型(merge)與微調衍生版——它們繼承原始模型的授權,拿非商用底模 merge 出來的東西照樣不能商用;社群下載的風格 LoRA 更是重災區,訓練素材來路不明的,商業案子直接避開。這張清冊花一天建立,能擋掉未來九成的授權糾紛。</p>
<p>再往前看一步:主要平台與廣告通路陸續要求 AI 生成內容標示,台灣的主管機關也在跟進研議。把「AI 生成、人工審核」的標示與紀錄機制先做進流程,產出的每張圖都留有模型版本與參數的中繼資料,未來法規落地時你只需要開個開關,而不是回頭補三個月的資料。</p>

<h2>台灣案例:電商代營運的出圖農場</h2>
<p>一家台北的電商代營運公司,替 40 多個品牌管商品頁,長期痛點是攝影棚產能:一檔活動要 300-500 張情境圖,外包攝影單張 NT$300-800、來回兩週。他們在台灣機房租了兩台 RTX 4090 主機(月租合計約 NT$40,000)建出圖農場:白天設計師用 ComfyUI 做互動創作與修圖,晚上跑批次——商品去背後套 SDXL 情境模板,自動生成不同場景、光線、節慶主題的變體,隔天早上人工挑圖。</p>
<p>三個月後的數字:每月產出約 6 萬張候選圖、採用約 4,500 張,單張採用成本從外包的數百元降到十位數;一檔活動的素材製作週期從兩週壓到三天。品牌客戶在意的資料問題也順帶解決——商品原始圖與未上市新品照全部留在台灣機房,不經過任何境外生圖服務,代營運合約裡的保密條款直接過關。機器在台灣還有個實際好處:傳輸大批 PSD 與成品圖走內網或國內頻寬,幾 GB 的檔案分鐘級搞定,不用跟跨海頻寬搏鬥。</p>
<p>他們的批次工作流值得拆開看:商品圖先自動去背與構圖對位,套用預先調好的 SDXL 情境模板(棚拍、居家、戶外、節慶四大類),ControlNet 鎖住商品輪廓避免變形,生成後自動跑一輪放大與色彩校正,再進人工挑圖。每個商品產 12 個變體、人工挑留 1-2 張,挑圖率穩定在一成上下——這個數字很重要,產能規劃時要用「候選張數」而不是「採用張數」去算 GPU 需求,兩者差了十倍。</p>

<h2>服務化:讓一張卡服務一個部門</h2>
<p>單機跑 ComfyUI 或 WebUI 是個人用法,商用部署要加三層。佇列層:用 Redis 或內建 queue 把請求排隊,尖峰時設計師看到的是「排隊中第 3 位」而不是逾時錯誤;API 層:把常用工作流(去背、換景、放大)固化成參數化 API,讓 PM 與行銷不碰節點圖也能出圖;資產層:模型、LoRA、工作流版本化管理,不然三個月後沒人知道哪個 checkpoint 配哪個 LoRA 才能重現當初的風格。這套 API 化的思路與 LLM 服務共通,可參考 <a href="https://www.nss.com.tw/ai-inference-api-hosting">AI 推論 API 自建教學</a>。</p>
<p>容量規劃的粗略公式:一張 4090 跑 SDXL 約每分鐘 10-15 張,一個 10 人設計團隊的互動使用加上夜間批次,單卡通常夠;超過 20 人或有對外服務,再加卡做負載分流。從一張卡開始,用佇列長度數據決定何時擴充,比一次到位猜規格務實。</p>
<p>維運面把四件事自動化就很省心:任務失敗自動重試(顯存偶發不足、模型載入逾時是常客)、每日產能與佇列報表、輸出內容的安全過濾(商用環境必開,尤其是開放自由 prompt 的內部工具)、以及模型與工作流的版本備份。監控指標盯兩個就夠——平均單張生成時間(飆高代表有人塞了超大解析度或掛錯模型)與佇列等待 p95(超過一分鐘就是擴充訊號)。這套機制建好,一個設計部門的出圖農場,每週維運時間可以壓在兩小時內。</p>
<p>若農場要服務多個部門或多個客戶,再加一層簡單的配額管理:每個專案有月度張數配額與優先級,超額走申請流程。這不是官僚,是讓產能衝突浮上檯面的機制——沒有配額的共用農場,三個月後一定演變成先搶先贏,協調的隱形成本比寫這層邏輯高得多。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-22-points-20260714.jpg" alt="Stable Diffusion 商用部署指南:出圖速度、顯存需求與 GPU 選型【2026】" loading="lazy"/><figcaption>▲ SD 商用部署的三個檢核</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>圖像生成的商用部署,從單張 RTX 4090 的設計部門共用機,到多卡 H100 的量產農場,規格跨度很大。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、素材與商業資料不出境,月租 NT$15,000 起,7×24 中文技術支援,產能不夠隨時加卡。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問可依你的出圖量與工作流建議配置。</p>

<h2>常見問題 FAQ</h2><h3>跑 Stable Diffusion 最少需要多少顯存?</h3><p>SD 1.5 推論 4-6GB 就能跑,SDXL 建議 10-12GB,SD 3.5 Large 與 FLUX.1 需要 16-24GB(FP8 量化可壓到 12-16GB)。商用環境建議直接配 24GB 的 RTX 4090:主流模型全部通吃,還留得下 ControlNet 與放大流程的空間。</p><h3>RTX 4090 出一張圖要幾秒?</h3><p>SDXL 1024×1024、30 步約 4-6 秒;SD 1.5 的 512 小圖 1-2 秒;FLUX.1 dev 20 步約 15-25 秒。搭配 LCM/Turbo 加速可把步數壓到 4-8 步,SDXL 能進到 2 秒內。批次量產時單卡每小時穩定產出 600-900 張 SDXL 圖。</p><h3>哪些 Stable Diffusion 版本可以商用?</h3><p>SD 1.5 與 SDXL 走 OpenRAIL 系授權,商用開放但有禁止用途;SD 3.5 對年營收 100 萬美元以下企業免費商用,超過需企業授權;FLUX.1 schnell 是 Apache 2.0 可自由商用,dev 版為非商用授權,商業服務必須另購授權。上線前務必逐版本核對。</p><h3>商用出圖該自建 GPU 還是用生圖 API?</h3><p>月出圖量是分水嶺。雲端 API 單張約 NT$0.5-4,月產一萬張就要 NT$5,000-40,000 且素材要上傳境外;自建單卡 4090 主機月租 NT$15,000-25,000,月產能 15 萬張以上,單張成本壓到 NT$0.2 以下。月量破萬張或素材敏感,自建幾乎必勝。</p><h3>SDXL 和 FLUX 該選哪個?</h3><p>量產與生態優先選 SDXL:速度快 3-5 倍、LoRA 與 ControlNet 資源最齊,商品圖情境圖綽綽有餘。文字渲染、手部細節、複雜構圖要求高的主視覺,才用 FLUX 或 SD 3.5。多數團隊的實務解是雙軌:SDXL 跑量、FLUX 出精稿,一張 24GB 卡就能切換。</p><h3>一個 10 人設計團隊需要幾張卡?</h3><p>通常一張 RTX 4090 就夠:互動使用尖峰約 3-5 人同時排隊,SDXL 每張 4-6 秒,佇列體感仍順;夜間再排批次任務把閒置時段用滿。建議先單卡上線、監控佇列長度,平均等待常態超過 30 秒再加第二張卡,擴充有數據依據。</p><h3>訓練自己風格的 LoRA 需要什麼規格?</h3><p>SDXL LoRA 用 20-100 張標註圖、24GB 顯存的卡訓練 1-3 小時就有可用結果;FLUX LoRA 建議 24-48GB 顯存、時間再多五成。重點反而在素材權利:訓練圖要有合法使用權,替客戶訓練品牌風格模型時,把素材授權與產出歸屬寫進合約。</p><h3>出圖服務多人共用要怎麼架?</h3><p>標準架構三層:ComfyUI 或 Diffusers 當生成核心,前面加佇列(Redis/RabbitMQ)吸收尖峰,再包一層參數化 API 讓非技術同事直接用固定工作流。搭配任務優先級(互動優先、批次讓路),單卡就能同時服務設計部門與夜間量產線。</p><h3>生成的圖片著作權歸誰?可以商用嗎?</h3><p>台灣現行實務上,無人類創作參與的純 AI 產出難以取得著作權保護;有實質人為創作(構圖指導、後製合成)的成品較有主張空間。商用本身可行,但建議以合約約定產出的使用權歸屬,並保留創作過程紀錄,以降低爭議風險。</p><h3>顯存不足會發生什麼事?怎麼緩解?</h3><p>輕則自動切到 CPU/RAM 分流讓速度掉 5-10 倍,重則直接 OOM 中斷任務。緩解手段依序:改用 FP8/半精度、降批次數、關閉不必要的 ControlNet、用 tiled VAE 分塊處理高解析圖。若每天都在用這些手段,就是該升 48GB 卡的訊號。</p>"
                    ["post_title"]=>
                    string(87) "Stable Diffusion 商用部署指南:出圖速度、顯存需求與 GPU 選型【2026】"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(31) "stable-diffusion-gpu-deployment"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 11:04:09"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 03:04:09"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(54) "https://www.nss.com.tw/stable-diffusion-gpu-deployment"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [3]=>
                  object(WP_Post)#36603 (24) {
                    ["ID"]=>
                    int(125229)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:21:07"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:21:07"
                    ["post_content"]=>
                    string(16593) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:DeepSeek R1 各版本分別需要什麼 GPU 才能跑?</p><p style="margin:0">蒸餾版 7B/8B 需 14-16GB 顯存,一張 RTX 4090 可跑;32B 的 INT4 量化約 18-20GB、FP16 要 64-70GB;70B 要 140-150GB,建議雙 H100。滿血 671B 是 MoE 架構,FP8 需 700GB 以上、8×H200 等級。多數企業從 32B 蒸餾版起手。</p></div>
<p>DeepSeek R1 在 2025 年初用一紙 MIT 授權和逼近閉源旗艦的推理能力,把「企業自建 AI」的門檻直接砍了一截。一年多過去,它仍是台灣企業私有部署詢問度最高的模型家族——但也是版本誤會最多的一個。很多人以為自己要部署的是「那個 671B 的 DeepSeek」,實際上多數場景該用的是 7B 到 70B 的蒸餾版,兩者的硬體需求差了一個數量級,月租差距可以從一萬五到七位數。這篇把每個版本的 GPU 需求、實測速度、適用場景一次對照清楚,再給出台灣企業的選版決策路徑,幫你把預算花在真正需要的推理能力上。</p>

<h2>R1 為什麼紅:推理模型加 MIT 授權</h2>
<p>R1 屬於推理模型(reasoning model):回答前會先生成一長段思考鏈,把問題拆解、驗算、自我修正,再給出答案。這讓它在數學、程式、邏輯分析、複雜文件比對這類任務上,表現遠超同尺寸的一般指令模型。對企業更關鍵的是授權:MIT 授權幾乎沒有商用限制,可以改、可以蒸餾、可以包進產品賣,法務審查的阻力比社群授權的模型小得多。</p>
<p>代價也要先講明:思考鏈是用 token 買來的。同一個問題,一般模型 300 字收工,R1 可能先「想」2,000 到 8,000 個 token 才開始回答,輸出總量常是 3-10 倍,回應時間以十秒到分鐘計,KV cache 的顯存占用也跟著暴增。簡單的分類、摘要、格式轉換用 R1 是浪費——更慢、更貴、還不見得更準;R1 的主場是「答錯成本很高、值得讓它想久一點」的題目:合約條款衝突檢查、財務數字勾稽、程式除錯、多條件的方案評估。</p>
<p>務實的部署形態因此很清楚:R1 幾乎不會是企業唯一的模型,而是跟一般指令模型並排,由應用層按任務路由——日常雜務走快的,難題走 R1。這個「雙模型」前提會影響你後面每一個規格決策。</p>
<p>判斷哪些任務值得導到 R1,有個很土但有效的方法:把過去三個月人工修改率最高的十類任務攤開,圈出「錯了會賠錢」的那幾類——對帳異常分析、報價條件檢核、程式碼審查、合約風險標記。以一家導入過的公司為例,R1 只接手全系統 15% 的流量,卻消化掉了返工與客訴成本的大宗;剩下 85% 的摘要翻譯雜務,繼續讓一般模型用三分之一的成本跑。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-21-data-20260714.jpg" alt="DeepSeek R1 該選哪個版本?7B/32B/70B/671B 的 GPU 需求對照表與部署實測" loading="lazy"/><figcaption>▲ 蒸餾版 7B/8B 需 14-16GB;滿血 671B FP8 需 700GB 以上</figcaption></figure>
<h2>版本釐清:滿血 671B 與蒸餾版是兩回事</h2>
<p>DeepSeek R1 本尊是 671B 參數的 MoE(混合專家)模型。MoE 的特性是每次推論只「啟用」約 37B 參數,計算量像個中型模型,但路由器隨時可能點名任何一組專家,所以全部 671B 的權重都得待在顯存裡——這就是為什麼它計算不算太重、顯存需求卻是怪獸級:FP8 精度下要 700GB 以上,屬於 8×H200 單機或雙節點 8×H100 的世界。</p>
<p>官方同步釋出了一整排蒸餾版:以 Qwen 為底的 1.5B、7B、14B、32B,和以 Llama 為底的 8B、70B,用 R1 生成的推理資料訓練,學到了思考鏈的行為模式,能力隨尺寸遞減。底模血統有實務意義:Qwen 底的版本中文表現通常較穩,Llama 底的英文生態工具較齊,做繁中應用的台灣企業多半從 Qwen 底的 14B 或 32B 開始測。</p>
<p>坊間常見的誤解是「蒸餾版是閹割品,沒有價值」。實測結論恰好相反:32B 蒸餾版在多數企業推理任務上已能交付可用的品質,而部署成本只要滿血版的二十分之一。務實的問法不是「要不要上 671B」,而是「32B 夠不夠、什麼題目才值得升 70B」。</p>
<p>下載時的命名陷阱也提醒一下:模型倉庫上叫 DeepSeek-R1 的是 671B 本尊,蒸餾版的全名是 DeepSeek-R1-Distill-Qwen-32B 這種格式,少看一眼就會下錯檔案;社群還流通大量第三方微調與量化變體,品質參差不齊。企業部署建議認官方帳號的權重,量化版挑下載量大、附評測數據的來源,並把檔案雜湊值記進部署文件,日後出現怪行為才有辦法追查到底是模型的問題還是自己的問題。</p>

<h2>GPU 需求對照表:1.5B 到 671B</h2>
<table>
<thead><tr><th>版本</th><th>FP16 顯存需求</th><th>INT4 量化顯存</th><th>建議配置</th><th>單流速度參考</th></tr></thead>
<tbody>
<tr><td>R1-Distill 1.5B</td><td>3-4GB</td><td>1-2GB</td><td>任何現代 GPU</td><td>100+ token/s</td></tr>
<tr><td>R1-Distill 7B/8B</td><td>14-16GB</td><td>5-6GB</td><td>1×RTX 4090</td><td>60-100 token/s</td></tr>
<tr><td>R1-Distill 14B</td><td>28-32GB</td><td>9-11GB</td><td>1×RTX 4090(INT4)</td><td>35-60 token/s</td></tr>
<tr><td>R1-Distill 32B</td><td>64-70GB</td><td>18-20GB</td><td>1×4090(INT4)或 1×H100(FP16)</td><td>25-45 token/s</td></tr>
<tr><td>R1-Distill 70B</td><td>140-150GB</td><td>40-45GB</td><td>2×H100(FP16)或 2×4090(INT4)</td><td>15-30 token/s</td></tr>
<tr><td>R1 滿血 671B(MoE)</td><td>FP8 700GB 以上</td><td>約 350-400GB</td><td>8×H200 或雙節點 8×H100</td><td>依配置 10-25 token/s</td></tr>
</tbody>
</table>
<p>表中速度是單使用者連續生成的區間值,實際會隨推論引擎、context 長度與量化方式浮動。另外提醒:R1 系列因為思考鏈很長,顯存要在權重之外多留 20-40% 給 KV cache,尤其是 32B 以上搭配 8K-32K context 的場景,這筆帳漏算是部署後 OOM(顯存不足)的頭號原因。</p>
<p>量化格式的選擇也交代一下:走 vLLM 生產部署,選 AWQ 或 GPTQ 的 4-bit 版本,吞吐與相容性最好;用 Ollama 快速起步,抓 GGUF 格式的 Q4_K_M 等級即可,品質與體積的平衡點很成熟。同一個 32B,不同量化等級的顯存可以差出 5GB 以上,下載前先看清楚檔名後綴,別拿 Q8 的檔案塞 24GB 的卡。</p>
<p>context 長度對顯存的影響值得單獨講:同樣是 32B INT4,限制 8K context 的服務跟開放 32K 的服務,KV cache 預算差了四倍。文件分析型應用——把整份合約或規格書丟進去那種——幾乎都要 16K 起跳,這時單卡 24GB 就不夠看了,直接規劃 48GB 卡或雙卡配置,省得上線一週就被顯存不足的警報追著跑。</p>

<h2>部署實測筆記:三種常見配置的真實表現</h2>
<p>我們在台灣機房實際部署過的三種典型配置,數字給你參考。配置一:單張 RTX 4090 跑 32B 的 INT4 量化版(AWQ),Ollama 起服務,單流輸出 25-35 token/s,一題需要完整思考鏈的分析題約 40-90 秒跑完,適合 10-30 人的內部使用。配置二:單張 H100 80GB 跑 32B FP16 配 vLLM,單流 40-55 token/s,continuous batching 下同時服務 15-20 路併發仍能維持每路 20 token/s 以上,適合百人級企業或對外服務。</p>
<p>配置三:雙 4090 跑 70B INT4,張量平行切兩卡,單流 15-22 token/s。品質上,70B 對 32B 的優勢集中在長鏈推理與艱深領域題,一般企業問答的盲測勝率差距約一成;但速度慢了四成,月租多一倍。這也是為什麼我們最常給的建議是:32B 起手,用你自己的題目測,證明不夠再升級。</p>
<p>兩個實測才會知道的細節。TTFT(第一個字出現的時間)在 R1 上要重新理解:如果你把思考鏈隱藏、只給最終答案,使用者會盯著空白畫面等一兩分鐘,體驗極差——建議至少顯示「思考中」的進度或摘要。還有思考長度的長尾:同一個模型,九成題目 2,000 token 內想完,偶爾一題會想到 10,000 token 以上,不設上限的話,尖峰時段一題就能拖垮整條佇列,上線前一定要配 token 預算與逾時截斷。完整的模型挑選方法論可以參考 <a href="https://www.nss.com.tw/private-llm-deployment">私有 LLM 部署完整攻略</a>。</p>
<p>上線前的壓測劇本照抄即可:用歷史真題組一個 100 題的混合集,短題七成、長題三成,以目標併發數灌進去跑半小時,記錄 p50/p95 延遲、總吞吐與截斷率;再故意塞進三題已知會想很久的難題,確認佇列調度不會被單題塞死。這套流程一個下午跑得完,能提前抓出九成的容量問題,比上線後被使用者抓到便宜太多。</p>

<h2>台灣企業怎麼選:法遵是加分題,任務是必考題</h2>
<p>R1 對台灣企業還有一層現實意義:它讓「資料不出境的高階推理能力」變成可負擔的選項。金融業要分析內部審計報告、製造業要比對製程異常紀錄、律所要跑合約條款審閱——這些資料按個資法與各行業主管機關的要求,出境都是麻煩事,而 R1 蒸餾版讓這類任務可以完全在台灣機房內完成,MIT 授權也讓法務不用再為商用條款開好幾輪會。</p>
<p>一家新竹的 IC 設計服務公司是很典型的樣板:他們用單張 H100 跑 32B 蒸餾版,做內部技術文件的推理問答與規格衝突檢查,規格書與客戶資料全程不落地到任何境外服務,法遵審查兩週過件。導入時他們拿 50 題歷史案例盲測,32B 在「找出兩版規格書的矛盾點」這類題目的命中率約八成五,資深工程師的平均審閱時間從 50 分鐘降到 15 分鐘——剩下的一成五漏網,由人工複核補上,人機分工反而比全自動更受工程師信任。</p>
<p>金融場景再給一個輪廓:某投顧團隊把 32B 蒸餾版接進晨會流程,清晨自動比對前一日的公告與研究底稿,標記數字不一致或說法矛盾的段落,供研究員開盤前複核。跑在單張 H100 上,每天處理約 300 份文件,負載尖峰集中在清晨 6 到 8 點,其餘時段這張卡就轉去服務一般的內部問答——推理模型與指令模型共用硬體、分時排程,是把 H100 月租攤薄的標準做法,值得直接抄進你的架構。</p>
<p>選版的決策樹很短:預算單卡 24GB 以內,選 7B/8B 做輔助性任務;要正經的推理品質,32B INT4 是性價比之王;唯有當你用 50 題實際業務題盲測、確認 32B 明顯不夠,才考慮 70B;至於滿血 671B,除非你要對外提供旗艦級 AI 服務或做模型研究,否則多數企業碰不到需要它的那一天。</p>

<h2>從模型到服務:上線前的最後三關</h2>
<p>選好版本只是一半,R1 上線還有三個特有的坑。思考鏈的顯示策略:內部工具可以顯示完整推理過程輔助查核,對外服務通常隱藏、只回最終答案,兩者的 token 成本與體驗設計差好幾倍,要在產品設計時就決定。context 與併發的預算:R1 一題思考動輒數千 token,32B FP16 每路 4K context 的 KV cache 約再吃 1-2GB,併發數要按這個帳去乘。超時與截斷機制:給思考鏈設 token 上限(常見 4K-8K)與逾時保護,避免個別難題把整個服務卡死。</p>
<p>監控也要為推理模型調整:除了常規的延遲與吞吐,多看兩個指標——平均思考 token 數(突然變長常代表題型漂移或 prompt 被改壞)與截斷率(超過 5% 就該檢討上限設定或題目分流)。搭配每月一次的答案品質抽查,R1 服務才能長期穩定。版本更新也要守紀律:新版蒸餾模型先進影子環境跑一週,對同一批題目比較思考長度與答案品質,確認沒有回歸再切流量;思考鏈行為對系統提示詞極度敏感,任何一行改動都要走同一套回歸,別讓小改動把平均思考長度翻倍,延遲跟成本一起爆炸。這些服務化細節——OpenAI 相容 API、批次策略、告警設計——的完整做法,見 <a href="https://www.nss.com.tw/ai-inference-api-hosting">AI 推論 API 自建教學</a>。把這三關過完,R1 才算真正從「跑得動」變成「用得住」。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-21-points-20260714.jpg" alt="DeepSeek R1 該選哪個版本?7B/32B/70B/671B 的 GPU 需求對照表與部署實測" loading="lazy"/><figcaption>▲ DeepSeek R1 版本對照</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>部署 R1 蒸餾版,從單張 RTX 4090 跑 32B INT4,到雙 H100 跑 70B FP16,規格彈性很大。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,可以先租單卡驗證、確認版本後再升級。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問會依你的任務類型建議 R1 版本與對應規格。</p>

<h2>常見問題 FAQ</h2><h3>DeepSeek R1 滿血版和蒸餾版差在哪?</h3><p>滿血版是 671B 的 MoE 模型,推理能力最強,但 FP8 就要 700GB 以上顯存,屬於 8×H200 等級的部署;蒸餾版是把 R1 的推理風格訓進 Qwen/Llama 底模,有 1.5B 到 70B 六個尺寸,一張 RTX 4090 就能起步。多數企業任務用 32B 蒸餾版已可交付。</p><h3>一張 RTX 4090 可以跑哪個版本的 R1?</h3><p>24GB 可跑:7B/8B 的 FP16 版(14-16GB)、14B 的 INT4 版(9-11GB)、32B 的 INT4 版(18-20GB,較緊)。跑 32B 時建議把 context 控制在 8K 內,留足 KV cache 空間,單流速度約 25-35 token/s,內部使用夠流暢。</p><h3>部署滿血 671B 需要什麼等級的硬體?</h3><p>FP8 精度需要 700GB 以上顯存,對應 8×H200(1,128GB)單機,或雙節點 8×H100 加高速互連;INT4 量化可壓到 350-400GB,單機 8×H100(640GB)勉強可行。這是月租七位數的等級,建議先確認 32B/70B 蒸餾版真的不敷使用再評估。</p><h3>R1 是推理模型,和一般 LLM 用起來差在哪?</h3><p>R1 回答前會先輸出思考鏈,自我拆解與驗算,數學、程式、邏輯題的正確率明顯高於同尺寸一般模型;代價是輸出 token 常多 3-10 倍、回應時間以十秒計。簡單的摘要分類任務用一般模型更划算,R1 適合答錯成本高的分析型任務。</p><h3>R1 蒸餾版的實際生成速度多快?</h3><p>單使用者:7B 在 4090 上約 60-100 token/s,32B INT4 約 25-35,H100 跑 32B FP16 約 40-55,70B INT4 雙 4090 約 15-22。加上思考鏈長度,一題完整推理常需 30 秒到 2 分鐘,設計使用者體驗時要把等待時間納入。</p><h3>為什麼說 32B 是企業部署的甜蜜點?</h3><p>32B 蒸餾版的推理品質已足夠處理多數企業分析任務,INT4 量化後 18-20GB 顯存讓單張 24GB 卡就能服務,月租成本約 NT$15,000-25,000;升到 70B 品質提升約一成,成本卻翻倍。先用 32B 搭配自家題庫實測,確認不足再升級,是最省錢的路徑。</p><h3>R1 的 KV cache 為什麼特別吃顯存?</h3><p>思考鏈讓每次生成的 token 數暴增,context 累積得比一般模型快。以 32B FP16 為例,每路 4K context 的 KV cache 約 1-2GB,10 路併發就要再多 10-20GB。部署時顯存要在權重外預留 20-40%,並給思考鏈設 4K-8K 的 token 上限。</p><h3>R1 可以商用嗎?授權有什麼限制?</h3><p>R1 與其蒸餾版採 MIT 授權,可商用、可修改、可再散布,幾乎沒有附帶條件,是目前主流開源模型中授權最寬鬆的之一。注意蒸餾版的底模授權仍要一併確認:Qwen 底的多為 Apache 2.0,Llama 底的要遵循 Meta 社群授權條款。</p><h3>用 R1 做繁體中文任務,表現如何?</h3><p>R1 系列的中文能力整體優秀,繁中輸出偶有簡繁混用,可用系統提示詞強制繁體並搭配後處理修正,實務上處理後的繁中可用率在 95% 以上。對用字精確度要求極高的場景(法律、公文),建議在評測集加入用字檢查項目再決定版本。</p><h3>從下載模型到上線服務,大概要多久?</h3><p>單卡跑蒸餾版的話很快:權重下載數十 GB 約半天,Ollama 或 vLLM 起服務 1-2 小時,加上內部評測與提示詞調校,一週內可完成 POC。正式上線含權限、日誌與監控,常見時程是 3-6 週。滿血版因涉及多卡多節點調校,要另抓 2-4 週。</p>"
                    ["post_title"]=>
                    string(85) "DeepSeek R1 該選哪個版本?7B/32B/70B/671B 的 GPU 需求對照表與部署實測"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(28) "deepseek-r1-gpu-requirements"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 11:03:12"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 03:03:12"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(51) "https://www.nss.com.tw/deepseek-r1-gpu-requirements"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [4]=>
                  object(WP_Post)#36605 (24) {
                    ["ID"]=>
                    int(125228)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:21:06"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:21:06"
                    ["post_content"]=>
                    string(16646) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:什麼時候一台 GPU 主機不夠用、需要多節點分散式訓練?</p><p style="margin:0">單台 8×H100 約有 640GB 顯存,70B 的 LoRA 微調、32B 以下全參數微調都夠;要全參數訓練 70B(需 700GB 以上)或做預訓練才須跨節點。關鍵不是卡數而是網路:節點間至少 100Gbps 的 InfiniBand 或 RoCE,否則通訊等待會吃掉 30-40% 算力,加卡不加速。</p></div>
<p>「一張 GPU 不夠,那我多租幾台主機串起來就好了吧?」這句話對了一半。多節點分散式訓練確實是大模型時代的標準解法,但它不是把主機疊起來就會變快的魔法:節點之間的網路頻寬、平行策略的選擇、故障恢復的機制,任何一環沒做對,你花三倍的錢可能只換到 1.5 倍的速度。這篇入門文把「什麼時候真的需要多節點」講清楚,再用白話拆解幾種平行策略與網路需求,並用一個台灣新創的實際訓練專案示範怎麼把叢集用在刀口上。看完的目標很務實:讓你在對的時間點做對的擴充決策,而不是提早半年付叢集的錢。</p>

<h2>先算清楚:一台主機的天花板在哪</h2>
<p>2026 年的主流訓練主機是單機 8 卡:8×H100 80GB 共 640GB 顯存,或 8×H200 141GB 共 1,128GB。這個容量能做什麼?以 FP16 混合精度、AdamW 優化器估算,全參數微調的顯存需求約是模型權重的 8-10 倍:7B 需要 110-140GB,單機輕鬆;32B 約 500GB,單機 8×H100 緊繃但可行;70B 需要 700GB 以上,單機 H100 裝不下,這就是第一道跨節點的門檻。</p>
<p>把 70B 的帳攤開看會更有感:FP16 權重 140GB、梯度再 140GB、AdamW 優化器狀態(FP32)約 560GB,合計 840GB 還沒算激活值——就算開滿 gradient checkpointing 與 ZeRO 分片,640GB 的單機也是塞不進去的,這不是調參數能解的問題,是物理限制。反過來說,8×H200 的 1,128GB 單機就能硬扛,所以「要不要跨節點」有時候也是「要不要換更大單機」的選擇題,兩個方案都該拿來報價比較。</p>
<p>換成 LoRA 這類參數高效微調,帳完全不同:70B 的 LoRA 只要 150-190GB,兩三張 H100 就夠,根本不用跨節點。所以判斷的順序應該是:先確認你的訓練方式(全參數還是 LoRA)、模型規模與資料量,再回頭看單機夠不夠。訓練與推論的顯存邏輯差異,可以參考 <a href="https://www.nss.com.tw/ai-training-vs-inference-gpu">訓練與推理的 GPU 配置邏輯</a>。</p>
<p>除了「放不放得下」,另一個天花板是「跑不跑得完」。訓練時間大致與「資料 token 數乘以模型參數量」成正比:同樣 300 億 token 的語料,14B 模型用單機 8×H100 要跑一個多月,16 卡叢集能壓進三週;若是 70B,單機就算塞得下也要跑上季度等級,商業上根本等不起。所以多節點的第二個理由是時程——當「慢慢跑」的時間成本超過「租叢集」的價差,跨節點就從奢侈品變成必需品,這筆帳要拿專案死線來算,不是拿硬體價格算。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-20-data-20260714.jpg" alt="多節點分散式訓練入門:什麼時候一台 GPU 主機不夠用?叢集架構與網路需求" loading="lazy"/><figcaption>▲ 網路不夠快,通訊等待吃掉 30-40% 算力:加卡不加速</figcaption></figure>
<h2>四種平行策略,白話拆解</h2>
<p>資料平行(Data Parallel)最直觀:每張卡放一份完整模型,各吃不同批次的資料,反向傳播後同步梯度。前提是單卡放得下整個模型,所以它解決的是「訓練太慢」而不是「模型太大」。ZeRO 與 FSDP 是資料平行的進化版,把優化器狀態、梯度、甚至權重切碎分散到各卡,讓每卡只保管一部分,單卡顯存需求大幅下降,是目前中型規模訓練的主力。</p>
<p>張量平行(Tensor Parallel)把單一層的矩陣運算切開,由多張卡合力算一層,通訊極度頻繁,基本上只能在有 NVLink 的同一台主機內做。管線平行(Pipeline Parallel)則把模型按層切段,前幾層放節點一、後幾層放節點二,像工廠流水線。真正的大規模訓練是三者混用:節點內張量平行、節點間管線加資料平行。</p>
<p>對號入座的口訣:模型放得下單卡、只嫌慢——用資料平行;模型放不下單卡、但單機多卡總量夠——ZeRO/FSDP 或張量平行;單機總量都不夠——管線平行加資料平行跨節點。好消息是你不需要手刻這些,DeepSpeed、Megatron-LM、PyTorch FSDP 都把策略包好了,設定檔幾行就能切換;壞消息是框架不會幫你判斷哪種組合適合你的模型與網路,這個功課還是得自己做,而且選錯組合的代價是以「天」計的訓練時間。</p>
<p>ZeRO 的三個階段也值得認識一下,因為它是最多人實際用到的:stage 1 只切優化器狀態,通訊負擔最小;stage 2 加切梯度;stage 3 連權重都切,單卡顯存壓到最低、通訊也最重。實務上的起手式是 stage 2 配 gradient checkpointing,不夠再上 stage 3;另有 offload 選項能把狀態丟到 CPU 記憶體換更多空間,速度會再掉兩三成,適合「就差一點點塞不下」的邊界情況。</p>

<h2>網路才是主角:頻寬決定加卡有沒有意義</h2>
<p>多節點訓練的成敗,八成取決於節點之間的網路。看幾個數量級就懂:單機內 NVLink 的卡對卡頻寬約 900GB/s,PCIe 5.0 x16 約 64GB/s,而一般企業機房的 10GbE 乙太網路換算只有 1.25GB/s——差了七百倍。梯度同步是每一步訓練都要做的事,若網路太慢,GPU 會有 30-40% 甚至更多時間在等資料,你付的是 8 卡的錢,拿到 5 卡的效能。</p>
<p>具體算一次你就不會再懷疑這件事:70B 模型的 FP16 梯度一份 140GB,資料平行每一步都要做全體同步(all-reduce 的實際傳輸量約是梯度量的兩倍),在 10GbE 上光傳輸就要上百秒,而一步的計算時間可能只有幾秒——網路慢到這種程度,加節點是負優化。換成 100Gbps(12.5GB/s)的 RDMA 網路,加上 NCCL 的通訊與計算重疊技術,同步時間能壓到與計算時間同級,叢集才開始「像一台機器」。</p>
<p>所以跨節點訓練的入場標準是:節點間至少 100Gbps 的 InfiniBand 或 RoCE,大型叢集普遍上到 400Gbps。搭配得當,2-4 節點的擴展效率(scaling efficiency)可以維持在 85-95%;用普通乙太網路硬跑,效率常掉到 50-70%,等於加一倍的卡只快三四成。租用多節點方案時,「節點間網路規格」這一行比 GPU 型號更值得追問。另外別忘了儲存:多節點要共享資料集與檢查點,NVMe 等級的共享儲存與夠粗的儲存網路,不然資料載入會變成新瓶頸,GPU 利用率照樣上不去。</p>
<p>進場前的驗收動作很簡單:拿 nccl-tests 跑一輪 all-reduce 頻寬測試,實測值應該到標稱頻寬的八成以上;再跑一小時的迷你訓練,盯著 GPU 利用率——健康的叢集應該穩定在 90% 以上,若在 60-70% 之間鋸齒狀跳動,九成是通訊或資料載入在拖後腿。這兩個測試合計半天,能把「租了才發現不對」的風險擋在簽約之前,正規的主機商都願意配合你做。</p>

<h2>什麼規模需要幾個節點:對照表</h2>
<table>
<thead><tr><th>訓練需求</th><th>顯存總量估算</th><th>建議配置</th><th>節點間網路</th></tr></thead>
<tbody>
<tr><td>7B-32B LoRA/QLoRA 微調</td><td>10-95GB</td><td>單機 1-2 卡(4090/H100)</td><td>不需要</td></tr>
<tr><td>70B LoRA 微調</td><td>150-190GB</td><td>單機 3-4×H100</td><td>不需要</td></tr>
<tr><td>7B-14B 全參數微調</td><td>110-280GB</td><td>單機 2-4×H100</td><td>不需要</td></tr>
<tr><td>32B-70B 全參數微調</td><td>500GB-1.4TB</td><td>單機 8×H200 或 2 節點 8×H100</td><td>100-400Gbps RDMA</td></tr>
<tr><td>百億級以上持續預訓練</td><td>數 TB 起</td><td>4 節點以上叢集</td><td>400Gbps InfiniBand</td></tr>
</tbody>
</table>
<p>表格透露的重點:絕大多數企業微調需求停在「單機多卡」就能解決,真正需要跨節點的,是全參數訓練 70B 以上、或做持續預訓練(continual pre-training)注入大量領域語料的團隊。一個常見的規劃錯誤是「預算不夠就把節點切小」——用四台 2 卡機組叢集,不如一台 8 卡機:節點越多、跨網路的通訊占比越高,小節點叢集的效率天生吃虧。同樣預算永遠優先把單節點餵滿,再考慮加節點。表中的顯存估算已含優化器狀態,但激活值依 batch 與序列長度浮動,實際規劃再留一到兩成緩衝會安全得多。</p>

<h2>台灣案例:新創訓練 14B 繁中領域模型</h2>
<p>一家台北的 AI 新創要做金融領域的繁中模型:以開源 14B 底模做持續預訓練,語料 300 億 token,涵蓋公開財報、法規與新聞。他們評估過三條路:買 8 卡機(資本支出 NT$1,500 萬起、交期兩三個月)、海外雲(H100 每卡時 US$2.5-6,整案含實驗估 NT$250-400 萬,資料還要出境)、以及台灣機房租用 2 節點 16×H100 加 200Gbps InfiniBand 的方案,最後走第三條。</p>
<p>執行分兩階段:第一階段用單節點跑 1B 小模型,把資料管線、tokenizer、評測、檢查點機制全部驗證一遍,兩週;第二階段 16 卡全開跑 14B 主訓練,21 天完成,scaling efficiency 實測 91%。過程中不是沒出事——第 9 天一張卡 ECC 錯誤觸發中斷,因為每 30 分鐘存一次檢查點到共享儲存,重啟後只損失了 20 分鐘進度;這種「一定會發生的故障」,正是前兩週把續訓機制跑順的價值所在。</p>
<p>語料工程也占了整案三分之一的工時:300 億 token 的原始資料先過去重與品質過濾,砍掉近四成;再依「領域語料七成、通用語料三成」的配比混合,避免模型學了金融卻忘了普通話;每一批資料都留了 1% 做驗證集,訓練途中每天看一次 loss 與下游任務分數,發現異常能立刻定位是哪一批資料的問題。他們的心得很直接:多節點訓練燒錢的速度是每小時計的,資料沒準備好之前,一分鐘叢集都不要開。</p>
<p>成本這樣拆:叢集租期三個月(含前置與緩衝)控制在七位數初,大約是自購方案的六分之一,而且訓練結束就退租,不用養一台每年折舊六位數的鐵。對台灣團隊還有一個實際的點:凌晨三點的 NCCL 通訊錯誤,打電話有中文工程師一起查,不用等美西時區上班——多節點訓練的除錯常常是「環境問題」而不是「程式問題」,在地支援的價值在這種時刻最明顯。</p>

<h2>還沒到多節點的你,該做的三件事</h2>
<p>看完如果你發現自己的需求其實是「微調 32B 以下」,恭喜,省下一大筆:一台單卡或雙卡主機就能開工,方法見 <a href="https://www.nss.com.tw/llm-finetuning-lora-gpu">LLM 微調實戰</a>。如果你在單機 8 卡的邊緣,先把三件事做滿再談擴充:開 gradient checkpointing 用兩三成的速度換 30-50% 顯存、用 ZeRO-3 或 FSDP 把狀態切碎、評估 LoRA 能不能取代全參數。三招用盡還是不夠,才進多節點。</p>
<p>真的要進場,依這個節奏走:從 2 節點開始,把 NCCL 參數、網卡綁定、檢查點續訓、故障重啟的 SOP 全部跑順,量到穩定的 scaling efficiency 之後,再決定要不要往 4 節點以上加。跳過這一步直接租大叢集的團隊,常常花一週的叢集租金在查一個網卡設定,那是全案最貴的學費。多節點訓練是能力,不是身分象徵;在對的時間點用對的規模,才是把每一塊 GPU 預算都花在算力而不是等待上。</p>
<p>排程上還有一個省錢技巧:訓練專案的叢集需求是脈衝式的——資料準備期用單卡機、主訓練期租滿、收尾評測期再縮回單卡。跟主機商把這條曲線講清楚,分階段租用,比整案期間全程掛著大叢集省 30-50%。台灣機房的另一個優勢在這裡:溝通成本低,規格調整常常一通電話當天生效,海外供應商光開工單來回就是兩三天。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-20-points-20260714.jpg" alt="多節點分散式訓練入門:什麼時候一台 GPU 主機不夠用?叢集架構與網路需求" loading="lazy"/><figcaption>▲ 跨節點前先確認三件事</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>從單卡實驗機、單機 8 卡,到多節點訓練專案,戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列的彈性配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,訓練型專案可以短租、用完即退。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,由顧問依你的模型規模與訓練排程試算節點數與網路規格。</p>

<h2>常見問題 FAQ</h2><h3>什麼情況一定要用多節點訓練?</h3><p>兩種:全參數訓練 70B 以上模型(顯存需求 700GB 起,超過單機 8×H100 的 640GB),或持續預訓練需要在合理時間內吃完數百億 token 語料。若只是 LoRA 微調,70B 也只要 150-190GB,單機 3-4 張 H100 就能解決,不必跨節點。</p><h3>資料平行、張量平行、管線平行差在哪?</h3><p>資料平行是每卡一份完整模型、分頭吃資料,解決「訓練太慢」;張量平行把單層運算切給多卡合算,解決「單層太大」,通訊量極高只適合 NVLink 內;管線平行把模型按層切段跨卡跨節點放,解決「模型太深」。大型訓練通常三者混用,由框架自動調度。</p><h3>節點之間的網路要多快才夠?</h3><p>跨節點訓練的入場標準是 100Gbps RDMA(InfiniBand 或 RoCE),大型叢集普遍用 400Gbps。對照組:10GbE 乙太網路只有 1.25GB/s,跑梯度同步會讓 GPU 閒置 30-40% 以上。租用前務必確認節點間網路規格,這行字比 GPU 型號更影響實際訓練速度。</p><h3>scaling efficiency(擴展效率)多少算合格?</h3><p>2-4 節點的健康值是 85-95%:意思是卡數翻倍、實際吞吐拿到 1.7-1.9 倍。若實測掉到 70% 以下,先查節點間頻寬、NCCL 拓撲設定與資料載入瓶頸。效率長期低於 75% 時,多租的節點等於在燒錢,不如先回單機把配置調順。</p><h3>ZeRO 和 FSDP 是什麼?能省多少顯存?</h3><p>兩者都是把優化器狀態、梯度、權重切碎分散到多卡的技術,ZeRO 來自 DeepSpeed,FSDP 是 PyTorch 原生版。以 ZeRO-3 全切為例,單卡顯存需求可降到接近「總需求除以卡數」,讓 8×80GB 有機會跑動 500GB 級的全參數訓練,代價是通訊量增加、速度慢 10-30%。</p><h3>多節點訓練中途斷掉怎麼辦?</h3><p>標準做法是週期性存檢查點(checkpoint):每 30-60 分鐘或每 N 步把權重與優化器狀態寫進共享儲存,故障後從最近檢查點續訓,損失控制在一小時內。檢查點檔案很大(70B 全狀態約 800GB 以上),儲存要配 NVMe 並預留 3-5 份的空間。</p><h3>訓練 70B 模型大概要多少張 H100、多久?</h3><p>全參數微調 70B、資料量 100 萬筆指令等級:常見配置是 2 節點 16×H100,訓練數天到兩週,視序列長度與 epoch 數而定。若改用 LoRA,單機 4×H100 數天內可完成,成本差 3-5 倍。先確認任務真的需要全參數,再上重裝備。</p><h3>租多節點叢集,月費大概什麼量級?</h3><p>台灣機房的行情,單機 8×H100 等級月租約在七位數上下浮動,2 節點翻倍,另計 InfiniBand 網路與儲存。好消息是訓練專案通常 1-3 個月結束,短租加用完即退,總成本常只有自購的 10-20%,還不用扛折舊與機房維運。</p><h3>單機多卡和多節點,程式要改多少?</h3><p>用 PyTorch FSDP、DeepSpeed 或 Accelerate 的話,單機到多節點主要是改啟動參數與環境設定(節點清單、NCCL 網卡綁定),訓練程式碼本身改動很小。真正花時間的是叢集除錯:網卡挑錯、防火牆擋掉通訊埠這類環境問題,佔了多數導入工時。</p><h3>可以先在單機驗證,再擴到多節點嗎?</h3><p>這是最推薦的路徑:先用單機小模型(如 1B-7B)把資料管線、評測、檢查點機制全部跑通,確認 loss 曲線健康,再原封不動放大到多節點。90% 的訓練問題在小規模就能暴露,單機驗證的幾天時間,能省下多節點階段數十萬的試錯機時。</p>"
                    ["post_title"]=>
                    string(97) "多節點分散式訓練入門:什麼時候一台 GPU 主機不夠用?叢集架構與網路需求"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(31) "multi-node-distributed-training"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 11:02:14"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 03:02:14"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(54) "https://www.nss.com.tw/multi-node-distributed-training"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [5]=>
                  object(WP_Post)#36607 (24) {
                    ["ID"]=>
                    int(125227)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:21:04"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:21:04"
                    ["post_content"]=>
                    string(16202) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:企業要私有部署 LLM,該怎麼選模型和 GPU 規格?</p><p style="margin:0">依任務難度選模型:內部問答用 7B-14B,進階分析用 32B——INT4 量化後約 18-20GB 顯存,24GB 卡可跑;70B 需 140GB 以上、至少雙 H100。授權上 Qwen 是 Apache 2.0、DeepSeek 是 MIT 最單純。台灣機房單卡月租 NT$15,000 起,POC 兩到四週。</p></div>
<p>過去兩年,台灣企業對生成式 AI 的態度走了一個完整的弧線:從「先用 ChatGPT 試試」,到法務跳出來擋下所有把客戶資料貼進境外服務的行為,再到現在——「我們能不能自己架一套?」答案是可以,而且 2026 年的開源模型生態已經成熟到,多數企業任務用開放權重模型就能做到商用等級。這篇攻略把私有 LLM 部署的完整決策鏈走一遍:為什麼要私有化、模型怎麼挑、GPU 規格怎麼配、推論引擎怎麼選,以及一個台灣金融業的實際導入時程與成本。讀完你可以直接拿著這份清單跟主機商或內部團隊開需求會議,每一個環節都有可以驗證的數字。</p>

<h2>三個回不去的理由:法遵、成本、延遲</h2>
<p>企業選擇私有部署,理由通常不是情懷。第一個是資料主權與法遵:個資法對當事人資料的利用有明確界線,金管會對金融機構使用雲端服務另有委外規範,醫療則有醫療法與人體研究的資料限制。把病歷、對帳單、客訴紀錄送進境外 API,法遵部門要背的評估與舉證成本,常常比 GPU 還貴。私有部署把整條資料流關在自家或台灣機房內,稽核時一句「資料不出境」能省掉大半文書工作。</p>
<p>第二個是成本結構:API 按 token 計費,用量成長帳單跟著失控;自建是固定月租,量越大單位成本越低。一個內部工具從 50 人試用擴大到全公司 800 人,API 帳單會長 16 倍,自建主機可能只需要從單卡升級成雙卡。第三個是延遲與可控性:台灣機房內網往返 5ms 以內,海外 API 動輒 100ms 起跳,還要承受對方改版、限流、模型下架的風險——2025 年幾波商用模型無預警調價與版本汰換,讓不少把 LLM 綁進核心流程的公司吃過悶虧。當你的產品把 LLM 當成核心元件而不是玩具,這三點遲早會把你推向私有化。</p>
<p>要不要「全部」私有化則是另一題。務實的答案常是分流:敏感資料與高頻任務走私有模型,偶發的長尾雜務留在商用 API,兩邊用同一套 OpenAI 相容介面切換。這種混合架構讓你不必為了 5% 的特殊需求,把私有叢集規格拉到天上。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-19-data-20260714.jpg" alt="私有 LLM 部署完整攻略:資料不出門的企業 AI,從模型挑選到 GPU 規格" loading="lazy"/><figcaption>▲ 內部問答 7B-14B;70B 需 140GB 以上、至少雙 H100</figcaption></figure>
<h2>模型怎麼挑:授權先看,再看中文能力</h2>
<p>2026 年可商用的開放權重模型主要三個家族。Qwen2.5 系列(0.5B 到 72B)多數尺寸採 Apache 2.0 授權,商用最乾淨,繁體中文能力在開源陣營裡屬第一梯隊,是台灣企業的預設起點。DeepSeek 系列採 MIT 授權,R1 推理模型與其蒸餾版(7B 到 70B)在數學、程式、多步推理任務上表現突出,各版本的顯存需求整理在 <a href="https://www.nss.com.tw/deepseek-r1-gpu-requirements">DeepSeek R1 GPU 需求對照</a>。Llama 3.x 系列生態工具最完整,但用的是 Meta 社群授權,有月活躍用戶數等附帶條件,法務過件前要看清楚。</p>
<p>繁體中文有幾個實測才會浮現的細節:部分模型輸出會夾雜簡體字或中國用語(「軟件」「視頻」這類),對外文件不能接受,解法是系統提示詞強制台灣用語加後處理檢查,或直接挑繁中表現穩定的模型版本;金融與法律的專有名詞理解也要專門測,「附買回」「融資融券」這種詞彙,不同模型的表現差距很大。建議的做法是準備 50-100 題你自己領域的測題,拉兩三個候選模型做盲測,由業務單位而不是工程師評分。</p>
<p>挑尺寸的原則比挑家族簡單:內部問答、摘要、格式轉換,7B-14B 就夠;涉及多步推理、長文分析、程式生成,32B 是品質與成本的甜蜜點;70B 留給對答案品質錙銖必較的場景。別迷信參數量——盲測常常發現 14B 在你的任務上跟 32B 打平,一年省下的月租差價是六位數。另外記得看模型的「款式」:一般指令模型反應快、適合日常任務;推理模型(如 R1 系列)會先輸出思考過程,難題正確率高但 token 消耗數倍,兩種各架一個、按任務路由,是越來越主流的配置。</p>
<p>下載與供應鏈也別隨便:權重一律從官方 Hugging Face 帳號或可信鏡像取得,核對雜湊值並記錄版本;推論框架與相依套件鎖定版本,進了內網就不隨意更新。曾有企業從來路不明的鏡像抓了號稱加速版的權重,行為跟官方版有出入,查了兩週才找到源頭。私有部署的安全紅利,建立在你對每一個元件的來源都有掌握的前提上,這份清單值得放進資安檢核表。</p>

<h2>GPU 規格對照:從 7B 到 70B 的顯存帳</h2>
<table>
<thead><tr><th>模型規模</th><th>FP16 推論顯存</th><th>INT4 量化顯存</th><th>建議配置(含 KV cache 餘裕)</th></tr></thead>
<tbody>
<tr><td>7B-8B</td><td>14-16GB</td><td>5-6GB</td><td>1×RTX 4090 24GB</td></tr>
<tr><td>14B</td><td>28-32GB</td><td>9-11GB</td><td>1×RTX 4090(INT4)或 1×L40S 48GB(FP16)</td></tr>
<tr><td>32B</td><td>64-70GB</td><td>18-20GB</td><td>1×RTX 4090(INT4)或 1×H100 80GB(FP16)</td></tr>
<tr><td>70B-72B</td><td>140-150GB</td><td>40-45GB</td><td>2×H100(FP16)或 2×RTX 4090 / 1×L40S+(INT4)</td></tr>
</tbody>
</table>
<p>三個規劃要點。量化是私有部署的好朋友:INT4 讓顯存需求砍半再砍半,主流任務的品質損失多在 2-3% 內,先上量化版、有預算再升 FP16 是務實路線。KV cache 要另外算:表中權重之外,每一路併發、每 4K token 的上下文,依模型會再吃 0.5-2GB,對外服務至少預留 30% 顯存。還有升級路徑:用支援張量平行的推論引擎,之後從單卡換雙卡、雙卡換 H100,服務層程式碼幾乎不用改。</p>
<p>用一個情境把 KV cache 講得更白:你部署 32B INT4(權重 20GB)在一張 24GB 卡上,單人使用一切正常;開放給 50 人後,尖峰 6 路併發、每路 8K 上下文,KV cache 需要 6-12GB,這張卡立刻爆。同一個模型,規格卻要看「誰在用、怎麼用」,這就是為什麼報規格前要先回答併發數與上下文長度兩個問題,而不是只報模型名字。長文件分析場景(動輒 32K 上下文)更要特別小心,單路的 KV cache 就可能吃掉 4-8GB。</p>

<h2>推論引擎與服務化:從 Ollama 到 vLLM</h2>
<p>模型下載下來只是權重檔,要變成服務還缺一層推論引擎。POC 階段用 Ollama 最快,一行指令拉起模型,適合給內部小規模試用;要上生產環境,vLLM 或 SGLang 才是正解——它們的 continuous batching 與 PagedAttention 能把同一張卡的吞吐拉高 5-10 倍,並提供 OpenAI 相容 API,前端應用只要改一行 base_url 就能從商用 API 無縫切換過來。</p>
<p>服務化的細節——延遲怎麼壓、併發怎麼估、要不要開多副本——是另一篇的主題,見 <a href="https://www.nss.com.tw/ai-inference-api-hosting">AI 推論 API 自建教學</a>。這裡只強調一件最常被忘掉的事:私有部署不等於裸奔。API key 的發放與輪替、請求與回應日誌(含個資遮罩)、輸入輸出的敏感詞過濾、每月用量報表——這些治理機制要在第一天就做,不然「私有」只是把風險從供應商搬回自己家。金融業的稽核尤其會查日誌完整性與權限分離,補做的成本是先做的三倍起跳。</p>
<p>維運面給一個誠實的預期:私有 LLM 上線後的常態工作量,約是每週半天到一天——看監控、處理個案、每月演練一次故障重啟、每季評估一次新模型。這不需要專職團隊,但需要一個明確的負責人;完全沒有 Linux 維運能力的公司,建議把這層外包給主機商的託管服務,別讓系統變成沒人敢動的孤兒。</p>

<h2>台灣案例:投信公司的內部文件助理</h2>
<p>一家台北的投信公司,120 名員工,想讓研究員用自然語言查詢內部研究報告、公開說明書與法遵文件。資料屬性決定一切:這些文件不能離開公司控制範圍,金管會的雲端委外規範也讓境外 API 直接出局。他們的做法是在台灣機房租一台 H100 80GB 主機,跑 Qwen2.5-32B FP16 配 vLLM,前面接 RAG 檢索層,月租約 NT$70,000。</p>
<p>時程走得很典型:第 1-2 週用一張 4090 主機(月租 NT$18,000)做 POC,拿 80 題研究員實際會問的問題盲測 7B、14B、32B 三個尺寸,結論是 32B 在跨文件比對題上正確率高出 14B 約 12 個百分點,值得上;第 3-6 週建正式環境、接 SSO 權限與稽核日誌;第 7-8 週試營運。POC 用小卡、正式上大卡的兩段式做法,讓他們在只花 1.8 萬的階段就修正了兩個方向性決策——原本想用 70B,盲測發現對他們的題型增益不到 3 個百分點,直接省下一半月租。</p>
<p>上線三個月的營運數字:研究員平均每天問 340 次,尖峰併發 8 路,p95 回應延遲 2.1 秒;使用率最高的不是原本設想的報告查詢,而是「幫我把這段英文法遵函釋整理成繁中重點」這類翻譯摘要任務,佔了四成流量——這也是私有部署的隱藏優勢,用量爆了也不心疼,員工才敢把它用進日常。法遵部門的評語比任何跑分都有說服力:資料流全程在境內,稽核一次過。</p>

<h2>導入時程與總成本怎麼抓</h2>
<p>綜合幾十個案子的經驗,私有 LLM 部署的合理時程是:POC 兩到四週(單卡主機、量化模型、內部評測集),試營運四到六週(正式規格、權限與日誌、小範圍開放),然後全面上線。硬體之外的成本大頭是人:需要一位能維運 Linux 與容器的工程師兼職照顧,加上業務單位一位懂資料的窗口。全案抓下來,中型企業第一年的總持有成本多落在 NT$50 萬到 200 萬之間,對比動輒七八位數的商用授權案,這個數字通常過得了董事會。時程的最大變數在資料:文件散亂、權限歸屬不明的公司,前置整理常吃掉一半時間,這部分請誠實評估。</p>
<p>驗收建議寫成里程碑:POC 結束要有盲測分數與規格建議書;試營運結束要有 p95 延遲、可用率與使用量報表;全面上線滿一個月,要有部門滲透率與滿意度數字。每一關都有可驗證的產出,預算追加才有依據,專案也不會走著走著變成沒人敢驗收的懸案。</p>
<p>把第一年 TCO 拆開看會更好談預算:主機月租(單卡 NT$15,000-25,000 或 H100 級 NT$60,000-80,000)占五到七成,導入期的顧問或工程工時占兩到三成,剩下是評測、資安檢測與雜項。第二年起只剩月租與少量維運,成本曲線是前高後低。至於「租還是買」:買一台 H100 等級主機資本支出數百萬,加上機房、電力、備品與三年折舊,只有在負載長期滿載時才划算;先租十二個月把規格試到收斂,再拿真實使用率去算買斷的回本期,是財務上最站得住腳的順序。</p>
<p>最容易被砍掉重練的錯誤只有一個:第一天就買卡。模型迭代太快,今天為 70B 買的 8 卡機,半年後可能被 32B 的新模型追平。用台灣機房的月租主機把規格試到收斂,再決定要不要自建,是風險最低的路。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-19-points-20260714.jpg" alt="私有 LLM 部署完整攻略:資料不出門的企業 AI,從模型挑選到 GPU 規格" loading="lazy"/><figcaption>▲ 資料不出門的部署路徑</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>私有 LLM 部署的每個階段需要的火力不同:POC 用單張 RTX 4090,正式環境可能要 H100 多卡。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,規格可隨導入階段升級。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問會依你的資料敏感度與任務需求試算規格。</p>

<h2>常見問題 FAQ</h2><h3>私有部署 LLM 最低的硬體門檻是多少?</h3><p>一張 24GB 的 RTX 4090 就能起步:7B 模型 FP16 推論占 14-16GB,或 32B 的 INT4 量化版占 18-20GB,都放得下。台灣機房這種單卡主機月租約 NT$15,000-25,000,足夠支撐數十人的內部使用,是最常見的 POC 起點。</p><h3>開源模型商用,授權上要注意什麼?</h3><p>Qwen2.5 多數尺寸是 Apache 2.0、DeepSeek 是 MIT,商用幾乎沒有附帶條件;Llama 3.x 用 Meta 社群授權,有大型平台月活門檻與再散布規定,需要法務確認。另外注意部分模型的量化版與衍生版授權可能與原版不同,下載來源要留紀錄備查。</p><h3>7B、32B、70B 模型的能力差距到底多大?</h3><p>以企業任務實測,7B 足以應付摘要、分類、格式轉換;32B 在多步推理與跨文件分析上,正確率常比 7B 高 15-25 個百分點;70B 再往上的增幅通常剩 3-8 個百分點,但顯存需求翻倍。建議用自己的 50-100 題測題盲測,而不是看排行榜。</p><h3>INT4 量化會讓模型變笨嗎?</h3><p>主流 GPTQ、AWQ 量化在常見任務上的品質損失約 1-3%,多數使用者感覺不出來;顯存卻能省 70% 以上,32B 從 64-70GB 壓到 18-20GB。要求最高的場景(法律條款比對、程式生成)可以 FP16 與 INT4 各架一套 A/B 實測再決定。</p><h3>私有部署後,模型多久要更新一次?</h3><p>開源模型大約每 3-6 個月出現一波明顯升級。建議每季用固定評測集重測一次新模型,分數高出 5 個百分點以上再換,避免追版本疲勞。換模型的成本主要在重跑評測與回歸測試,權重本身下載替換半天內可完成。</p><h3>vLLM 和 Ollama 該用哪個?</h3><p>POC 與個人使用選 Ollama,安裝到起服務 10 分鐘搞定;正式環境選 vLLM 或 SGLang,continuous batching 可把同卡吞吐拉高 5-10 倍,多人併發下的 p95 延遲差距非常明顯。兩者都有 OpenAI 相容 API,前期驗證、上線切換很順。</p><h3>金融業用私有 LLM,法遵上可行嗎?</h3><p>可行,而且私有化正是為了過法遵:資料全程留在境內機房,滿足個資法與金管會對委外及資料治理的要求,搭配存取控制與完整日誌即可受檢。台灣已有投信、銀行把內部文件助理跑在自建或租用 GPU 主機上的案例,稽核重點是資料流向與權限紀錄。</p><h3>私有 LLM 的回應速度大概多快?</h3><p>單使用者:7B 在 RTX 4090 上約每秒 60-100 個 token,32B INT4 約 25-40 個,一段 300 字回答 10 秒內完成;上 vLLM 後 10-20 路併發仍可維持每人每秒 20 個 token 以上。台灣機房網路往返約 5ms,體感比海外 API 快得多。</p><h3>除了 GPU,主機的 CPU 和記憶體要怎麼配?</h3><p>推論主機的通則是:系統記憶體至少是總顯存的 1.5-2 倍(載入與轉檔時要用),CPU 8-16 核心即可,硬碟建議 NVMe SSD 500GB 起跳放多版本權重。RAG 場景另外加向量資料庫的 16-32GB 記憶體。這些在租用方案裡通常已包含,確認規格單即可。</p><h3>一年的總持有成本大概多少?</h3><p>以 120 人企業、32B 模型、單張 H100 規格估:主機月租約 NT$60,000-80,000,一年 72-96 萬;加上工程師兼職維運與前期導入顧問,第一年總成本常落在 NT$100-200 萬。同樣用量走商用 API,帳單加法遵評估往往不會比較便宜,且資料須出境。</p>"
                    ["post_title"]=>
                    string(87) "私有 LLM 部署完整攻略:資料不出門的企業 AI,從模型挑選到 GPU 規格"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(22) "private-llm-deployment"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 11:01:19"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 03:01:19"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(45) "https://www.nss.com.tw/private-llm-deployment"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [6]=>
                  object(WP_Post)#36621 (24) {
                    ["ID"]=>
                    int(125226)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:21:00"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:21:00"
                    ["post_content"]=>
                    string(16377) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:RAG 是什麼、企業導入需要什麼 GPU 配置?</p><p style="margin:0">RAG(檢索增強生成)先把文件切塊轉成向量索引,提問時檢索出最相關段落,交給 LLM 生成附來源的回答,模型不必重訓,知識更新是分鐘級。50 人內用 7B-14B 模型,一張 RTX 4090 主機就能起步,台灣機房月租約 NT$15,000-25,000;200 人以上建議 32B 模型與 48-80GB 顯存。</p></div>
<p>企業想讓 AI 回答內部知識,第一直覺常是「微調一個自己的模型」。但 2026 年的實務標準答案,八成是 RAG。原因很直接:公司的知識天天在變,產品規格改版、SOP 更新、法規修正,你不可能每次都重訓模型;而 RAG 只要更新索引,幾分鐘內新知識就上線。這篇文章講清楚 RAG 的運作原理、三段式的 GPU 需求怎麼估、導入成本落在什麼區間,並用一個台灣製造業的案例展示從評估到上線的完整過程。看完你應該能自己畫出第一版架構圖,並且對「這件事要花多少錢」有一個誤差不超過三成的估計。</p>

<h2>RAG 是什麼?一條「檢索加生成」的流水線</h2>
<p>RAG 的全名是 Retrieval-Augmented Generation,檢索增強生成。流程拆開看只有四步:把企業文件切成 300-800 字的小塊(chunking),用 embedding 模型把每一塊轉成向量存進向量資料庫;使用者提問時,問題同樣轉成向量,到資料庫裡找出最相近的 3-8 個段落;可以再加一層 reranker 模型精排,把真正相關的段落挑到前面;最後把這些段落連同問題一起塞進 prompt,讓 LLM 生成回答,並附上引用來源。</p>
<p>用一個具體例子走一遍。員工問「特休沒休完可以換錢嗎?」系統把這句話轉成向量,從索引裡撈出人事規章第 3.2 節與勞基法相關段落,reranker 確認這兩段最相關,LLM 讀完後回答:「依公司人事規章 3.2 條,年度未休畢特休依比例折算工資……」並在答案下方列出出處。使用者點開出處就是原始文件,這條「可驗證」的路徑,正是企業敢把 RAG 交給全公司用的原因。</p>
<p>規模感也給一下:一份 200 頁的 PDF 大約切成 400-800 個 chunk;一萬份文件、百萬級 chunk 的向量索引(1024 維、FP16)本體約 2-4GB,加上原文與中繼資料,整套索引通常在 10-20GB 之間——對現代主機來說是很輕的負擔。關鍵在於:模型本身完全不用動,LLM 負責閱讀理解與寫作,知識全部放在外部索引,加新文件的邊際成本趨近於零。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-18-data-20260714.jpg" alt="RAG 是什麼?不用重訓模型的企業知識庫方案,GPU 配置與導入成本指南" loading="lazy"/><figcaption>▲ 檢索增強生成:不重訓模型,回答自帶來源</figcaption></figure>
<h2>為什麼企業知識庫首選 RAG 而不是微調</h2>
<p>把知識「訓進」模型有兩個結構性問題。一是更新成本:每次文件異動都要重跑訓練,一輪動輒數小時到數天,而企業知識的半衰期很短——電商的品規週週改,製造業的製程參數月月調,金融業的法遵函釋隨時來。二是不可追溯:模型答錯了,你不知道它是從哪筆資料學歪的,對需要稽核軌跡的產業是致命傷。RAG 剛好相反,答案旁邊就掛著來源文件,稽核人員點開就能核對。</p>
<p>成本差距也很具體。維護一套 RAG 索引,新增文件是增量更新、秒級完成,全量重建一次的 GPU 機時通常不到一小時;而同等知識量的微調,單輪訓練成本是它的數十倍,還要先把文件改寫成上萬筆問答格式的訓練資料,這道工序本身就是一個小專案。</p>
<p>還有一個很少被講白的面向:RAG 會逼你把知識治理做起來。哪些文件是現行版、誰有權看哪一類、過期文件怎麼下架——這些問題在建索引的第一週全部會浮出來,而它們本來就該被回答。反過來看,微調把知識揉進權重裡,版本與權限完全無從管理,答案對錯只能事後抽查,對受監理的金融、醫療產業幾乎是不可接受的黑盒。很多公司做完 RAG 之後回頭感謝的,其實是這一段被迫完成的文件大掃除。</p>
<p>當然,RAG 也有做不到的事:它改不了模型的語氣、輸出格式與任務行為,那是微調的守備範圍,兩者的分工可以參考 <a href="https://www.nss.com.tw/llm-finetuning-lora-gpu">LLM 微調實戰</a>。成熟團隊的終局架構多半是混合式:RAG 管知識、LoRA 管行為,先做 RAG 驗證價值,半年後再視需要補一層微調,投資順序不要反過來。</p>

<h2>GPU 需求拆解:embedding、reranker、LLM 三段</h2>
<p>RAG 系統的顯存消耗來自三個模型,量級差很多。embedding 模型(如 bge-m3、multilingual-e5 這類 0.3-2B 參數的模型)推論只要 2-6GB;reranker 模型同樣輕,2-4GB 就夠;真正的大戶是負責生成的 LLM——7B 模型 FP16 推論約需 14-16GB,14B 約 28-32GB,32B 約 64-70GB,若用 INT4 量化可以再省一半以上,32B 壓到 18-20GB,一張 24GB 卡就裝得下。</p>
<p>延遲的組成也值得認識:embedding 一次查詢 10-30ms,向量搜尋 10-50ms,reranker 50-150ms,而 LLM 生成占掉九成時間——一段 300 字的回答,以每秒 30-60 個 token 的速度要跑 10-20 秒。所以優化體感的重點永遠在生成段:開串流輸出讓使用者邊生成邊閱讀,體感延遲立刻從「等 15 秒」變成「等 1 秒」。建索引的吞吐則看 embedding:一張 4090 每秒可處理數百到數千個 chunk,百萬級索引初次建置約 1-3 小時,夜間排程綽綽有餘。</p>
<p>併發的速算法也給一個:內部工具的尖峰併發約是總人數的 5-10%,100 人公司抓 5-10 路。7B 模型配一張 4090,撐 10-20 路沒問題;32B INT4 因為權重就占掉 18-20GB,單卡併發建議壓在 5-8 路,超過就分雙卡或升 48GB 卡。先用保守配置上線、看兩週監控數據再決定加不加卡,永遠比一次到位便宜。</p>
<p>三段可以塞在同一張卡,也可以分開。50 人以內的內部知識庫,一張 RTX 4090 同時跑 7B INT4 生成加 embedding 綽綽有餘;使用者破兩百人、尖峰併發 10-20 路時,建議把 embedding 與 reranker 留在小卡或 CPU,生成模型獨占一張 48GB 以上的卡,否則檢索尖峰會跟生成搶資源,延遲直接翻倍。另一個常被忽略的顯存項目是 KV cache:併發越高、對話越長,占用越大,規劃時要在模型權重之外預留 20-40% 顯存。</p>

<h2>規模對照表與成本區間</h2>
<table>
<thead><tr><th>使用規模</th><th>建議模型組合</th><th>GPU 配置</th><th>月租行情(台灣機房)</th></tr></thead>
<tbody>
<tr><td>POC 驗證</td><td>7B INT4 + bge-m3</td><td>1×RTX 4090 24GB</td><td>NT$15,000-20,000</td></tr>
<tr><td>50 人內部使用</td><td>7B-14B + embedding + reranker</td><td>1×RTX 4090 或 1×L40S 48GB</td><td>NT$18,000-35,000</td></tr>
<tr><td>200 人、併發 10-20</td><td>32B INT4 + 完整檢索鏈</td><td>2×RTX 4090 或 1×H100 80GB</td><td>NT$40,000-80,000</td></tr>
<tr><td>500 人以上或對外服務</td><td>32B-70B、多副本負載均衡</td><td>2×H100 起跳</td><td>NT$120,000 起</td></tr>
</tbody>
</table>
<p>讀表時注意三件事。規模看的是「尖峰併發」而不是員工總數,一般內部工具的併發約是總人數的 5-10%;模型尺寸決定答案品質的天花板,32B 對 7B 的優勢在跨文件推理題上特別明顯,常有 15-20 個百分點的正確率差距;GPU 之外還有配角成本——向量資料庫吃的是 CPU 與 16-32GB 記憶體、索引與日誌的儲存、以及建置評測集的人力,這些加總約占專案總成本一到兩成。</p>
<p>對照雲端 API 的帳:呼叫商用模型 API 每百萬 token 約 US$0.5-15,小量使用便宜;但企業知識庫的痛點通常不是錢,而是文件必須送到境外模型商手上。自建 RAG 的月租是固定成本,量再大都不會爆,敏感文件也從頭到尾不離開機房,這兩點才是台灣企業選擇自建的主因。</p>
<p>拿數字算個分水嶺:一次問答連同檢索段落約消耗 3,000-6,000 個 token,200 人公司每天 500 次問答,月消耗大約 3,000-9,000 萬 token。走中階商用 API 月費看起來還可控,但前提是「文件可以出境」而且「用量不再成長」;一旦任一前提破掉——來了敏感專案、或使用量隨導入深化翻了三倍——自建的固定月租立刻反超。多數企業算完這筆帳,就把 API 留給不敏感的雜務,核心知識庫走自建。</p>

<h2>台灣案例:精密加工廠的 SOP 知識庫</h2>
<p>台中一家 280 人的精密加工廠,累積了 1.2 萬份文件:ISO 程序書、設備原廠手冊、工安 SOP、歷年異常處理紀錄。痛點很典型——新人找一份正確版本的 SOP 平均要 20 分鐘,夜班遇到設備異常只能打電話吵醒資深工程師。而這些文件混著客戶 NDA 與製程參數,受營業秘密法保護,法務直接否決任何「上傳到境外雲端 AI」的方案。</p>
<p>他們最後在台灣機房租了一台雙 4090 主機,跑 Qwen2.5-32B 的 INT4 量化版,配 bge-m3 做繁中檢索,月租約 NT$45,000。導入花了兩個月:第一個月清文件、建索引、跑 150 題內部評測集把命中率從 71% 調到 93%;第二個月試營運與權限分級。過程中真正難的不是模型,是文件工程——三成的手冊是掃描檔,要先過 OCR 與人工抽驗;製程參數表不能直接切塊,得整表保留並補上表頭說明;不同部門的文件還要掛權限標籤,業務看不到製程資料,產線查不到報價單,這些前置工作占掉全案一半以上的工時。</p>
<p>上線後新人查 SOP 的時間從 20 分鐘縮到 2 分鐘內,夜班打給資深工程師的次數少了六成。附帶的好處是延遲:機房在台灣,問答往返網路延遲 5ms 上下,比呼叫海外服務的 60-150ms 順暢得多,產線平板上用起來像即時對話。廠長事後的評語很實在:這套系統最大的價值不是 AI 多聰明,是它終於逼公司把二十年的文件整理成一套有版本、有權限的資產。</p>
<p>成本結構也值得記下來:這個案子的外部支出就是兩個月機器月租共約 9 萬元,其餘全是內部工時;同樣範圍交給系統整合商從零客製,市場報價常落在 NT$150-300 萬。自建加租機的組合,把試錯成本壓到外包報價的零頭,這也是我們一貫建議企業「先小做、驗證了再放大」的底氣。</p>

<h2>常見翻車點:九成的爛 RAG 都是檢索的錯</h2>
<p>導入 RAG 失敗的專案,問題極少出在 LLM,幾乎都出在檢索。常見的坑排下來:chunk 切太大或太小——300-800 字、前後保留 10-20% 重疊是穩健起點,表格與條列要特殊處理;embedding 模型不擅長繁體中文——選 bge-m3 或 multilingual-e5 這類多語模型,別拿純英文模型硬上;沒放 reranker——多這一層 2-4GB 顯存的小模型,常常就是命中率從七成到九成的差距;以及沒有評測集——上線前準備 50-200 題有標準答案的內部問題,每次調參數都重跑,不然你永遠在憑感覺調。</p>
<p>幻覺控制也有標準做法:在 prompt 裡強制「只能根據提供的段落回答,並列出引用編號」,檢索相似度低於門檻時直接回「資料庫中查無相關內容」,寧可不答也不要瞎掰。這些設定做齊,企業內部問答的可用率把握做到九成以上。</p>
<p>上線不是終點,RAG 是要養的。固定的維運節奏建議:新文件自動進索引(每日或每週排程)、每月跑一次評測集回歸確認沒有品質飄移、每季檢視一次「查無資料」與低分回答的清單,回頭補文件或調切塊。這些工作每月大約半人日,卻是系統一年後還好用的關鍵。想再深入私有化部署的模型選型與服務化細節,可以接著讀 <a href="https://www.nss.com.tw/private-llm-deployment">私有 LLM 部署完整攻略</a>。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-18-points-20260714.jpg" alt="RAG 是什麼?不用重訓模型的企業知識庫方案,GPU 配置與導入成本指南" loading="lazy"/><figcaption>▲ RAG 導入的規模對照表</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>RAG 是企業 AI 裡投資報酬最好算的一種:GPU 需求從單張 4090 起步,隨使用人數線性成長,不會一開始就逼你上重裝備。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,POC 到正式環境可以無痛升級。方案與規格見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問會依你的文件量與使用人數建議配置。</p>

<h2>常見問題 FAQ</h2><h3>RAG 和微調最大的差別是什麼?</h3><p>RAG 把知識放在外部向量索引,模型不動,文件更新後幾分鐘就生效,回答還能附上來源;微調是把行為訓進模型,適合改語氣與格式,但知識一變就要重訓,單輪成本是重建索引的數十倍。企業知識庫九成情境應該先做 RAG。</p><h3>導入 RAG 最低的 GPU 門檻是多少?</h3><p>POC 等級只要一張 24GB 的 RTX 4090:跑 7B 模型的 INT4 量化版約占 5-6GB,加上 bge-m3 embedding 的 2-4GB 與 KV cache,單卡綽綽有餘。台灣機房這種主機月租約 NT$15,000-20,000,兩週內可以搭出能給主管試用的版本。</p><h3>RAG 一定需要 GPU 嗎?用 CPU 不行嗎?</h3><p>檢索段可以用 CPU,但 embedding 建索引會慢 10 倍以上;生成段用 CPU 跑 7B 模型每秒只有個位數 token,一個回答要等一兩分鐘,基本不可用。實務上一張入門 GPU 就能讓回答速度到每秒 30-60 個 token,體驗完全不同。</p><h3>文件要怎麼切塊(chunking)比較好?</h3><p>通用起點是每塊 300-800 字、前後重疊 10-20%,依標題與段落邊界切而不是硬切字數。表格建議整張保留並附上表頭說明,條列式 SOP 以步驟為單位。切法對命中率的影響常達 10-20 個百分點,值得花一天實驗。</p><h3>向量資料庫該選哪一套?</h3><p>百萬級以下向量,Qdrant、Milvus、pgvector 都夠用,差異主要在維運習慣:已有 PostgreSQL 的團隊用 pgvector 最省事,獨立部署選 Qdrant 輕量好管。向量檢索通常吃 CPU 與記憶體,抓 16-32GB RAM 起步即可,不占 GPU 顯存。</p><h3>RAG 的回答品質要怎麼量化?</h3><p>上線前建 50-200 題有標準答案的評測集,追兩個數字:檢索命中率(正確段落有沒有進前 5)與答案正確率(人工或 LLM 評分)。健康的系統命中率要 85% 以上、正確率 90% 上下;每次調 chunk、換模型都重跑,才知道是變好還變壞。</p><h3>怎麼降低 RAG 的幻覺?</h3><p>三件事做齊:prompt 強制只依提供段落回答並附引用編號;檢索相似度低於門檻就回「查無資料」,不硬答;加 reranker 把不相關段落擋在生成之前。實務上這樣可以把幻覺率壓到 5% 以下,剩下的靠評測集持續抓漏。</p><h3>200 人規模的公司,RAG 主機月費大概多少?</h3><p>尖峰併發 10-20 路、用 32B INT4 模型加完整檢索鏈,建議 2×RTX 4090 或一張 H100 80GB,台灣機房月租約 NT$40,000-80,000。比起呼叫雲端 API,固定月租的好處是用量再大帳單也不會失控,且文件全程不出機房。</p><h3>RAG 適合處理 Excel 和圖面這類非文字資料嗎?</h3><p>表格類資料要先轉成結構化文字或用表格感知的解析器處理,效果才穩;工程圖面、照片則需要多模態模型(如 Qwen-VL 系列),顯存需求會多 30-50%。建議第一期先做純文字文件,驗證價值後再擴充多模態,風險最低。</p><h3>資料完全不能出公司,RAG 做得到嗎?</h3><p>可以,這正是自建 RAG 的主場:embedding、向量資料庫、LLM 全部跑在你租用或自有的主機上,文件與問答紀錄都不離開機房。台灣機房方案還能滿足個資法與客戶 NDA 的稽核要求,金融與製造業已有大量落地案例。</p>"
                    ["post_title"]=>
                    string(88) "RAG 是什麼?不用重訓模型的企業知識庫方案,GPU 配置與導入成本指南"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(24) "rag-enterprise-gpu-guide"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 11:00:21"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 03:00:21"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(47) "https://www.nss.com.tw/rag-enterprise-gpu-guide"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [7]=>
                  object(WP_Post)#36619 (24) {
                    ["ID"]=>
                    int(125224)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:20:58"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:20:58"
                    ["post_content"]=>
                    string(17010) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:LLM 微調該選 LoRA 還是 Full Fine-tuning?</p><p style="margin:0">八成企業場景用 LoRA 就夠:凍結原模型、只訓練低秩適配層,顯存約全參數微調的 1/3-1/10,7B 模型一張 RTX 4090 就能跑。Full Fine-tuning 效果上限較高,但 7B 就要 110GB 以上顯存、成本高 5-10 倍。建議先用 QLoRA 花半天驗證資料有訊號,再決定要不要加碼。</p></div>
<p>「我們想微調一個自己的模型」,這大概是 2026 年台灣企業 AI 導入會議上出現頻率最高的一句話。但再往下追問,十個團隊有八個說不清楚要微調什麼、需要幾張 GPU、預算該抓多少,甚至分不清自己要解的問題到底需不需要微調。這篇文章把 LLM 微調的兩條主要路線——LoRA 與 Full Fine-tuning(全參數微調)——的原理、顯存需求、訓練時間與租用成本一次算清,並附上一個台灣電商團隊從 POC 到上線的完整時程。先講立場:除非你已經用 LoRA 驗證過效果而且確定不夠,否則不要從全參數微調開始,這條原則能替多數團隊省下第一筆冤枉錢。</p>

<h2>先確認你要解的是「行為問題」還是「知識問題」</h2>
<p>微調改變的是模型的「行為」:輸出格式、語氣、領域用語、任務套路。它並不擅長把新知識塞進模型腦袋。想讓 LLM 回答公司內部文件、產品規格、常變動的政策條文,正確工具是 RAG(檢索增強生成),不用重訓模型,知識更新也是即時的,做法可以參考 <a href="https://www.nss.com.tw/rag-enterprise-gpu-guide">RAG 企業知識庫方案指南</a>。</p>
<p>那什麼情境值得微調?幾個典型:客服回覆必須完全符合品牌語氣與 SOP;輸出要是嚴格的 JSON 或報表格式,prompt 調到極限仍有 5% 上下的格式錯誤;醫療、法律、精密製造這類術語密集的領域,通用模型講話「不像內行人」;或者你想把原本要 70B 模型才穩定的任務壓進 7B 小模型,推論成本直接砍到三分之一以下——這是最容易回本的一種。</p>
<p>一個花半天就能做完的自我檢查:拿 20-30 題實際業務問題,用你手上最強的模型加上能寫出的最好 prompt 跑一遍。如果錯的是「答案內容」,例如模型不知道你們的產品規格,那是知識問題,微調救不了;如果錯的是「表達方式」——格式跑掉、語氣不對、廢話太多——才輪到微調上場。另外記住成本結構:prompt 迭代的邊際成本趨近於零,微調一輪動輒數千元機時起跳,能用 prompt 解決的問題,永遠優先用 prompt。多數企業最後的架構是混合的:RAG 管知識,微調管行為,兩邊各司其職。</p>


<figure class="wp-block-image size-full"><img title="戰國策集團LLM 微調實戰:LoRA 和 Full Fine-tuning 差在哪?GPU 需求與成本一次算清" src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-17-data-20260714.jpg" alt="LLM 微調實戰:LoRA 和 Full Fine-tuning 差在哪?GPU 需求與成本一次算清" loading="lazy"/><figcaption>▲ 7B 一張 RTX 4090 就能微調;全參數 7B 要 110GB 以上</figcaption></figure>
<h2>Full Fine-tuning:效果上限最高,顯存是無底洞</h2>
<p>全參數微調就是把模型每一個權重都拿出來更新。效果上限最高,但顯存開銷驚人,因為訓練期間要同時擺四樣東西:模型權重(FP16 每參數 2 bytes)、梯度(2 bytes)、AdamW 優化器狀態(FP32 動量加變異數,8 bytes),再加上隨序列長度與 batch size 成長的激活值。</p>
<p>經驗法則:全參數訓練的顯存需求,大約是「FP16 權重容量」的 8 到 10 倍。7B 模型權重約 14GB,全參數訓練就要 110-140GB,單張 H100 80GB 裝不下,2 張起跳,還得搭配 DeepSpeed ZeRO 或 FSDP 把狀態切到多卡。32B 約 500GB 上下,70B 直接衝破 700GB,進入多節點叢集的世界——那是另一門學問,可見 <a href="https://www.nss.com.tw/multi-node-distributed-training">多節點分散式訓練入門</a>。</p>
<p>激活值是最容易被低估的一項:它隨 batch 與序列長度線性成長,4K 序列、batch 8 的設定下,7B 的激活值可以再吃掉 30-60GB,所以實務估算永遠要留緩衝。另一筆隱性成本是實驗管理——全參數微調的每個 checkpoint 都是完整模型,7B 一份 14GB,訓練途中存十份就是 140GB 儲存;超參數掃五組,機時與儲存全部乘以五。這些帳在報價單上看不到,卻真實反映在時程與月結帳單上。</p>
<p>資料需求同樣是門檻:全參數微調通常要上萬到數十萬筆高品質資料才不容易過擬合,一輪訓練以天計。對多數企業,這條路的合理時機只有一個:LoRA 已經證明有效,而你需要再擠出最後幾個百分點,或者要做深度的領域續訓。</p>

<h2>LoRA:凍結原模型,只訓練低秩適配層</h2>
<p>LoRA(Low-Rank Adaptation)的思路完全不同:原模型權重全部凍結,在注意力層旁邊掛上兩個低秩矩陣(rank 一般取 8-64),只訓練這一小撮新增參數,通常僅占原模型參數量的 0.1% 到 1%。</p>
<p>因為梯度與優化器狀態只需要為這不到 1% 的參數保留,整體顯存需求大約降到全參數微調的 1/3 到 1/10。7B 模型跑 FP16 LoRA 約需 18-24GB,一張 RTX 4090(24GB)剛好能吃下;QLoRA 更進一步把凍結的底模量化成 4-bit,7B 只要 8-12GB,16GB 的消費卡都能拿來做實驗。</p>
<p>幾個實務參數直接給你抄:rank 從 16 或 32 起手,純風格任務 8 就有感,複雜任務再往 64-128 試;適配層先只掛注意力層的 Q、K、V、O 四個投影矩陣,效果不足再加 MLP 層,代價是參數量與顯存多三四成;學習率抓 1e-4 到 2e-4,比全參數微調高一個數量級。還有個反直覺的優點:當你的資料只有幾千筆,LoRA 因為可訓練參數少,反而比全參數更不容易過擬合——小資料集的企業場景等於天然適配。</p>
<p>工程面的好處也別忽略。訓練產出的 adapter 檔案只有幾十到幾百 MB,版本管理與回滾都輕鬆;同一個底模可以掛多組 adapter,客服、翻譯、摘要各練一個,推論時動態切換,一台主機同時服務多個任務。對人力有限的台灣中小團隊,這種可維運性比跑分高一兩分重要得多。</p>

<h2>GPU 需求對照表:7B 到 70B 一次看清</h2>
<table>
<thead><tr><th>模型規模</th><th>Full Fine-tuning</th><th>LoRA(FP16)</th><th>QLoRA(4-bit)</th></tr></thead>
<tbody>
<tr><td>7B</td><td>110-140GB,2×H100 80GB</td><td>18-24GB,1×RTX 4090</td><td>8-12GB,1×RTX 4090 有餘裕</td></tr>
<tr><td>14B</td><td>220-280GB,4×H100</td><td>36-48GB,1×L40S 48GB 或 2×4090</td><td>14-18GB,1×RTX 4090</td></tr>
<tr><td>32B</td><td>500GB 上下,8×H100</td><td>75-95GB,2×H100 或 2×L40S</td><td>26-34GB,1×L40S 或 2×4090</td></tr>
<tr><td>70B</td><td>700GB 以上,多節點</td><td>150-190GB,3×H100</td><td>42-50GB,2×4090 或 1×L40S(緊)</td></tr>
</tbody>
</table>
<p>兩個實務提醒。表中數字以 2K-4K 序列長度、小 batch 估算,序列拉到 8K 以上或 batch 加大,激活值會讓顯存再多吃 20-50%;另外,開 gradient checkpointing 可以省下 30-50% 顯存,代價是訓練慢兩到三成,當顯存卡在門檻邊緣時,這是最划算的交換。</p>
<p>訓練時間也給個基準,以 2 萬筆、平均 1K token 的指令資料跑 3 個 epoch 估算:7B LoRA 在 RTX 4090 上約 6-10 小時,H100 約 2-4 小時;14B 大致乘以二;32B 的 QLoRA 在雙 4090 上要 15-25 小時。換算成錢:台灣機房 4090 主機月租 NT$15,000-25,000,攤下來一輪訓練的機時成本不過幾百元——真正貴的是工程師指揮機器的時間,所以把迭代週期縮短,比省那一點機時重要得多。</p>
<p>用這張表抓預算的流程很直接:先定模型規模(絕大多數企業從 7B-14B 起步),再定訓練方式(預設 QLoRA),最後對出顯存與卡數。容易被忽略的是主機配套:載入與轉檔階段很吃系統記憶體,RAM 建議抓總顯存的 1.5-2 倍;資料集加上多版本 checkpoint,硬碟建議 NVMe SSD 500GB 起跳。這些在正規的租用方案裡通常已包含,自組機器時卻最常漏算,開訓當天才發現 RAM 不夠是很常見的慘劇。</p>

<h2>成本試算與導入案例:兩週從 POC 到上線</h2>
<p>先看租用行情。海外雲端 H100 每小時約 US$2.5-6,一次 6 小時的 7B LoRA 訓練折合 NT$500-1,500,單看很便宜。但實務上一個案子會迭代數十次,加上資料前處理、失敗重跑與除錯占用的機時,月帳單很容易衝到 NT$40,000-80,000,而且企業資料得出境。台灣在地 GPU 主機走包月制,RTX 4090 等級月租約 NT$15,000-25,000,吃到飽迭代,資料留在台灣機房,個資法遵評估也單純得多。</p>
<p>看一個實際案例。台北一家 35 人的跨境電商,想把客服 email 草擬自動化,選了 Qwen2.5-7B-Instruct 做 QLoRA,資料是 2.3 萬筆去識別化的歷史工單。時程是:第 1-2 天環境建置與資料清理;第 3 天跑通第一輪訓練,單輪約 4 小時;第 4-10 天共迭代 11 輪,主要在調資料配比與 rank;第 11-14 天做離線評測與上線。設備就是台灣機房一台單卡 4090 主機,整個專案的硬體成本等於一個月月租 NT$18,000。上線兩個月後,客服首次回覆時間從平均 4 小時降到 18 分鐘,AI 草稿採用率 76%。同樣的迭代量若按小時租海外 H100,估 NT$35,000-60,000,還沒算個資出境評估的隱形成本。</p>
<p>這個案子有兩個值得抄的細節。資料清理占掉整個專案約六成工時:他們把 5 萬筆原始工單去重、濾掉罐頭回覆、遮罩個資後只剩 2.3 萬筆可用,但正是這一步讓效果跳上來——第一版直接拿全量原始資料訓練的模型,盲測分數比底模還差。評測做得樸素而有效:上線前用 50 題真實客服情境做人工盲測,上線後每週抽 100 封 AI 草稿人工複核,採用率與修改幅度都進儀表板,「76% 採用率」這個數字就是這樣來的,不是感覺。</p>
<p>雲端與在地的比較,還有兩筆帳常被漏掉。上傳與下載的時間成本:幾十 GB 的資料集與模型權重在跨海頻寬上來回,每次迭代多等半小時起跳,兩週的專案硬是被拖成三週。還有法遵文件成本:客戶資料要出境,法務得做傳輸影響評估與契約檢核,這些人力成本往往超過機時費本身。台灣機房把這兩筆直接歸零,這才是月租數字之外真正的差異。</p>
<p>再補一個時程上的提醒:兩週上線的前提是資料已經存在、只需要清理。如果工單還散在個人信箱、客服系統沒有匯出機制,請先花兩到四週把資料管線建起來再開案,否則 GPU 租了只能空轉。評估微調專案時,「資料在哪、誰能拿到、乾不乾淨」這三個問題,永遠比「要租哪張卡」優先。</p>

<h2>LoRA 的極限:什麼時候該誠實加碼</h2>
<p>LoRA 不是萬靈丹。三種情況它會明顯不夠力:語言或領域移轉幅度太大,例如要讓英文底模深度學會台語文書寫;需要動到模型底層能力,像長推理鏈或更換 tokenizer;以及大規模續訓與蒸餾。此時的升級路徑通常是把 rank 拉高到 128-256 並套用到更多層,再不行才解凍部分層,最後才是全參數微調。</p>
<p>順帶回答一個常見的進階問題:DPO、RLHF 這些對齊技術呢?它們解的是「在多個可行回答之間挑更好的那個」,通常接在監督式微調(SFT)之後,資料要成對的偏好標註,顯存需求與 LoRA SFT 同級或略高。多數企業案子做到 LoRA SFT 就能交付,對齊訓練留給有專職 ML 團隊的公司;至於資料量以十億 token 計的領域續訓,進場前先確認你真的有那個量級的語料,多數產業其實沒有。</p>
<p>我們給客戶的標準建議是反過來走:先用 QLoRA 花半天、幾百元機時,驗證「你的資料有沒有訊號」。有效果,八成的案子就停在 LoRA 直接上線;有效果但不夠力,才值得討論全參數與更大的 GPU 配置。從第一天就上全參數微調的團隊,多數是把預算燒在還沒驗證過的假設上。預算排序也很直觀:先花錢整資料,再花錢租卡,買卡永遠放最後。</p>
<p>給一張可以直接對照的判斷清單:資料少於 5,000 筆、任務屬於格式語氣類、預算在六位數以內——停在 LoRA;盲測顯示模型能力天花板明顯、可用資料超過 10 萬筆、團隊有專職 ML 人力——才值得進全參數。拿這五條對照你的專案,九成的情況答案已經出來了,剩下一成,先跑一輪 QLoRA 再說。</p>


<figure class="wp-block-image size-full"><img title="戰國策集團LLM 微調實戰:LoRA 和 Full Fine-tuning 差在哪?GPU 需求與成本一次算清" src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-17-points-20260714.jpg" alt="LLM 微調實戰:LoRA 和 Full Fine-tuning 差在哪?GPU 需求與成本一次算清" loading="lazy"/><figcaption>▲ LoRA vs Full FT 的選擇邏輯</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>微調專案的 GPU 需求有明顯階段性:POC 期一張 4090 就夠,放大期可能要 H100 多卡。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,機器放在台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,可以隨專案階段彈性升級。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,由顧問依你的模型規模與資料量試算配置。</p>

<h2>常見問題 FAQ</h2><h3>用 LoRA 微調 7B 模型最少需要多少顯存?</h3><p>FP16 LoRA 約需 18-24GB,一張 RTX 4090(24GB)可以執行;QLoRA 把底模量化成 4-bit 後只要 8-12GB。若序列長度超過 4K 或 batch 加大,建議直接抓 24GB 以上,搭配 gradient checkpointing 還能再省 30-50% 顯存。</p><h3>LoRA 的效果會比全參數微調差很多嗎?</h3><p>在指令跟隨、語氣風格、格式控制這類任務上,LoRA 與全參數微調的差距多在 1-3% 以內,人工盲測常分不出來。差距明顯的是深度領域移轉與新語言學習。建議先用 LoRA 驗證方向,確認有效再評估是否值得多花 5-10 倍成本上全參數。</p><h3>微調需要準備多少訓練資料?</h3><p>風格與格式類任務約 500-3,000 筆高品質樣本就有感;任務型指令微調常見 5,000-50,000 筆;全參數領域續訓以十萬筆起跳。資料品質比數量重要,1,000 筆人工校對過的乾淨樣本,效果往往勝過 3 萬筆帶雜訊的原始資料。</p><h3>7B 模型 LoRA 微調一輪要跑多久?</h3><p>以 2 萬筆、平均 1K token 的指令資料訓練 3 個 epoch 估算:RTX 4090 約 6-10 小時,H100 約 2-4 小時;QLoRA 因量化運算反而慢 10-20%。整個專案含迭代通常要跑 10-20 輪,所以包月主機會比按小時計費划算。</p><h3>該選微調還是 RAG?</h3><p>要模型「知道最新內部知識」選 RAG,知識更新即時、回答可附來源;要改變「行為與語氣」選微調。實務上七成企業案子從 RAG 起步,最成熟的架構是 RAG 管知識、LoRA 管格式語氣,兩者並用,總成本反而比硬用單一方案低。</p><h3>QLoRA 是什麼?量化會不會犧牲效果?</h3><p>QLoRA 把凍結的底模用 NF4 格式壓到 4-bit,只有 LoRA 適配層維持高精度,7B 的訓練顯存從 18-24GB 降到 8-12GB。多數公開評測顯示效果損失在 1-2% 內,對預算有限的團隊是首選起點,驗證有效後再換 FP16 LoRA 收尾即可。</p><h3>微調後模型會不會忘記原本的能力?</h3><p>會,術語叫災難性遺忘。全參數微調最嚴重,LoRA 因為凍結原權重,影響小得多。實務解法是在訓練資料混入 5-10% 通用指令資料,並在驗證集加入通用能力測項;若通用分數掉超過 3-5%,通常是學習率太高或 epoch 太多。</p><h3>一張 RTX 4090 能微調 70B 模型嗎?</h3><p>單張 24GB 不行。70B 即使用 QLoRA 也需要 42-50GB 顯存,至少要 2 張 4090 合計 48GB 搭配分片,或一張 48GB 的 L40S 勉強容納。認真做 70B 建議 2-3 張 H100 跑 FP16 LoRA,訓練速度與穩定度跟消費卡是兩個世界。</p><h3>微調專案該租 GPU 還是買卡?</h3><p>迭代期建議用租的:台灣機房 4090 主機月租約 NT$15,000-25,000,免押金、硬體故障有人處理,兩三個月專案期的總成本遠低於購置。等你有全年不間斷的訓練需求且用量穩定,再評估買斷,回本週期一般抓 12-18 個月。</p><h3>訓練資料要整理成什麼格式?</h3><p>主流是 JSONL,每行一筆,含 instruction、input、output 欄位,或 OpenAI 式的 messages 對話格式。真正花時間的是去識別化、去重與品質篩選,這部分通常占專案 40-60% 的工時,比訓練本身還重,建議一開始就排進時程。</p>"
                    ["post_title"]=>
                    string(84) "LLM 微調實戰:LoRA 和 Full Fine-tuning 差在哪?GPU 需求與成本一次算清"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(23) "llm-finetuning-lora-gpu"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 10:59:24"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 02:59:24"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(46) "https://www.nss.com.tw/llm-finetuning-lora-gpu"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [8]=>
                  object(WP_Post)#36617 (24) {
                    ["ID"]=>
                    int(125223)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:16:10"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:16:10"
                    ["post_content"]=>
                    string(18062) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:浸沒式液冷伺服器是什麼?為什麼高密度 GPU 機房要把伺服器泡進液體裡?</p><p style="margin:0">浸沒式液冷伺服器就是把整台伺服器浸入不導電的介電冷卻液中散熱,分為單相(液體不沸騰,靠泵浦與對流循環帶熱)與兩相(液體在晶片表面沸騰汽化,以潛熱散熱,效率更高)兩種。液體帶熱能力遠勝空氣,單櫃可支援 30 到 100kW 以上的 GPU 高密度部署,機房 PUE 能從氣冷的 1.4-1.6 降到約 1.05-1.1,散熱電費大減,還能拆除風扇、大幅降低噪音與故障率。</p></div>
<p>走進一座傳統機房,最先感受到的是風:上千顆風扇的轟鳴、冷通道的寒意、熱通道撲面而來的熱浪。走進一座浸沒式液冷機房,卻安靜得像圖書館,伺服器整台泡在清澈的液體裡,只剩泵浦低鳴。這不是科幻場景,而是 AI 時代高密度 GPU 機房正在發生的散熱革命。這篇文章用顧問的視角,把浸沒式液冷伺服器的原理、單相與兩相的差異、PUE 電費帳本、與氣冷及冷板方案的取捨,以及台灣機房的導入現況,一次講清楚。</p><h2>當機櫃功率衝破 30kW:氣冷正在逼近物理極限</h2><p>十年前,一座標準機櫃裝滿伺服器,總功率大約 3 到 5kW,機房空調吹一吹就能應付。今天一台八卡的 AI 訓練伺服器,滿載功率就可能超過 10kW;疊四台進同一櫃,單櫃輕鬆突破 40kW。NVIDIA 新世代 GPU 平台的參考架構,單櫃功率更已規劃到 100kW 以上。業界的共識很直白:AI 機櫃的功率密度在五年內成長了一個數量級,而且還在往上爬。</p><p>麻煩在於,空氣本質上是很差的導熱介質:熱容量低、導熱係數低,要帶走同樣的熱量,需要非常大的體積流量。機房因此塞滿風扇、空調箱與冷熱通道封閉設施,整棟建築有相當比例的電力不是拿來運算,而是拿來吹風。當單櫃功率超過大約 20 到 30kW,氣冷開始捉襟見肘:風量再大,晶片熱點依舊壓不住,GPU 為了自保觸發降頻,你買來的算力就這樣悄悄打了折。風扇本身也吃電、也會壞,密度越高,這條路就越走越窄。</p><p>許多機房的第一反應是「攤開放」:一櫃只裝三分之一,把熱源稀釋。代價是機位租金與樓地板面積翻倍,叢集節點被迫拉遠,網路佈線與延遲一起惡化。如果你正在規劃 AI 訓練或高效能運算叢集,這道散熱天花板遲早會撞上;想先補齊運算架構的基礎,可參考這篇 <a href='https://www.nss.com.tw/hpc-gpu-computing-guide'>HPC 高效能運算入門指南</a>,本文則聚焦散熱這一側的解法。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-16-data-20260714.jpg" alt="浸沒式液冷伺服器是什麼?高密度 GPU 機房的散熱革命與台灣現況" loading="lazy"/><figcaption>▲ 氣冷機房 PUE 1.4-1.6;浸沒式液冷讓散熱電費大減</figcaption></figure>
<h2>浸沒式液冷伺服器是什麼?單相與兩相的差別</h2><p>浸沒式液冷(immersion cooling)的做法非常直觀:把整台伺服器泡進裝滿「不導電冷卻液」的液槽。這種液體是絕緣的介電流體,主機板、記憶體、GPU 全部浸在裡面也不會短路。液體的導熱與帶熱能力遠勝空氣,晶片的熱量直接傳給緊貼表面的液體,不必再經過散熱鰭片、風扇、空氣這一長串低效率的接力賽。</p><p>依照冷卻液是否沸騰,浸沒式分成兩條技術路線:</p><ul><li><strong>單相浸沒(single-phase)</strong>:冷卻液全程維持液態、不沸騰,靠泵浦與自然對流循環,把熱帶到熱交換器,再由水迴路送出機房。液體多為礦物油或合成碳氫流體,價格相對親民、系統簡單,是目前商用部署的主流。</li><li><strong>兩相浸沒(two-phase)</strong>:使用低沸點氟化液,液體直接在晶片表面沸騰汽化,蒸氣上升到液槽頂部的冷凝盤管,凝結後再滴回槽內形成封閉循環。汽化吸收的是潛熱,單位質量帶走的熱量遠高於單純升溫,散熱效率更高、可支撐更極端的功率密度;代價是氟化液昂貴、槽體要處理蒸氣密封,工程複雜度與成本都高一截。</li></ul><p>一個好記的比喻:單相像把發燙的鐵塊放進不斷攪拌的油鍋,靠油的流動持續帶走熱;兩相像把水灑上燒紅的鐵板,水在瞬間汽化,那一刻吸走的熱量大得多。</p><p>浸沒式還有一項常被低估的紅利:風扇全數拆除。風扇通常吃掉伺服器本身約一成電力,也是機房裡最常故障的機械零件;拆掉之後,故障點減少,震動與灰塵問題一併消失,機房從 85 分貝的轟鳴變成 60 分貝以下的低鳴,運維人員終於不必戴著耳罩巡檢。</p><p>至於大家最擔心的維護:設備要先吊出液槽、瀝液之後才能動手,液槽上方通常配有導軌或小型吊臂輔助,流程與氣冷確實不同。冷卻液本身反而不嬌貴,單相液體的使用壽命常見規劃 8 到 10 年以上,期間定期檢測黏度、含水量與酸值即可;真正的消耗是設備進出時帶走的少量液體,屬於可預估、可編列的營運成本,而不是隱藏地雷。</p><h2>PUE 是什麼?從 1.5 到 1.1 的電費帳本</h2><p>評估機房能效,業界通用的指標是 PUE(Power Usage Effectiveness,電力使用效率):機房總用電除以 IT 設備用電,數字越接近 1 越好。PUE 1.5 代表 IT 設備每用 1 度電,空調、風扇、供電損耗等非 IT 開銷還要再吃 0.5 度。</p><p>傳統氣冷資料中心的 PUE 多落在 1.4 到 1.6;把冷熱通道封閉與氣流管理做到位,壓到 1.3 出頭已屬佳作。浸沒式液冷把散熱主力交給液體,幾乎不需要壓縮機制冷,冷卻迴路可接受 40 度上下的較高水溫,多數時間靠乾式冷卻塔就能把熱排掉,PUE 因此可壓到約 1.05 到 1.1。</p><p>帳本攤開來算最有感。假設一座 IT 負載 1,000kW 的 AI 機房:</p><ul><li>PUE 1.5:總用電 1,500kW,非 IT 耗電 500kW;</li><li>PUE 1.1:總用電 1,100kW,非 IT 耗電僅 100kW,直接砍掉八成;</li><li>兩者差距 400kW,乘上一年 8,760 小時,約省下 350 萬度電;以工業電價每度 NT$3.5 元估算,一年電費差距約 NT$1,200 萬元。</li></ul><p>還有一個行家才會注意的細節:伺服器內建風扇的用電,在 PUE 公式裡是算在 IT 設備那一側的。浸沒式把風扇整批拆掉,等於連分母裡的無效用電也一併省下,實際節能幅度比 PUE 數字表面呈現的更漂亮。省下的也不只是電費:散熱負擔變小,不斷電系統與發電機的容量需求跟著下降,同一棟建築的供電餘裕可以再塞進更多算力,這對受限於契約容量的台灣機房尤其關鍵。同樣的算力,只因散熱方式不同,一年就是千萬元等級的差距;機房規模越大、電價越高,這筆帳越驚人。</p><h2>三條散熱路線對照:氣冷、冷板、浸沒式</h2><p>液冷不是只有浸沒式一條路。另一條更漸進的路線是直接晶片液冷(Direct-to-Chip,簡稱 D2C,俗稱冷板式):在 GPU、CPU 等主要發熱晶片上鎖一塊內部有水道的冷板(cold plate),冷卻液只流經冷板、不接觸其他零件,其餘元件仍靠風扇散熱。D2C 對機房的改造幅度較小,拉水路、加裝冷卻液分配單元(CDU)後即可沿用現有機櫃型態,因此成為多數大型資料中心導入液冷的第一步。</p><p>浸沒式則是最徹底的方案:散熱效果最好、密度上限最高,但機房要改成液槽型態、樓板承重要重新計算、冷卻液要採購與管理、維運流程也得重新訓練。三條路線的取捨,一張表看得最清楚:</p><table><tr><th>比較項目</th><th>傳統氣冷</th><th>直接晶片液冷(D2C 冷板)</th><th>浸沒式液冷</th></tr><tr><td>典型 PUE</td><td>約 1.4-1.6</td><td>約 1.15-1.3</td><td>約 1.05-1.1</td></tr><tr><td>可支援單櫃功率</td><td>常見 10-20kW,優化後約 30kW 接近極限</td><td>約 50-100kW</td><td>100kW 以上,兩相潛力更高</td></tr><tr><td>導入成本</td><td>低,沿用既有設施</td><td>中,需水路管線與 CDU</td><td>高,需液槽、冷卻液與機房改造</td></tr><tr><td>維護難度</td><td>低,人員最熟悉</td><td>中,需管理接頭與防漏</td><td>較高,設備進出需吊掛與瀝液</td></tr><tr><td>噪音與風扇</td><td>風扇多、噪音大</td><td>風扇減少</td><td>幾乎無風扇,近乎安靜</td></tr></table><p>選擇邏輯大致是:單櫃 20kW 以下、預算有限,把氣冷優化到位即可;30 到 80kW 的 AI 機櫃,D2C 冷板是目前的主流解;要一次到位支撐 100kW 級機櫃、機房空間極度受限、或對噪音與能效有硬性要求,才值得直上浸沒式。也有不少案場採混合策略:訓練叢集用液冷,儲存與網路設備留在氣冷區,各取所長。</p><h2>台灣機房為什麼開始認真看液冷?</h2><p>把場景拉回台灣,幾個在地條件讓液冷的投資報酬率比多數國家更好算。</p><ul><li><strong>電價持續走揚</strong>:台灣工業電價每度約 NT$3 到 4 元,夏月(6 到 9 月)費率更高;近年數次調漲後,大用電戶感受最深。機房是 7×24 滿載的用電大戶,PUE 每降 0.1,都直接反映在每月的電費單上。</li><li><strong>土地與空間昂貴</strong>:雙北與桃園的機房空間寸土寸金,氣冷被迫攤開放以稀釋熱源,浸沒式讓同樣算力塞進約三分之一的樓地板面積,省下的租金與土建成本相當可觀。</li><li><strong>氣候先天不利氣冷</strong>:台灣夏季室外動輒 35 度以上、相對濕度 70% 起跳,自然冷卻可用時數短,空調壓縮機幾乎整年重載;液冷迴路可接受較高水溫,盛夏也能靠乾式冷卻塔運轉,對台灣的高溫高濕特別對症。</li><li><strong>ESG 與能效法規</strong>:上市櫃公司要做碳盤查與淨零承諾,主管機關對新建大型資料中心的用電申請也訂出能效門檻,PUE 大致要壓在 1.4 以下才容易取得供電核可;氣冷達標吃力,液冷是最直接的工程解。</li></ul><p>實際動起來的不只科技巨頭:北部已有電信與雲端業者在既有機房劃出液冷專區,中南部新建的資料中心在設計階段就預留液冷管路與樓板承重;台灣的伺服器代工與散熱供應鏈(液槽、冷板、CDU、快接頭)本來就是全球要角,在地取得方案與技術支援相對容易。門檻同樣真實:冷卻液的初次填充與後續補充成本、既有機房的結構與消防改造、維運團隊的重新訓練,都是評估時必須誠實面對的項目;兩相浸沒使用的氟化液,更因主要供應商淡出市場而面臨供應與價格的雙重壓力。務實的建議是分階段走:先用一到兩座液槽驗證業務負載與維運流程,電費與故障率的數字對了,再放大規模,風險最可控。</p><h2>一個 AI 機房的決策實例:氣冷擴充撞牆之後</h2><p>一家台北的 AI 影像分析公司,2025 年接下大型智慧交通專案,需要把訓練算力擴充四倍。他們原本在北部某資料中心租用 12 櫃氣冷機位、每櫃約 8kW;新方案規劃 8 櫃 H100 等級伺服器,單櫃功率 60kW,合計 IT 負載約 480kW,而且客戶要求六個月內上線,時程壓力不小。</p><p>第一輪先評估氣冷擴充。機房方回覆:現有樓層每櫃供電與散熱上限 15kW,若維持氣冷,60kW 的設計得拆成 32 櫃低密度部署,機位租金翻倍,而且同樓層機位不足、必須跨兩個樓層,叢集網路的佈線成本與延遲都會惡化。第二輪評估列間空調加封閉通道改造:單櫃上限可拉到約 25kW,仍然不夠,且改造後 PUE 預估僅從 1.55 降到 1.35,電費改善有限。</p><p>最終拍板與機房業者合作導入單相浸沒式:8 櫃改為 6 座液槽,上線後 PUE 實測落在 1.08 到 1.12。用 PUE 1.5 對比 1.1 估算:480kW 的 IT 負載,非 IT 耗電從約 240kW 降到 48kW,一年省下約 168 萬度電,以每度 NT$3.5 元計,每年電費省下約 NT$590 萬元;加上省下的機位租金與免去的空調改造費,財務端估算整套液冷投資約 3 年半可回收。附帶的驚喜是噪音:機房從 85 分貝降到 60 分貝以下,維運同仁的評語是「終於能在機房裡好好講電話」。</p><p>這類高密度需求並不限於 AI 訓練。雲端遊戲與 VR 串流這種延遲敏感、又需要大量 GPU 併發的服務,同樣往高密度機櫃演進,可延伸閱讀 <a href='https://www.nss.com.tw/cloud-gaming-vr-gpu'>雲端遊戲與 VR 串流的 GPU 應用解析</a>。而對多數還不需要自建機房的團隊來說,直接租用散熱與電力都已打點好的 <a href='https://www.nss.com.tw/gpu/'>GPU 主機</a>,往往是更快、財務上也更輕盈的起點。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-16-points-20260714.jpg" alt="浸沒式液冷伺服器是什麼?高密度 GPU 機房的散熱革命與台灣現況" loading="lazy"/><figcaption>▲ 高密度 GPU 機房散熱革命</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2><p>看完浸沒式液冷的原理與帳本,你會發現高密度 GPU 部署的真正門檻,從來不只是買幾張卡,而是電力、散熱、機房與維運的整套工程。如果你的團隊需要的是穩定算力,而不是一座機房,把這些難題交給專業夥伴是務實的選擇。戰國策 GPU 主機部署於台灣在地機房,提供 NVIDIA H100 與 RTX 系列多種規格,月租 NT$15,000 元起,電力、散熱與網路由機房團隊打理,搭配 7×24 中文技術支援,讓你把心力留給模型與產品。詳情請見官網 <a href='https://www.nss.com.tw/gpu'>https://www.nss.com.tw/gpu</a>,或加入 LINE 帳號 @119m 洽詢,免費專線 0800-003-191。</p>

<h2>常見問題 FAQ</h2><h3>浸沒式液冷伺服器需要特製機型嗎?現有伺服器能直接泡進去嗎?</h3><p>不能直接泡。既有伺服器要先改造:拆除全部風扇、把散熱膏更換為不溶於冷卻液的介面材料、確認硬碟為密封式或改用 SSD,線材與標籤也要確認相容。多數液槽廠商提供改機服務,單台費用常見 NT$1 到 3 萬元;新採購時直接選液冷就緒機型最省事。</p><h3>單相與兩相浸沒式液冷,實務上該選哪一種?</h3><p>現階段商用主流是單相:礦物油或合成油價格較低、系統簡單、維護直觀,PUE 約 1.05 到 1.1 已能滿足絕大多數需求。兩相散熱密度更高,但氟化液每公升價格可達數千元,且主要供應商淡出、供應趨緊,多見於實驗性或極端密度場景。一般企業建議從單相入手。</p><h3>浸沒式液冷的 PUE 真的能做到 1.1 以下嗎?</h3><p>設計良好的案場可以。風扇全拆、冷卻迴路可用 40 度上下的較高水溫,多數時間靠乾式冷卻塔散熱,不依賴壓縮機制冷,業界實測常落在 1.03 到 1.1 之間。台灣高溫高濕環境下保守估 1.08 到 1.12,仍遠優於氣冷常見的 1.4 到 1.6,省電幅度依然可觀。</p><h3>冷卻液會不會損壞硬體?原廠保固怎麼辦?</h3><p>合格的介電冷卻液不導電、對金屬呈惰性,不會腐蝕電路;要留意部分塑膠、橡膠與標籤長期浸泡可能軟化,硬碟與光模組需選相容型號。保固方面,部分品牌已正式支援浸沒式,部分仍視為改裝;建議導入前要求供應商提供相容性清單與至少 3 年的材料測試報告。</p><h3>一櫃 100kW 是什麼概念?我的專案需要浸沒式嗎?</h3><p>100kW 約可容納 10 台上下的八卡 H100 等級伺服器,屬於超大規模 AI 訓練的密度。多數企業的單櫃需求落在 20 到 60kW:20kW 內優化氣冷即可,30kW 以上建議評估冷板式,超過 80kW 或空間受限再考慮浸沒式。先盤點實際功率再選散熱路線,順序不要顛倒。</p><h3>導入浸沒式液冷,機房要做哪些改造?</h3><p>重點有四項:樓板承重(滿液的液槽單座常超過 1 噸,荷重要重新計算)、水路與熱交換系統(乾冷塔或冷卻水塔)、消防與環安(冷卻液防漏與回收動線)、維運工具(吊掛設備與瀝液架)。既有機房改造工期常見 3 到 6 個月,新建案在設計期就納入的成本最低。</p><h3>浸沒式液冷會讓日常維護變得很麻煩嗎?</h3><p>是變不同,不一定變難。更換記憶體或介面卡要先吊出設備、瀝液 10 到 30 分鐘,單次作業比氣冷慢;但最大故障源風扇消失,灰塵、濕度與震動問題也沒了,業界常見回報整體硬體故障率下降三成上下。關鍵是重寫維運流程、培訓人員並備妥專用工具。</p><h3>台灣現在租得到高密度或液冷等級的 GPU 算力嗎?</h3><p>可以。台灣北中南都有資料中心建置或評估液冷專區,電信與雲端業者也陸續推出高密度機櫃方案。若不想自建,直接租用 GPU 主機是門檻最低的路:例如戰國策的 GPU 主機部署於台灣機房,月租 NT$15,000 元起,散熱與電力由機房打理,可撥免費專線 0800-003-191 詢問。</p><h3>自建液冷機房與租用 GPU 主機,成本怎麼比較?</h3><p>自建浸沒式的液槽、冷卻液、管路與機房改造,單座液槽的初期投資常見數百萬元等級,加上維運人力,適合長期滿載、規模達數十櫃的用戶,回收期約 3 到 5 年。若需求只是幾張到十幾張卡、或專案期不到 2 年,租用月付 NT$15,000 元起的方案幾乎必然更划算,還能隨時升級新卡。</p><h3>液冷對 GPU 效能與壽命有實際幫助嗎?</h3><p>有。液冷讓晶片溫度更低也更穩定,GPU 不易觸發熱降頻,長時間訓練的有效算力常比氣冷高 5% 到 10%;溫度波動小可減緩焊點疲勞,風扇震動歸零,業界普遍觀察年故障率可下降兩到三成。對 7×24 滿載的訓練叢集來說,穩定度本身就是產能。</p>"
                    ["post_title"]=>
                    string(84) "浸沒式液冷伺服器是什麼?高密度 GPU 機房的散熱革命與台灣現況"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(28) "immersion-cooling-gpu-server"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 10:58:04"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 02:58:04"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(51) "https://www.nss.com.tw/immersion-cooling-gpu-server"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [9]=>
                  object(WP_Post)#36615 (24) {
                    ["ID"]=>
                    int(125222)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:16:08"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:16:08"
                    ["post_content"]=>
                    string(17645) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:GPU 與 CPU 的差異是什麼,為什麼 AI 訓練都用 GPU?</p><p style="margin:0">CPU 只有數個到數十個強大核心,擅長複雜邏輯、分支判斷與一步接一步的序列任務,像幾位十項全能的大廚;GPU 有數千到上萬個小核心,能同時對大量資料做一模一樣的簡單運算,像整條工廠流水線。AI 訓練的本質是巨量矩陣乘加,幾乎沒有分支,正好能拆給幾千個核心同時算,所以 GPU 常比 CPU 快數十倍。兩者是分工:CPU 負責指揮與邏輯,GPU 負責平行算力。</p></div>
<h2>為什麼一講到 AI,大家都在搶 GPU?</h2><p>如果你最近看過任何一則科技新聞,大概都遇過同一句話:「AI 需要大量 GPU。」奇怪的是,你的筆電裡明明有一顆不便宜的 CPU,課本還說它是電腦的大腦,為什麼一算 AI,大家卻搶著要另一種晶片?這篇文章用最白話的方式,把 GPU 與 CPU 差異一次講清楚,也順便回答另一個常被搜尋的問題:什麼是 GPU 伺服器。你不需要資工背景,只要想像過餐廳的廚房和工廠的流水線,就能看懂現代運算世界最重要的一次分工。讀完之後,下次家人問起新聞裡的 AI 晶片之亂,你可以用一頓晚餐的時間講給他們聽。</p><p>先給最短版本的答案:<strong>CPU 像幾位十項全能的大廚</strong>,人數少,但再刁鑽的菜都做得出來;<strong>GPU 像幾千名只負責一道簡單工序的作業員</strong>,單看一個人不起眼,整條線動起來的產量卻嚇死人。難的菜交給大廚,大量重複的簡單工作交給流水線,這就是兩顆晶片的分工。接下來我們把比喻拆開,看看它們在晶片層面各自對應什麼。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-15-data-20260714.jpg" alt="GPU 與 CPU 到底差在哪?用工廠流水線一次講懂平行運算【圖解】" loading="lazy"/><figcaption>▲ CPU 擅長邏輯與序列;GPU 同時對巨量資料做相同運算</figcaption></figure>
<h2>CPU:少而精的十項全能大廚</h2><p>一顆現代 CPU 通常只有數個到數十個核心:家用桌機常見 6 到 16 核,伺服器等級可以到 64 核、96 核,頂多一百出頭。但每個核心都非常強:時脈動輒 3 到 5 GHz,等於每秒數十億個節拍;核心旁邊配了層層快取(L1、L2、L3),容量從幾十 KB 到上百 MB,讓最常用的資料幾乎不用等待就能取用,延遲極低;再加上分支預測、亂序執行這類聰明機制,專門對付「充滿判斷與跳轉」的程式。</p><p>換成廚房語言:CPU 核心就是米其林等級的大廚。客人臨時改單,他當場改流程,這叫<strong>分支判斷</strong>;一道功夫菜十個步驟環環相扣,少一步都不行,這叫<strong>序列任務</strong>;煮到一半要嚐味道再決定加不加鹽,這叫<strong>邏輯控制</strong>。作業系統的排程、資料庫的交易、網站後端的商業邏輯、程式裡一層又一層的條件式,都是「下一步取決於上一步結果」的工作,天生屬於 CPU。你隨手開個網頁、切個視窗,背後就是 CPU 在毫秒之間完成成千上萬次這種判斷,這也是它被稱為電腦大腦的原因。</p><p>但大廚再神,人數就是少。假設今天的任務是把一萬顆馬鈴薯削皮,五位大廚削得再快,也贏不了五百個人同時動手。這就是 CPU 的天花板:單筆極快、延遲極低,但同一時刻能並行的工作數量有限。</p><h2>GPU:幾千人同時開工的工廠流水線</h2><p>GPU 走完全相反的路線。一張現代 GPU 塞了數千到上萬個小核心:消費級旗艦卡有超過 16,000 個 CUDA 核心,資料中心等級的 NVIDIA H100 也有上萬個運算單元。每個核心都比 CPU 核心弱:時脈多半只有 1 到 2 GHz,不擅長複雜判斷,分到的快取也小。但它的設計哲學是人海戰術:同一道指令,讓成千上萬個執行緒同時套用在不同的資料上。這個模式的正式名稱叫 <strong>SIMT(單指令、多執行緒)</strong>,更白話的說法是<strong>資料平行</strong>:資料被切成幾千份,每一份做的動作一模一樣。有趣的是,GPU 一開始只是為了畫遊戲畫面而生,直到 2007 年前後通用運算框架普及,工程師才發現這支流水線大軍拿來算科學與 AI 一樣好用,從此顯卡不再只是遊戲配件。</p><p>回到比喻,GPU 像操場上集合了幾千名學生,老師在黑板寫一題「把你手上的兩個數字相加」,哨音一響,幾千人同時算完各自那題。我們做個粗略算術:一位大廚一分鐘能完成 30 筆複雜計算,五位大廚就是每分鐘 150 筆;一名學生一分鐘只能算 5 筆簡單加法,但 3,000 名學生同時動手,每分鐘就是 15,000 筆,是大廚隊的 100 倍。這就是<strong>延遲與吞吐量</strong>的差別:問單筆多快,大廚贏;問整批多快,流水線壓倒性獲勝,而 GPU 的世界在乎的通常是整批。不過人多還得餵得飽:幾千名學生同時伸手要考卷,發卷的速度就成了關鍵,所以 GPU 都配上超寬的記憶體通道,像一條一次能開進幾十台餐車的超大走道。</p><p>巧的是,世界上有一大類重要工作,正好就是大量一模一樣的簡單計算。螢幕上幾百萬個像素的顏色要同時算出來,這是 GPU 名字的由來(圖形處理器);影像濾鏡、影片轉檔、3D 遊戲的幾何與光影,全是同類;現在最紅的 AI 更是如此:深度學習的核心是矩陣乘法,把幾十億個數字排成表格反覆做乘加,幾乎沒有分支,一張卡上萬個核心一起算,一秒可完成數十兆次浮點運算。這也是近十年<a href='https://www.nss.com.tw/hpc-gpu-computing-guide'>HPC 高效能運算</a>大量改用 GPU 加速的原因:氣象模擬、分子動力學、金融風險計算,骨子裡都是巨量數值運算。</p><h2>一張表看懂 GPU 與 CPU 差異</h2><p>把故事整理成一張球員卡,兩邊的取捨一目了然:</p><table><tr><th>項目</th><th>CPU(大廚隊)</th><th>GPU(流水線)</th></tr><tr><td>核心數量</td><td>數個到數十個,伺服器級可破百核</td><td>數千到上萬個,旗艦卡逾 16,000 個 CUDA 核心</td></tr><tr><td>單核能力</td><td>極強,會處理複雜邏輯與分支</td><td>較弱,只做簡單重複運算</td></tr><tr><td>時脈</td><td>約 3 到 5 GHz</td><td>約 1 到 2 GHz</td></tr><tr><td>快取與延遲</td><td>多層大快取,延遲極低</td><td>快取小,靠每秒數 TB 高頻寬記憶體餵資料</td></tr><tr><td>擅長任務</td><td>作業系統、資料庫、邏輯控制、序列程式</td><td>矩陣運算、影像繪圖、AI 訓練與推論</td></tr><tr><td>不擅長</td><td>巨量重複的簡單運算</td><td>分支多、步步相依、資料量小的工作</td></tr><tr><td>一句話比喻</td><td>幾位十項全能的大廚</td><td>幾千名同時算加法的學生</td></tr></table><p>要提醒的是,表格裡的弱項不是設計失誤,而是取捨。你可能會問:為什麼不造一顆又聰明、人又多的晶片?因為晶片面積與功耗是硬預算,大快取與分支預測這些聰明機制非常占地方,塞了聰明就塞不下人海。工程沒有魔法,只有取捨:CPU 把預算花在深度,GPU 把預算花在寬度,兩者從來不是誰淘汰誰,而是一組互補的分工。</p><h2>什麼是 GPU 伺服器?跟你桌機的顯卡差在哪</h2><p>講完晶片,來定義另一個主角。<strong>所謂 GPU 伺服器,就是安裝了一張以上專業級 GPU 的伺服器</strong>:在 CPU、記憶體、硬碟這些標準配備之外,再裝上 NVIDIA H100 或 RTX 專業系列這類加速卡,搭配高速記憶體、數千瓦等級的供電與強化散熱,通常放在資料中心全年無休運轉,使用者透過網路遠端連線使用,就像租了一間隨時開火的雲端廚房:你在自己的筆電上寫程式、按下執行,真正流汗的是機房裡那台機器,筆電只負責當遙控器。一台典型的 GPU 伺服器包含:</p><ul><li>運算卡:1 到 8 張專業 GPU,單張 H100 的功耗就達 700 W</li><li>顯示記憶體:資料中心卡動輒 80 GB 起跳,頻寬達每秒 2 到 3 TB,餵得飽上萬個核心</li><li>供電與散熱:數千瓦電源加上強力風道或液冷,確保全年滿載不降速</li><li>高速通道:PCIe 或 NVLink 互連,讓 CPU 與多張卡之間的資料搬運不塞車</li><li>機房環境:恆溫恆濕、不斷電系統與備援網路,這是一般辦公室給不了的</li></ul><p>對照之下,桌機消費卡通常只有 16 到 24 GB 記憶體,不支援 ECC 錯誤修正與 NVLink 高速串接,電源與散熱也不是為 7 天 24 小時滿載設計。打遊戲、學習、跑小模型,消費卡綽綽有餘;要長時間訓練大模型或對外提供服務,就是資料中心等級的主場。</p><p>這裡有個很多台灣團隊都踩過的坑。不少中小企業或個人開發者一聽到 AI 要用 GPU,第一反應是自己買顯卡,結果要嘛發現記憶體不夠、模型載不進去,要嘛專案結束後卡就閒置,利用率不到兩成。電費也很實際:台灣工業電價每度約 NT$3 到 4 元,夏季更貴,一台八卡伺服器滿載功耗可達 10 kW,一個月電費就可能落在 NT$2 到 3 萬,空調還要另計。大學實驗室也有類似難處:研究計畫經費一年常常只有幾十萬到一兩百萬元,一次砸在買卡上,兩三年後規格落伍、經費卻已用罄。所以愈來愈多台灣團隊選擇先租<a href='https://www.nss.com.tw/gpu/'>GPU 主機</a>把需求跑清楚,再決定要不要自建,風險低得多。從新竹的 IC 設計公司、台中的精密機械廠到台北的軟體新創,許多團隊的第一個 AI 專案都是這樣起步的。</p><h2>常見迷思:不是所有工作丟給 GPU 都會變快</h2><p>這是全文最重要的澄清:<strong>GPU 不是萬靈丹</strong>,它只擅長能切成大量獨立小塊的運算。三種情況用 CPU 反而更快:一、高度序列相依的任務,下一步要等上一步的答案,幾千個核心只能排隊乾等;二、分支判斷很多的程式,GPU 同一批執行緒被迫走同一條路,遇到岔路整批停擺;三、資料量太小的工作,把資料從主記憶體搬進 GPU 再搬回來的時間,比計算本身還久,得不償失。舉個例子:熬一鍋高湯要先熬骨、再過濾、然後調味,順序綁死了,找一萬個廚師來也無法把三小時縮成一秒,因為每一步都在等上一步。工程師之間有個經驗法則:程式中無法平行化的部分,決定了加速的天花板;如果有一半的工作註定要排隊,核心再多整體頂多快兩倍。</p><p>所以實務的標準答案是<strong>異質運算</strong>:CPU 當指揮官,負責讀資料、做邏輯、發號施令;GPU 當算力大隊,接手矩陣運算這類重活。像<a href='https://www.nss.com.tw/cae-simulation-gpu-guide'>CAE 工程模擬</a>就是典型例子:求解器裡的大型矩陣交給 GPU,前處理與網格邏輯仍由 CPU 掌舵。你的手機、筆電、資料中心,全都是這種混合編制。下次不確定任務該給誰,用三個問題快速判斷:</p><ul><li>這件事能切成幾千份同時做嗎?能,GPU 加分</li><li>資料量夠大嗎?大到值得搬進顯示記憶體再算,GPU 加分</li><li>過程要不斷判斷、等待前一步結果嗎?是的話,乖乖交給 CPU</li></ul><p>舉一個真實感十足的例子。去年一位剛接觸 AI 的資工系大四學生來諮詢,他想微調一個 70 億參數的開源語言模型當畢業專題,原本的計畫是花 NT$15,000 把桌機 CPU 從 8 核升級到 16 核。顧問只問了三個問題:程式大部分時間在做什麼?答案是矩陣運算;需要多少顯示記憶體?粗估就算用省記憶體的微調技巧也要 20 GB 上下,而他那張舊卡只有 8 GB;要用多久?專題期間約 3 個月。診斷立刻清楚:瓶頸在 GPU,升級 CPU 幾乎無感。兩條路擺在眼前:買一張 24 GB 的新消費卡加電源升級,一次噴掉近 NT$8 萬,專題結束後多半閒置;或租一台資料中心等級的 GPU 主機,月租 NT$15,000 元起,3 個月總花費不到 NT$5 萬,結案就退租。他選了後者,單輪訓練時間從舊卡估算的十幾天縮到 3 天上下,總預算省下超過三成,還不用煩惱夏天機殼過熱當機。這個案例的重點不是租用一定贏,而是先搞清楚瓶頸在哪,再讓每一塊錢花在刀口上;那三個問題,你也可以照抄拿去問自己的專案。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-15-points-20260714.jpg" alt="GPU 與 CPU 到底差在哪?用工廠流水線一次講懂平行運算【圖解】" loading="lazy"/><figcaption>▲ 用工廠流水線一次講懂</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2><p>看懂 GPU 與 CPU 的分工之後,下一個問題往往是:我的任務適合哪種卡、要幾張、租還是買?這時候,有一個講中文、在台灣、隨時找得到人的夥伴很重要。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種規格,主機放在台灣機房,連線延遲低、資料不出境,月租 NT$15,000 元起,搭配 7×24 中文技術支援,從選卡、環境安裝到模型上線都有工程師陪你走。歡迎到官網 <a href='https://www.nss.com.tw/gpu'>https://www.nss.com.tw/gpu</a> 查看方案,或加 LINE 帳號 @119m 線上諮詢,也可撥打免費專線 0800-003-191,讓顧問幫你判斷:你的預算,該花在大廚,還是流水線。</p>

<h2>常見問題 FAQ</h2><h3>GPU 與 CPU 差異最簡單的說法是什麼?</h3><p>CPU 是少數強者:通常只有 6 到 64 個核心,每個都很聰明,擅長邏輯判斷與一步接一步的序列工作;GPU 是人海戰術:塞進數千到上萬個小核心,同時對大量資料做一模一樣的簡單運算。所以作業系統與商業邏輯靠 CPU,矩陣運算、影像與 AI 訓練靠 GPU,兩者是分工不是取代。</p><h3>什麼是 GPU 伺服器?</h3><p>GPU 伺服器是安裝了一張以上專業級 GPU 的伺服器,例如 NVIDIA H100 或 RTX 專業卡,搭配大容量高頻寬記憶體、數千瓦等級供電與強化散熱,通常放在資料中心全天候運轉。以八卡機種為例,滿載功耗可達 10 kW,遠超過一般辦公室電力能負荷,所以多數團隊用租用方式取得。</p><h3>打電動的顯卡和 AI 用的資料中心 GPU 一樣嗎?</h3><p>架構同源但定位不同。消費卡顯示記憶體多為 16 到 24 GB,不支援 ECC 與 NVLink,設計上也不是為全年無休滿載;資料中心卡如 H100 有 80 GB 高頻寬記憶體、頻寬每秒 2 到 3 TB,可多卡高速互連,適合長時間訓練。學習階段消費卡足夠,正式服務建議用資料中心等級。</p><h3>為什麼 AI 訓練用 GPU 比 CPU 快這麼多?</h3><p>深度學習九成以上的計算是矩陣乘加,屬於大量重複、彼此獨立的簡單運算,正好能拆給 GPU 上數千到上萬個核心同時做。CPU 核心雖強,但數量通常不到 100 個,吞吐量差了好幾個數量級。同一個訓練任務,GPU 常比純 CPU 快數十倍,訓練時間可從數週縮成數天。</p><h3>是不是所有程式搬到 GPU 上都會變快?</h3><p>不是。GPU 只對可平行的大量運算有效;高度序列相依、分支判斷多、或資料量太小的任務,搬上 GPU 反而因為資料搬運與啟動成本變慢。經驗上,若程式中可平行的部分不到五成,整體加速上限連 2 倍都不到;先分析任務型態再決定,比直接砸錢買卡重要得多。</p><h3>CPU 核心數一直增加,能不能取代 GPU?</h3><p>很難。伺服器 CPU 目前頂多一百多核,GPU 單卡就有上萬個運算單元,吞吐量差距是數十倍到百倍等級;而且 GPU 搭配的高頻寬記憶體每秒可搬 2 到 3 TB 資料,是一般 CPU 記憶體頻寬的 10 倍以上。反過來,GPU 也取代不了 CPU 的邏輯控制角色,實務是兩者協同的異質運算。</p><h3>學生想入門 AI,該先買顯卡還是租 GPU 主機?</h3><p>看使用時間與規模。若只是學框架、跑小模型,一張 8 到 16 GB 的消費卡或免費雲端資源就夠;要微調數十億參數的模型、專題只有 2 到 3 個月,租用通常更划算:月租 NT$15,000 元起,三個月約 NT$4.5 萬,不必一次掏 NT$6 萬以上買卡,結束退租、零閒置成本。</p><h3>GPU 伺服器在台灣的電費大概是多少?</h3><p>台灣工業電價每度約 NT$3 到 4 元,夏季較高。以一台八卡伺服器滿載 10 kW 估算,一個月用電約 7,200 度,電費約 NT$2 到 3 萬,機房空調通常還要再多三到五成。這是自建機房最常被低估的成本;改租 GPU 主機時,電費與空調多半已包含在月租費內。</p><h3>GPU 的幾千個核心和 CPU 核心是同一種東西嗎?</h3><p>不是,別被同一個「核心」字眼騙了。CPU 核心是完整的通用處理器,有大快取與分支預測,時脈約 3 到 5 GHz,可獨立執行複雜程式;GPU 的核心是精簡的運算單元,時脈約 1 到 2 GHz,必須成群結隊、由同一道指令帶著大批資料一起跑,單獨拿出來幾乎做不了事。</p><h3>租一台 GPU 主機在台灣大概多少錢?</h3><p>依卡的等級與數量差很大。入門的 RTX 系列單卡主機月租約 NT$15,000 元起,中階專業卡月租數萬元,H100 等級單卡月租常見十幾萬元起。相比自購:一張 H100 卡價超過 NT$100 萬,還要加伺服器、機房與電費,若使用期不滿 1 年,租用幾乎都比較划算。</p>"
                    ["post_title"]=>
                    string(82) "GPU 與 CPU 到底差在哪?用工廠流水線一次講懂平行運算【圖解】"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(20) "gpu-vs-cpu-explained"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 10:57:08"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 02:57:08"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(43) "https://www.nss.com.tw/gpu-vs-cpu-explained"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [10]=>
                  object(WP_Post)#36613 (24) {
                    ["ID"]=>
                    int(125221)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:16:06"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:16:06"
                    ["post_content"]=>
                    string(18333) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:雲端遊戲和 VR 串流的延遲要壓到多少毫秒才不會有感?</p><p style="margin:0">雲端遊戲從按鍵到畫面反應的總延遲壓在 100 毫秒以內即可順暢遊玩,50 毫秒以下多數玩家已感覺不出與本機差異;VR 串流更嚴苛,從轉頭到畫面更新需低於約 20 毫秒,否則容易暈眩。實務作法是三管齊下:把 GPU 放在靠近玩家的在地邊緣機房,將網路來回時間從跨海的 40 毫秒壓到 10 毫秒內;用 NVENC 硬體編碼把壓縮延遲降到毫秒級;再以 90 到 120Hz 高更新率縮短每格等待時間。</p></div>
<p>想像你在台北家裡按下手把的攻擊鍵,而真正算出那一刀畫面的顯示卡,其實在幾十公里外的機房裡。它必須在你眨一次眼的十分之一時間內,把指令收進來、畫面算出來、壓縮成影片、傳回你的螢幕。這就是雲端遊戲每秒鐘重複六十次以上的魔術,而魔術成敗只有一位評審:延遲。</p><p>人類對延遲的忍耐力,比多數工程師想像的低。實務經驗指向幾個門檻:總延遲超過 100 毫秒,玩家會覺得手感「怪怪的」;壓到 50 毫秒以下,多數人分不出雲端與本機的差別;而戴上頭盔的虛擬實境(VR)更殘酷,從你轉頭到畫面跟上若超過 20 毫秒,內耳前庭系統就會抗議,輕則出戲,重則暈眩想吐。這篇文章用顧問視角拆開整條延遲鏈:每一毫秒花在哪裡、怎麼省回來,以及為什麼對台灣團隊而言,機房位置比算力大小更關鍵。</p><h2>雲端遊戲的架構:GPU 在機房,手把在你家</h2><p>先把管線攤開。雲端遊戲的本質是「把遊戲主機搬進資料中心」:伺服器端的 GPU 即時算出遊戲畫面,再由 GPU 內建的硬體編碼器 NVENC 把每張畫面壓縮成影像串流,格式可用 H.264、HEVC 或最新的 AV1,經網路送到玩家的手機、電視或筆電;終端裝置解碼顯示,玩家的按鍵與搖桿輸入則反向回傳雲端,驅動下一張畫面。這條迴圈每秒要跑 60 到 120 次,任何一站塞車,整條線就跟著慢。</p><p>這個架構的美妙之處在於終端可以很弱:三年前的中階手機也能玩 3A 大作,因為它只負責解影片。難處則全部集中到伺服器與網路上——GPU 要算得快、編碼要壓得快、封包要跑得快,任何一環拖慢,玩家的手感就會像「隔著一層果凍出拳」。至於 GPU 為什麼天生擅長這種每秒上百張的即時算圖工作,可以參考我們寫過的 <a href='https://www.nss.com.tw/gpu-vs-cpu-explained'>GPU 與 CPU 差異解析</a>,這裡不重複展開。</p><p>值得單獨介紹的是 NVENC 這顆低調的功臣。它是獨立於算圖核心之外的專用編碼電路,工作時幾乎不佔遊戲效能,把一張 1080p 畫面壓縮成串流片段只需 1 到 5 毫秒;新一代 GPU 的 AV1 編碼,還能在同樣畫質下比 H.264 省下約三到四成頻寬。對行動網路或頻寬受限的家庭用戶,這直接決定了畫質上限與流量成本。</p><figure class="wp-block-image size-full"><img title="戰國策集團雲端遊戲與 VR 串流背後的 GPU 架構:延遲怎麼壓到人類無感?" src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-14-data-20260714.jpg" alt="雲端遊戲與 VR 串流背後的 GPU 架構:延遲怎麼壓到人類無感?" loading="lazy"/><figcaption>▲ 雲端遊戲 &lt;100ms 可順玩,50ms 以下與本機無異</figcaption></figure>
<h2>延遲預算:每一毫秒都要記帳</h2><p>顧問看延遲的方式跟財務長看預算一樣:先列科目,再逐項砍。從玩家按鍵到畫面亮起,業界稱為 click-to-photon(VR 則稱 motion-to-photon),中間至少經過八個環節。下表是一份典型的延遲帳本,中欄是常見配置的數字,右欄是各環節優化後可達的水準:</p><table><tr><th>延遲環節</th><th>一般配置(毫秒)</th><th>優化後(毫秒)</th><th>主要優化手段</th></tr><tr><td>輸入取樣與上行傳送</td><td>5-10</td><td>2-4</td><td>高輪詢率、精簡協定</td></tr><tr><td>網路來回(RTT)</td><td>30-50(跨海)</td><td>5-12(在地邊緣)</td><td>機房靠近玩家</td></tr><tr><td>伺服器排隊與調度</td><td>5-10</td><td>1-3</td><td>專屬實例、避免超賣</td></tr><tr><td>GPU 算圖</td><td>16.7(60fps)</td><td>8.3(120fps)</td><td>提高更新率</td></tr><tr><td>硬體編碼(NVENC)</td><td>5-10</td><td>1-4</td><td>低延遲模式、AV1</td></tr><tr><td>傳輸與抖動緩衝</td><td>10-20</td><td>3-6</td><td>自適應碼率、邊緣節點</td></tr><tr><td>終端解碼</td><td>4-8</td><td>2-4</td><td>硬體解碼器</td></tr><tr><td>顯示掃描輸出</td><td>8-16</td><td>4-8</td><td>高更新率螢幕</td></tr><tr><td><strong>合計</strong></td><td><strong>約 84 到 141</strong></td><td><strong>約 26 到 49</strong></td><td>環環相扣、逐項優化</td></tr></table><p>這張表講了兩件殘酷的事。第一,世界上沒有一個單獨的零件叫「延遲」,它是八筆小帳的總和,只優化其中一項的方案多半是安慰劑。第二,帳本裡最肥的科目是網路 RTT:跨海連線動輒 30 到 50 毫秒起跳,一口氣吃掉 100 毫秒預算的三分之一以上;更麻煩的是,這筆帳付給的是光在光纖裡的飛行時間,再貴的 GPU 都買不回來。</p><p>想知道自家產品的帳本長怎樣,方法比想像中平民:拿一支支援 240fps 慢動作錄影的手機,同框拍下手把與螢幕,從按鍵瞬間數到畫面反應,影格數乘以 4.17 毫秒就是總延遲。工程端再用時間戳記把每個環節拆開,先量測、再優化,順序不能反過來——沒有量測就動手優化,跟閉著眼睛減肥一樣,只是心裡舒服。</p><h2>把延遲壓到無感的四種武器</h2><p>知道錢花在哪,接下來是省錢。業界實戰中最有效的手段有四種,而且效果可以彼此疊加:</p><ul><li><strong>邊緣機房</strong>:把 GPU 搬到離玩家夠近的地方,是唯一能大砍 RTT 的方法。台灣本島內任兩點的網路來回多在 5 到 10 毫秒,跨海到東京則要 32 到 45 毫秒——選址一次做對,勝過後面所有微調。</li><li><strong>硬體編碼</strong>:開啟 NVENC 的低延遲模式、關閉 B 幀,讓編碼從「等一批畫面再壓」變成「來一張壓一張」,單張延遲可以壓進 1 到 4 毫秒。</li><li><strong>高更新率</strong>:60fps 時每張畫面間隔 16.7 毫秒,提高到 120fps 就縮成 8.3 毫秒,玩家的輸入平均少等一半時間,體感立刻變「跟手」。</li><li><strong>畫格預測與插補</strong>:用客戶端預測先畫出最可能的下一格,或在終端做畫格插補補足中間影格,遮蔽網路抖動造成的空窗。</li></ul><p>預測那一招值得多講一句,它的直覺跟棒球外野手一樣:好的外野手不是看球落地才跑,而是在擊球瞬間就預判落點。系統拿玩家最近的操作軌跡預測下一步,猜對了就白賺幾十毫秒,猜錯了再用新資料快速修正——只要修正幅度夠小,玩家幾乎察覺不到。</p><p>另一個常被忽略的敵人是抖動:平均延遲 40 毫秒但忽快忽慢的線路,體感往往比穩定的 60 毫秒更糟,因為畫面會一頓一頓地跳。解法是自適應碼率搭配小而聰明的緩衝——網路變差時先降畫質保流暢,而不是死守解析度讓畫面凍結;緩衝只留 1 到 2 格就好,每多留一格,就是預先欠下 8 到 16 毫秒的債。</p><h2>VR 串流:20 毫秒的生死線</h2><p>VR 是這門學問的極限運動,門檻直接砍到五分之一。原因藏在你的內耳:半規管感知頭部轉動幾乎零延遲,當眼睛看到的畫面落後身體感覺超過約 20 毫秒,大腦會判定「環境不對勁」,動暈症狀隨之而來——這就是許多人玩 VR 十分鐘就冒冷汗的原因。所以 VR 的 motion-to-photon 預算不是 100 毫秒,而是 20 毫秒。</p><p>預算砍到五分之一,工作量卻更大:更新率要 90 到 120Hz,每張畫面只剩 8.3 到 11.1 毫秒可算;而且要同時渲染左右兩眼,單眼解析度動輒 2K 等級,總像素量是 1080p 平面遊戲的三到四倍,對 GPU 算力與傳輸頻寬都是加倍嚴苛的考驗。下表把兩種場景的需求並排,差距一目了然:</p><table><tr><th>項目</th><th>雲端遊戲</th><th>VR 串流</th></tr><tr><td>延遲門檻</td><td>低於 100 毫秒,理想低於 50</td><td>低於約 20 毫秒</td></tr><tr><td>更新率</td><td>60 到 120fps</td><td>90 到 120Hz</td></tr><tr><td>解析度</td><td>單畫面 1080p 到 4K</td><td>雙眼各約 2K</td></tr><tr><td>GPU 負載</td><td>中到高</td><td>極高(像素量三到四倍)</td></tr><tr><td>合理部署距離</td><td>同國家或區域邊緣節點</td><td>同城市甚至同棟建築</td></tr></table><p>頻寬也要一起算:雙眼 2K、90Hz 的 VR 串流,即使用 HEVC 或 AV1 壓縮,碼率也常落在 50 到 100Mbps 等級,是 1080p 平面串流的三到五倍。這也是為什麼 VR 串流對無線環境特別挑剔,實務上會建議 Wi-Fi 6 以上或乾脆走有線回程,把不確定性留給可以控制的環節。</p><p>工程上的救命招是「先斬後奏」:頭盔端的非同步時間扭曲(ATW)拿最新的頭部姿態,把上一張畫面重新投影,讓轉頭的視覺回饋幾乎即時;雲端只需負責內容本身的更新。這一招把「轉頭暈不暈」跟「網路快不快」部分解耦,是雲端 VR 得以成立的關鍵。但它救不了跨海:台灣到美西來回約 110 到 150 毫秒,是暈眩門檻的六倍以上,物理上就不成立。</p><h2>vGPU 與 MIG:把一張卡切給多位玩家</h2><p>談完體驗,回到成本。一張資料中心等級的 GPU 對單條 1080p 串流來說太大了,整張卡服務一個玩家,像租一輛遊覽車只載一位乘客。NVIDIA 給了兩條路:vGPU 在軟體層把實體卡虛擬成多張,分配給不同虛擬機各跑各的遊戲;MIG(Multi-Instance GPU)更徹底,直接在硬體層把 H100、A100 這類卡切成最多 7 個彼此隔離的實例,算力與記憶體物理分割,一個實例出狀況也不影響鄰居。</p><p>對營運方而言,這是單位經濟學的分水嶺:同一張卡從服務 1 人變成同時服務 3 到 7 人,每條串流的攤提成本直接除以好幾倍;再搭配尖離峰調度——白天把卡撥給 AI 推論或算圖農場,晚上切回遊戲串流——一張卡的稼動率能從三成拉到七成以上。高密度部署隨之而來的散熱壓力,業界也已有成熟解法,可延伸閱讀<a href='https://www.nss.com.tw/immersion-cooling-gpu-server'>浸沒式液冷 GPU 伺服器</a>一文。切卡之前也要想清楚服務等級:試玩活動可以接受尖峰時段排隊 30 秒,訂閱制服務就不行——密度與體驗的平衡點,最好用實際玩家數據回推,而不是拍腦袋決定。</p><h2>台灣戰場:機房位置比算力更關鍵</h2><p>回到台灣。我們手上其實有兩張好牌:一是網路底子,光纖到府普及、行動網路覆蓋完整,本島內 RTT 普遍在 5 到 10 毫秒;二是社群能量,電競文化成熟、獨立遊戲開發活躍,從台北電玩展到各地 Game Jam,測試玩家與開發人才都不難找。這兩張牌對雲端遊戲與 VR 串流都是天生優勢,加上台灣玩家付費意願高、對新形態遊戲體驗接受度強,願意做在地優化的團隊,面對的是一個回報率很好的市場。</p><p>但不少團隊選基礎設施時犯同一個錯:打開海外雲的價目表比較 GPU 型號與時租,卻忘了把地理放進延遲帳本。數字很直白:台灣到東京 RTT 約 32 到 45 毫秒、到新加坡約 45 到 60 毫秒、到美國西岸約 110 到 150 毫秒。對照前面的帳本,光「跨海」這一個決定就花掉 100 毫秒預算的三到五成,之後每個環節都得勒緊褲帶;反過來,把 GPU 放進台灣在地機房,RTT 科目從 40 毫秒變 8 毫秒,白撿 30 幾毫秒,等於整個系統免費升級一輪。評估<a href='https://www.nss.com.tw/gpu/'>台灣在地的 GPU 主機方案</a>時,建議把「機房到主要玩家群的實測 RTT」列為第一個問題,規格表反而可以晚點再看。</p><p>一個實際案例:台北一個 12 人的獨立遊戲團隊,去年為了線上遊戲展檔期推出雲端試玩——玩家點開網頁就能直接玩 15 分鐘,免下載免安裝。他們做的是節奏明快的動作遊戲,內部把規格訂死:台灣玩家 click-to-photon 中位數必須低於 50 毫秒,否則手感盡失,試玩反而扣分。團隊先用東京區域的雲端 GPU 實例做原型,實測台灣玩家總延遲中位數約 92 毫秒,參數怎麼調都降不進 70;改租台灣在地機房的 RTX 等級 GPU 主機後,同一套軟體堆疊實測中位數 48 毫秒,一次達標。成本同樣有感:活動檔期兩個月,租 6 張卡、以 vGPU 每卡切 3 條 1080p 串流,同時容納 18 位玩家,總支出約 NT$25 萬;若自購同級硬體得一次投入超過 NT$120 萬,活動結束設備還會閒置。附帶一提,台灣工業電價每度約 NT$3 到 4 元、夏季更貴,自建機房的電費與空調成本常被低估,租用方案把這些全包進月費,對短期專案友善許多。</p><h2>找台灣在地的 GPU 主機夥伴</h2><p>延遲這門生意,說到底是地理與工程的乘積:算力可以用錢加購,光速沒得談判。如果你的玩家在台灣,GPU 就應該在台灣。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種規格,機器就放在台灣機房,天生把 RTT 壓到個位數毫秒;月租 NT$15,000 元起,可短租、可隨活動檔期彈性擴充,搭配 7×24 中文技術支援,從串流架構、NVENC 編碼參數到頻寬調校,都有工程師能用中文直接對話。想讓你的雲端試玩、遊戲伺服器或 VR 專案把延遲壓到玩家無感,歡迎到 <a href='https://www.nss.com.tw/gpu'>https://www.nss.com.tw/gpu</a> 了解方案,加 LINE 帳號 @119m 聊聊需求,或撥免費專線 0800-003-191,讓在地團隊陪你一起把每一毫秒省回來。</p>

<figure class="wp-block-image size-full"><img title="戰國策集團雲端遊戲與 VR 串流背後的 GPU 架構:延遲怎麼壓到人類無感?" src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-14-points-20260714.jpg" alt="雲端遊戲與 VR 串流背後的 GPU 架構:延遲怎麼壓到人類無感?" loading="lazy"/><figcaption>▲ 把延遲壓到人類無感的三招</figcaption></figure>
<h2>常見問題 FAQ</h2><h3>雲端遊戲跟一般線上遊戲的延遲有什麼不同?</h3><p>一般線上遊戲的畫面在本機算,網路只傳同步資料,延遲主要影響對戰判定;雲端遊戲連畫面都在雲端算,從按鍵、算圖、編碼到回傳全部走網路,總延遲要壓在 100 毫秒內、理想 50 毫秒以下才有好手感,對網路品質的敏感度高出一個量級。</p><h3>延遲要多低,玩家才真的感覺不出來?</h3><p>實務門檻大致是:總延遲 100 毫秒內可順暢遊玩,70 毫秒以下多數人不易察覺,50 毫秒以下幾乎與本機無異。格鬥、節奏音樂類對延遲最敏感,建議以 50 毫秒為目標;回合制與策略類寬鬆許多,120 毫秒內通常仍可接受。</p><h3>VR 為什麼要求 20 毫秒?超過會怎樣?</h3><p>內耳前庭系統感知頭部轉動幾乎零延遲,若眼前畫面落後體感超過約 20 毫秒,視覺與平衡訊號打架,就會出現冒冷汗、暈眩、噁心等動暈症狀。因此 VR 串流除了壓低網路延遲,還要靠 90 到 120Hz 高更新率與時間扭曲重投影技術補救。</p><h3>NVENC 是什麼?跟用 CPU 壓縮影片差在哪?</h3><p>NVENC 是 NVIDIA GPU 內建的專用編碼電路,獨立於算圖核心,支援 H.264、HEVC 與 AV1,壓一張 1080p 畫面約 1 到 5 毫秒,且幾乎不吃遊戲效能;CPU 軟體編碼要達到同樣畫質往往需要數十毫秒,還會佔用遊戲本身的運算資源,因此即時串流服務幾乎一律採用硬體編碼,讓 CPU 專心處理遊戲邏輯與網路封包。</p><h3>台灣玩家連海外伺服器,延遲大概多少?</h3><p>概略實測值:台灣到東京網路來回約 32 到 45 毫秒,到新加坡約 45 到 60 毫秒,到美國西岸約 110 到 150 毫秒。這還只是 RTT 一個科目,加上算圖、編碼、解碼之後,跨海方案很難把總延遲壓進 50 毫秒,想做好體驗幾乎必須在地部署。</p><h3>vGPU 和 MIG 有什麼差別?該怎麼選?</h3><p>vGPU 是軟體層虛擬化,把一張卡分時共享給多個虛擬機,密度與彈性高;MIG 是 H100、A100 等資料中心卡的硬體切分,最多切成 7 個實例,算力與記憶體物理隔離。追求串流密度與成本攤提用 vGPU,重視隔離與服務品質保證則選 MIG。</p><h3>做雲端試玩串流,需要什麼等級的 GPU?</h3><p>單條 1080p60 串流用 RTX 4000 系列等級即可,一張卡搭 vGPU 常可同時服務 2 到 4 條;要上 4K 或 120fps 則建議單卡專屬,避免多條串流互搶資源。選卡重點是新版 NVENC:支援 AV1 編碼的卡在同樣畫質下,可比 H.264 節省約 30 到 40% 頻寬,對行動網路玩家的畫質與流暢度影響非常明顯。</p><h3>自建 GPU 伺服器跟租用,哪個划算?</h3><p>短期活動或需求未明時租用明顯划算:台灣在地 GPU 主機月租約 NT$15,000 起,用多久付多久,不必養硬體與維運人力;自建一台高階 RTX 伺服器動輒 NT$20 到 40 萬,還要加上機房空間、頻寬與每度約 NT$3 到 4 元的電費。一般把 18 到 24 個月的使用期當作損益平衡參考點。</p><h3>5G 對雲端遊戲有幫助嗎?</h3><p>有,但它只解決無線最後一哩:5G 空中介面延遲可壓到 10 毫秒上下,比 4G 的 30 到 50 毫秒好很多。不過骨幹網路的距離延遲不會因 5G 消失,伺服器若在海外,總延遲照樣破 100 毫秒;5G 要搭配在地邊緣機房,價值才會真正兌現。</p><h3>一張 GPU 可以同時服務幾位玩家?</h3><p>看畫質與卡的等級:1080p60 串流下,高階 RTX 卡配 vGPU 常見切 2 到 4 條,資料中心卡用 MIG 最多切 7 個隔離實例。密度越高單位成本越低,但建議保留 20 到 30% 的效能餘裕吸收負載尖峰,否則玩家一多就開始排隊,體驗變差的代價會把省下的成本整個吃回去,得不償失。</p>"
                    ["post_title"]=>
                    string(77) "雲端遊戲與 VR 串流背後的 GPU 架構:延遲怎麼壓到人類無感?"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(19) "cloud-gaming-vr-gpu"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 11:10:45"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 03:10:45"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(42) "https://www.nss.com.tw/cloud-gaming-vr-gpu"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                  [11]=>
                  object(WP_Post)#36594 (24) {
                    ["ID"]=>
                    int(125220)
                    ["post_author"]=>
                    string(1) "0"
                    ["post_date"]=>
                    string(19) "2026-07-14 10:16:03"
                    ["post_date_gmt"]=>
                    string(19) "2026-07-14 02:16:03"
                    ["post_content"]=>
                    string(18144) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:大學實驗室做 AI 研究,GPU 應該自購還是租用?</p><p style="margin:0">關鍵看利用率:若 GPU 長期利用率能維持 70% 以上,自購攤提三到五年通常較省;若需求集中在計畫衝刺期、時有時無,租用免前期資本支出、可列經常門核銷,總成本反而更低。以四卡伺服器約 NT$200 萬的規模試算,利用率僅三到四成時,改採租用或小自購加租用的混合模式,三年可省下數十萬元,還能在衝刺期租到 80GB 的 H100 跑大模型微調。建議先以過去 12 個月的實際使用紀錄算出利用率再決策。</p></div>
<p>七月的核定通知寄到信箱,北部某大學資工系的教授盯著清單上的設備費額度,心裡盤算的不是要買哪一張卡,而是三年後這台機器還值多少錢、學生畢業後誰來管它。這幾乎是每一位投入 AI 研究的計畫主持人都躲不掉的課題:算力要用買的,還是用租的?這個問題沒有放諸四海皆準的答案,卻有一套清楚的計算框架——VRAM 需求、利用率、電費、折舊、經費科目,一項一項攤開來算,答案自然會浮現。本文以資深顧問的視角把這筆帳完整算一遍,並附上一份三年總持有成本(TCO)試算,供大專院校科學研究團隊在編列與執行計畫經費時參考。</p><h2>AI 研究要多少算力?先看 VRAM,再談卡數</h2><p>許多採購決策的第一個錯誤,是把算力簡化成卡的張數或每秒浮點運算次數。對 AI 研究而言,第一道門檻其實是 VRAM:它決定模型「放不放得進去」,算力才決定「跑得快不快」。訓練與推論的記憶體需求天差地遠——推論只需容納模型權重與少量啟動值,訓練卻要同時保存權重、梯度與最佳化器狀態,記憶體需求往往是推論的三到四倍以上。不少實驗室買卡時只算了推論的帳,開訓第一天就爆記憶體,這種故事每年都在校園裡上演。</p><p>具體門檻可以抓幾個錨點:7B 參數等級的語言模型,若採用 LoRA、QLoRA 這類參數高效微調方法,單張 24GB 的 RTX 4090 就能動工;13B 模型搭配 4-bit 量化也勉強可行,只是批次大小與序列長度會被壓縮。一旦要做全參數微調,7B 模型就需要 80GB 等級的 H100 或 A100,13B 以上動輒兩卡、四卡起跳,還得靠 NVLink 或高速網路把多卡串成一體。視覺大模型與擴散模型同理:研究原型可以在 24GB 上跑小解析度實驗,要重現論文等級的完整訓練排程,80GB 與多卡幾乎是標配。</p><p>換句話說,一間實驗室的算力需求天生是「兩層結構」:日常開發、除錯、小規模消融實驗,吃的是 24GB 級的卡;衝刺期的完整訓練與大模型微調,吃的是 80GB 級的多卡資源。把兩層需求硬塞進同一筆採購,正是經費浪費最常見的源頭。此外別忘了儲存與資料管線:大型資料集動輒數 TB,訓練節點與儲存之間的頻寬,常比多買一張卡更影響整體效率。至於多卡平行與分散式訓練背後的原理與規劃方法,可以參考這篇 <a href='https://www.nss.com.tw/hpc-gpu-computing-guide'>HPC 高效能運算入門指南</a>。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-13-data-20260714.jpg" alt="大專院校 AI 研究算力怎麼解?自購 vs 租用 GPU 的經費效益分析" loading="lazy"/><figcaption>▲ 長期滿載自購較省;衝刺型需求租用免前期資本支出</figcaption></figure>
<h2>自購的真實成本:發票金額只是頭期款</h2><p>自購的帳,遠不止硬體報價單上的數字。一台 4 卡伺服器從下單那一刻起,至少還有五筆成本默默起跳。</p><ul><li><strong>電力與散熱</strong>:4 卡伺服器滿載功耗約 2.5 到 3kW,加上空調負擔,實際耗電接近功耗的 1.5 到 1.8 倍。以台灣工業電價每度約 NT$3 到 4 元計、夏季費率更高,一台機器以五成負載全年運轉,電費加空調一年約 NT$6 萬到 8 萬。</li><li><strong>機房條件</strong>:穩定供電、UPS、獨立空調與門禁缺一不可。許多系所機房由舊教室改建,夏季冷房能力不足,GPU 過熱降頻甚至跳機時有所聞,停機維修期間研究進度直接歸零。</li><li><strong>維運人力</strong>:驅動與框架更新、排程管理、故障排除,多半落在博士生肩上;學生畢業、交接斷層,是實驗室機器「越用越慢、越修越怕」的常見原因。</li><li><strong>採購時程</strong>:大專院校設備採購要走規格書、招標、交機、驗收流程,從送件到真正開機常需 3 到 6 個月,對執行期只有 12 個月的年度計畫是不小的時間成本。</li><li><strong>折舊與過時</strong>:會計上設備多以 3 到 5 年攤提,但 GPU 世代約 18 到 24 個月更新一輪,新卡的 VRAM 容量與每瓦效能經常大幅躍進,三年前的旗艦卡可能連新一代模型的最低門檻都搆不著。</li></ul><p>這幾筆成本加總,三年常達硬體價格的兩到三成。保固也要留意:伺服器原廠保固常為 3 年,第 4、5 年的維修與零件成本自理,風險正好落在攤提後段。更關鍵的是風險不對稱:設備買定離手,規格就此凍結,而你的研究題目、模型規模與經費結構都還會變。</p><h2>租用的價值:把資本支出變成可調節的水龍頭</h2><p>租用的邏輯正好相反:免前期資本支出,月付即用;規格隨計畫階段調整,這個月用單卡主機開發,下個月訓練衝刺換成多卡 H100,結案就退租;電力、散熱、頻寬與硬體維運通常包含在月費內,實驗室不必自建機房,也不必指派專人顧機器。另一個常被低估的好處是「世代跟隨」:供應商會持續汰換機隊,租用者永遠用得到相對新的卡,不必背著三年前的規格做今年的題目。</p><p>對三種需求型態,租用幾乎是壓倒性划算:尖峰型,投稿前三個月火力全開、其餘時間閒置;短期型,一次性的模型重現、資料前處理或期末評測;計畫型,經費有明確起訖日,結案後不想留下資產與列管負擔。像 <a href='https://www.nss.com.tw/gpu/'>戰國策 GPU 主機租用方案</a> 這類台灣在地服務,從單卡入門機到多卡 H100 都能按月承租,對學研單位的核銷流程也相對友善。</p><p>租用的弱點同樣要攤開講:如果機器一年到頭滿載運轉,三年租金累積起來很可能超過買斷價。所以真正該問的不是「租與買哪個好」,而是「你的利用率到底是多少」。</p><h2>決策分水嶺:利用率 70% 是那條線</h2><p>把數字攤開最有感。假設一台約 NT$200 萬的 4 卡伺服器以 4 年攤提,每年折舊 NT$50 萬,加上電費約 NT$7 萬、維運雜支約 NT$6 萬,一年固定成本約 NT$63 萬,不管有沒有在用都照走。同級規格的租用月費若為 NT$9 萬,租滿 7 個月就與自購年成本打平,換算利用率約六成;再把資金成本、殘值與長租折扣一併納入,交叉點通常落在利用率 70% 到 80% 之間。長期站在這條線之上,自購的每小時算力成本較低;若使用型態是衝刺兩個月、閒置四個月,平均利用率掉到三、四成,租用會明顯便宜,因為閒置的月份一毛錢都不用付。</p><p>要誠實面對的正是利用率。多數實驗室都高估自己的使用強度:課程週期、審查週期、寒暑假與學生畢業潮,都會讓機器空轉。建議把過去 12 個月的 nvidia-smi 紀錄或排程系統報表撈出來實算一次;不少院級算力中心公布的使用率報表也顯示,「感覺一直在用」與「實際佔用」之間常有兩三成的落差。</p><p>若利用率不上不下,卡在五到六成,還有一個中間解:多實驗室合購分攤。帳面利用率確實拉得高,但排程衝突、優先權與維運責任的分攤,往往比想像中難談;真要走這條路,建議一開始就白紙黑字訂好使用規範與費用分攤辦法,否則省下的錢會用人情償還。</p><table><tr><th>比較項目</th><th>自購 GPU 伺服器</th><th>租用 GPU 主機</th></tr><tr><td>前期成本</td><td>數十萬到數百萬元資本支出</td><td>趨近於零,月付制</td></tr><tr><td>經費科目</td><td>多列資本門,需財產列管</td><td>多可列經常門,核銷較彈性</td></tr><tr><td>擴充彈性</td><td>規格買定離手,擴充需重新採購</td><td>可隨計畫階段升降規格</td></tr><tr><td>維運負擔</td><td>電力、散熱、人力全數自理</td><td>多由供應商含在月費內</td></tr><tr><td>折舊與過時</td><td>3 到 5 年攤提,過時風險自負</td><td>無折舊,可隨時換用新世代卡</td></tr><tr><td>適用情境</td><td>長期利用率 70% 以上的穩定負載</td><td>尖峰、短期、計畫型需求</td></tr></table><h2>台灣學研經費的眉角:資本門、經常門與國網中心</h2><p>在台灣,國科會(NSTC)研究計畫經費分為資本門與經常門兩個口袋,中間隔著一道不容易跨越的牆。自購 GPU 伺服器屬於大型設備,多列在資本門:申請階段就要寫入設備清單、金額經審查核定,購入後納入學校財產列管,移轉與報廢都有程序要走。萬一執行到一半才發現規格買錯或需求改變,追加與變更曠日廢時,經常緩不濟急。</p><p>租用服務則多可列在經常門(業務費)項下,比照雲端資源使用費、資訊服務費按月或按期核銷,計畫中途調整規模的彈性大得多;對設備費被核刪、或經費結構偏經常門的大專院校科學研究計畫而言,租用往往是唯一能即時取得算力的路徑。另外提醒:多數學校對計畫經費收取管理費,資本門設備在計畫結束後歸屬學校財產;若實驗室空間本就吃緊,再擺進一台滿載近三千瓦的發熱設備,電力與空調改造費也得先評估。</p><p>還有一條路是國網中心(NCHC)的補助型運算資源:對學研計畫收費遠低於市價,台灣杉等系統也提供大規模 GPU 算力,但採申請審查制,從送件到核配需要時間,熱門 GPU 資源在計畫季常要排隊。務實的組合是把國網當基載、商用租用當尖峰調節,兩邊並用、互補短長。生醫領域如何用這套組合支撐基因體與蛋白質結構運算,可延伸閱讀 <a href='https://www.nss.com.tw/life-science-gpu-computing'>生命科學 GPU 運算實務</a>。</p><h2>案例試算:一筆三年期計畫的 TCO 決策</h2><p>回到開頭那位教授。他主持的自然語言處理實驗室在 2025 年拿到一筆三年期計畫,可投入算力的總預算約 NT$300 萬,眼前兩個方案:方案 A 全自購,採購一台 4 卡 48GB 等級的 GPU 伺服器,報價約 NT$200 萬,系辦提醒他招標加交期至少 12 週;方案 B 混合配置,先自購一台約 NT$35 萬的雙卡 24GB 工作站,供日常開發與 LoRA 微調,訓練衝刺期再承租多卡 H100 主機。</p><p>試算假設如下:工業電價以每度 NT$3.5 元計、空調加成 1.6 倍;方案 A 伺服器滿載約 3kW;H100 等級租用主機每月 NT$8 萬到 10 萬,每年衝刺約 5 個月。最關鍵的變數是利用率:實驗室把過去兩年的排程紀錄撈出來,平均利用率只有約 35%,尖峰全數集中在兩次投稿截止前的三個月。</p><table><tr><th>成本項目</th><th>方案 A:全自購 4 卡</th><th>方案 B:小自購加租用</th></tr><tr><td>前期資本支出</td><td>約 NT$200 萬</td><td>約 NT$35 萬</td></tr><tr><td>三年電費與空調</td><td>約 NT$15 萬到 20 萬</td><td>約 NT$5 萬</td></tr><tr><td>三年維運人力</td><td>約 NT$15 萬到 20 萬</td><td>趨近於零,租用含維運</td></tr><tr><td>三年租用支出</td><td>0</td><td>約 NT$120 萬到 150 萬</td></tr><tr><td>三年總成本</td><td>約 NT$230 萬到 240 萬</td><td>約 NT$160 萬到 190 萬</td></tr><tr><td>尖峰算力上限</td><td>固定 4 卡 48GB</td><td>可承租 8 卡 H100 80GB</td></tr></table><p>在 35% 的真實利用率下,方案 B 三年省下約 NT$50 萬到 70 萬,而且衝刺期能租到 80GB 的 H100 執行全參數微調——這是方案 A 的 48GB 卡做不到的事。省下來的錢,教授加聘了一名專任助理,論文產出反而更快。反過來說,如果這是一間常年跑滿的服務型算力中心,利用率穩定站上 80%,同一張試算表就會反轉,自購攤提到第三年開始回本。數字不會騙人,前提是誠實輸入自己的利用率、電價與折舊假設。</p><p>還要提醒一件事:這張表不是簽了就永遠有效。試算結果對「每年承租月數」相當敏感——若衝刺期從 5 個月拉長到 7、8 個月,兩個方案的成本曲線就會開始交叉,屆時應重啟自購評估;反之,若計畫中途追加了 80GB 以上的模型需求,自購方案得整台換新,租用只需要改一張訂單。把 TCO 表當成活文件,每年隨電價、卡價與研究路線滾動更新,才能真正把經費效益握在手上。</p>
<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-13-points-20260714.jpg" alt="大專院校 AI 研究算力怎麼解?自購 vs 租用 GPU 的經費效益分析" loading="lazy"/><figcaption>▲ 自購 vs 租用的經費效益</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2><p>把利用率與經費科目算清楚之後,若答案指向租用或混合配置,下一步就是找一個懂學研生態的供應商。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種規格,台灣機房在地服務,延遲低、研究資料不出境,月租 NT$15,000 元起,並提供 7×24 中文技術支援,從計畫申請階段的規格建議、TCO 試算到核銷單據都能配合學研流程。歡迎造訪 <a href='https://www.nss.com.tw/gpu'>https://www.nss.com.tw/gpu</a>,或加入 LINE 帳號 @119m、撥打免費專線 0800-003-191,讓顧問陪你把三年的算力帳一次算清楚。</p>

<h2>常見問題 FAQ</h2><h3>用 LoRA 微調大型語言模型,24GB 的顯示卡夠嗎?</h3><p>多數場景夠用。7B 參數模型以 LoRA 或 QLoRA 微調,單張 24GB 的 RTX 4090 即可執行;13B 模型搭配 4-bit 量化也能進行,但批次大小與序列長度會受限。若目標是全參數微調或 13B 以上模型的完整訓練,建議直接規劃 80GB 等級的 H100 或多卡方案,省下反覆碰壁的時間。</p><h3>全參數微調一個 7B 模型,需要什麼等級的 GPU?</h3><p>全參數微調要同時保存權重、梯度與最佳化器狀態,記憶體需求約為推論的 3 到 4 倍,實務上 7B 模型需要 80GB 等級的 H100 或 A100,並常搭配記憶體分攤技術;13B 以上通常 2 到 4 卡起跳。預算有限時,先用參數高效微調驗證研究想法,確認方向再投入多卡資源最划算。</p><h3>自購一台 4 卡 GPU 伺服器,每年隱藏成本大約多少?</h3><p>以滿載功耗約 3kW、台灣工業電價每度 NT$3 到 4 元、空調加成 1.5 到 1.8 倍估算,五成負載下一年電費約 NT$6 萬到 8 萬;再加上維運人力與備品零件,一年隱藏成本常落在 NT$10 萬到 15 萬。三年累積可達硬體價格的兩到三成,編列計畫預算時務必一併計入。</p><h3>GPU 設備的折舊年限應該抓幾年?</h3><p>會計攤提多採 3 到 5 年,但 GPU 的技術壽命更短:產品世代約 18 到 24 個月更新一輪,新卡的 VRAM 容量與每瓦效能經常大幅躍進。務實建議以 3 年作為決策基準,三年後殘值常只剩兩到三成;若研究題目變動快,應把過時風險折算進總持有成本,或改用租用來迴避。</p><h3>利用率要多高,自購 GPU 才划算?</h3><p>經驗法則是長期平均利用率站上 70% 到 80% 再考慮自購。自購的折舊、電費與維運屬固定支出,機器閒置成本照走;租用則用多少付多少。建議先撈過去 12 個月的排程或 nvidia-smi 紀錄實際計算,多數實驗室的真實利用率僅 30% 到 50%,比自我感覺低得多。</p><h3>國科會計畫經費可以核銷 GPU 租用費用嗎?</h3><p>多數情況可以。GPU 租用屬服務性支出,通常列在經常門(業務費)項下核銷,比照雲端資源使用費處理,不需財產列管;自購設備一般以單價 NT$1 萬元以上、使用年限 2 年以上者列資本門,要事先編列、經審查核定並納入財產列管。各校主計室認定略有差異,建議編列前先確認一次。</p><h3>國網中心的算力資源便宜,為什麼還要租商用主機?</h3><p>國網中心對學研計畫的補助費率確實遠低於市價,但採申請審查制,從送件到核配常需數週,熱門 GPU 資源在計畫季還要排隊。務實作法是雙軌並行:可預期的長期工作放國網,投稿截止前 1 到 3 個月的衝刺改用商用租用即開即用,避免研究死線卡在排隊上。</p><h3>4 張 RTX 4090 和 1 張 H100,研究用途該怎麼選?</h3><p>先看模型放不放得進單卡。RTX 4090 單卡 24GB,四張合計 96GB,但跨卡頻寬遠低於 H100 的 NVLink,大模型全參數訓練效率吃虧;H100 單卡 80GB,能直接容納 7B 級全參數微調。要平行跑多個小模型實驗選多張 4090,要訓練大模型選 H100,兩種需求都有就考慮租用彈性切換。</p><h3>研究資料放在租用的 GPU 主機上,安全與法規可行嗎?</h3><p>選擇台灣在地機房可大幅降低疑慮:資料不出境,較能符合計畫與研究倫理審查對敏感資料的要求,連線延遲也僅數毫秒。簽約時確認四件事:資料落地位置、備份與銷毀機制、是否為獨享主機、存取紀錄能否留存 1 年以上;涉及個資時再加上傳輸與靜態加密。</p><h3>租用 GPU 主機每個月大概要多少錢?</h3><p>台灣市場的入門級 GPU 主機月租約 NT$15,000 元起,適合開發與推論;48GB 等級專業卡主機約數萬元;多卡 H100 等級依規格與租期,每月約 NT$8 萬到數十萬元。多數供應商租期越長單價越低,計畫型需求可用 3 到 6 個月的短租控制總支出。</p>"
                    ["post_title"]=>
                    string(80) "大專院校 AI 研究算力怎麼解?自購 vs 租用 GPU 的經費效益分析"
                    ["post_excerpt"]=>
                    string(0) ""
                    ["post_status"]=>
                    string(7) "publish"
                    ["comment_status"]=>
                    string(6) "closed"
                    ["ping_status"]=>
                    string(6) "closed"
                    ["post_password"]=>
                    string(0) ""
                    ["post_name"]=>
                    string(26) "university-ai-research-gpu"
                    ["to_ping"]=>
                    string(0) ""
                    ["pinged"]=>
                    string(0) ""
                    ["post_modified"]=>
                    string(19) "2026-07-14 10:55:11"
                    ["post_modified_gmt"]=>
                    string(19) "2026-07-14 02:55:11"
                    ["post_content_filtered"]=>
                    string(0) ""
                    ["post_parent"]=>
                    int(0)
                    ["guid"]=>
                    string(49) "https://www.nss.com.tw/university-ai-research-gpu"
                    ["menu_order"]=>
                    int(0)
                    ["post_type"]=>
                    string(4) "post"
                    ["post_mime_type"]=>
                    string(0) ""
                    ["comment_count"]=>
                    string(1) "0"
                    ["filter"]=>
                    string(3) "raw"
                  }
                }
                ["post_count"]=>
                int(12)
                ["current_post"]=>
                int(-1)
                ["before_loop"]=>
                bool(true)
                ["in_the_loop"]=>
                bool(false)
                ["post"]=>
                object(WP_Post)#36597 (24) {
                  ["ID"]=>
                  int(125232)
                  ["post_author"]=>
                  string(1) "0"
                  ["post_date"]=>
                  string(19) "2026-07-14 10:21:11"
                  ["post_date_gmt"]=>
                  string(19) "2026-07-14 02:21:11"
                  ["post_content"]=>
                  string(16299) "<div class="nss-aeo-answer" style="background:#fff8f0;border-left:4px solid #c8102e;padding:16px 20px;margin:0 0 28px;border-radius:6px"><p style="margin:0 0 6px;font-weight:700">&#128161; 快速答案:AI 模型訓練和推理的 GPU 需求差在哪裡?</p><p style="margin:0">訓練要同時保存權重、梯度、優化器狀態與激活值,顯存約權重的 8-10 倍:7B 全參數訓練要 110-140GB,還吃多卡互連,是 H100 的主場。推理只需權重加 KV cache:同個 7B 模型 FP16 只要 14-16GB,一張 RTX 4090 可服務,INT4 量化再省一半。搞混兩者最浪費預算。</p></div>
<p>「我們要導入 AI,該租什麼 GPU?」這個問題沒辦法直接回答,因為它少了一個關鍵前提:你要跑的是訓練,還是推理?這兩種工作負載對硬體的要求差異之大,大到同一筆預算可能差出十倍的效果。把推理的需求拿去租訓練級的 8 卡 H100,是把錢丟進水裡;拿一張消費卡硬跑全參數訓練,是把時間丟進水裡。這篇文章把兩種負載的本質差異、顯存計算方式、硬體選型邏輯一次講清楚,最後給出讓同一批 GPU 發揮兩倍價值的混合策略。不需要 ML 背景,看得懂乘法就能跟著算完每一筆帳。</p>

<h2>本質差異:一個在學習,一個在服務</h2>
<p>訓練是讓模型「學會」:資料前向傳播算出預測,跟標準答案比對出誤差,再反向傳播計算每個參數的梯度,由優化器更新權重——這個迴圈重複數萬到數百萬步。推理是讓模型「工作」:只有前向傳播,權重完全不動,吃進 prompt、吐出 token,一次一步。</p>
<p>這個差異決定了一切。訓練是吞吐導向的批次作業:在乎「多久跑完一輪」,可以中斷續跑,對延遲無感,但要為梯度與優化器狀態付出巨額顯存,多卡之間還要頻繁同步。推理是延遲導向的線上服務:在乎「使用者等多久」,全年無休不能斷,顯存需求小得多,但要面對併發起伏與尖峰。用一句話記:訓練買的是算力與互連,推理買的是顯存容量與穩定服務。</p>
<p>營運節奏的差異同樣關鍵:訓練是「專案」,有開始有結束,排程可以彈性挪動,失敗的代價是重跑;推理是「營運」,有 SLA、有使用者體驗、半夜掛掉要有人爬起來處理,失敗的代價是商譽。這決定了兩者連租賃形態都不同——訓練適合短租衝刺,用完即退;推理適合長租加備援設計。把這兩種節奏塞進同一台機器、同一張預算表,就是多數 GPU 規劃失敗的起點。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-24-data-20260714.jpg" alt="AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯" loading="lazy"/><figcaption>▲ 7B 全參數訓練 110-140GB;推理 FP16 只要 14-16GB</figcaption></figure>
<h2>顯存帳怎麼算:8-10 倍的差距從哪來</h2>
<p>同一個 7B 模型,為什麼訓練要 110-140GB、推理只要 14-16GB?把顯存內容攤開就懂。訓練時,卡上要同時放四樣:FP16 權重(每參數 2 bytes,7B 約 14GB)、梯度(再 2 bytes)、AdamW 優化器狀態(FP32 動量與變異數,8 bytes,約 56GB)、外加隨 batch 與序列長度成長的激活值。合計每參數約 16-20 bytes,是純權重的 8-10 倍。</p>
<p>推理時,卡上只有 FP16 權重(14GB)加 KV cache(隨併發與 context 成長,單人使用約 1-2GB)。而且推理還有訓練沒有的省錢大招:INT4 量化把權重壓到四分之一,7B 從 14GB 縮到 5-6GB,品質損失多在 1-3% 內。這就是為什麼 LoRA 這類參數高效微調這麼受歡迎——它凍結原模型、只訓練低秩適配層,把「訓練帳」的梯度與優化器項目縮到趨近推理等級,7B 的 LoRA 訓練只要 18-24GB,詳細做法見 <a href="https://www.nss.com.tw/llm-finetuning-lora-gpu">LLM 微調實戰</a>。</p>
<p>推理端還有一個跟訓練相反的槓桿:批次。訓練的 batch 是為了學習效率,推理的 batching 則是把多個使用者的請求交錯塞進同一次運算,GPU 使用率從 20-30% 拉到 80% 以上,單卡吞吐翻好幾倍——代價是個別請求的延遲略升。這也是為什麼生產環境一定要用支援 continuous batching 的推論引擎:同樣的硬體、同樣的模型,服務容量差 5-10 倍,等於直接把月租除以五。</p>
<p>拿 7B 走一遍完整算式,你就再也不會忘記這個差距:權重 7B 參數乘 2 bytes 等於 14GB;訓練再加梯度 14GB、優化器狀態 56GB、激活值 10-50GB(隨 batch 與序列長度),合計 94-134GB。推理則是 14GB 權重加 KV cache——單人對話 1-2GB、20 路併發 10-20GB,合計 15-35GB。同一個模型,兩張預算表差出一個數量級;而且推理還能用 INT4 把權重壓到 5-6GB,訓練卻必須維持高精度,差距進一步拉大。</p>

<h2>硬體選型:兩種負載看的規格完全不同</h2>
<p>訓練機的三個關鍵規格:HBM 顯存頻寬(反向傳播是頻寬飢渴型運算)、卡間互連(NVLink 900GB/s 對上 PCIe 的 64GB/s,多卡訓練差距立現)、以及 ECC 記憶體與散熱穩定性(一輪訓練跑七天,第六天當機等於重來)。這些正是 H100 這類資料中心卡貴的理由,錢花在你看不到但訓練跑不掉的地方。</p>
<p>推理機的邏輯不同:單卡顯存容量決定放得下多大的模型,每 token 成本決定毛利,而消費級的 RTX 4090 在這兩項的性價比極高——這也是它成為推理神卡的原因。多卡互連對推理重要性低(除非模型大到必須跨卡切分),反而是多開副本做負載均衡更實際。一個常見的錯誤採購:為了「以後可能要訓練」而全上 H100,結果 90% 的時間在跑 7B 推理,單位成本是 4090 方案的三四倍。</p>
<p>那推理什麼時候輪到 H100?三種情況:模型大到單卡裝不下且要 FP16 品質(70B 以上)、長 context 場景讓 KV cache 動輒數十 GB、或高併發對外服務需要單點高吞吐。多卡策略也跟訓練相反:訓練的多卡是「合力算一件事」,要 NVLink 緊耦合;推理的多卡多數時候是「各自服務、負載均衡」,兩台單卡主機常常比一台雙卡主機更好用——還順便有了備援。</p>
<p>穩定性的要求也值得一提:訓練跑七天,中途壞卡靠檢查點續命;推理是全年無休,看的是故障率與換修速度。租用方案在這裡有隱形價值——硬體故障是主機商的問題,備品與換機時間寫在合約裡,比自購機器壞了現找料件安心得多。</p>
<p>功耗與散熱同樣是選型的一部分:一張 4090 滿載約 450W,8 卡 H100 主機整機動輒上萬瓦,電力與空調是機房等級的需求,這也是「把訓練機放辦公室角落」幾乎都以跳電或過熱降頻收場的原因。租用台灣機房的主機,電費、散熱、UPS、消防都包在月租裡;把這些隱形成本攤回自建方案上比較,帳面月租其實比看起來便宜。</p>

<h2>對照表:同一個模型,兩種負載的配置</h2>
<table>
<thead><tr><th>模型規模</th><th>全參數訓練</th><th>LoRA 微調</th><th>FP16 推理</th><th>INT4 推理</th></tr></thead>
<tbody>
<tr><td>7B</td><td>110-140GB,2×H100</td><td>18-24GB,1×4090</td><td>14-16GB,1×4090</td><td>5-6GB,入門卡可跑</td></tr>
<tr><td>32B</td><td>500GB 上下,8×H100</td><td>75-95GB,2×H100</td><td>64-70GB,1×H100</td><td>18-20GB,1×4090</td></tr>
<tr><td>70B</td><td>700GB 以上,多節點</td><td>150-190GB,3×H100</td><td>140-150GB,2×H100</td><td>40-45GB,2×4090</td></tr>
</tbody>
</table>
<p>讀表的方式:橫著看是同一個模型從開發到上線的資源演變,直著看是你的預算能支撐的規模上限。多數企業的實際旅程是「租 H100 做一段時間的微調,上線後換成 4090 級推理機長期服務」——兩個階段、兩種規格、兩張報價單,合在一起才是專案的真實成本。</p>
<p>對照表也順便解釋了市場上一個常見的價格困惑:為什麼 H100 主機月租是 4090 的好幾倍,大家還是搶著租?因為它們根本不在同一個市場——H100 賣的是訓練與大模型推理的「能力」,4090 賣的是中小模型推理的「性價比」。拿 4090 的價格去砍 H100 的規格,或拿 H100 的規格去要求 4090 的價格,都是在浪費彼此的時間;先分清楚負載,報價單自然就看得懂了。</p>

<h2>台灣案例:電子廠把同一筆預算用出兩倍效果</h2>
<p>桃園一家電子組裝廠導入 AOI 瑕疵檢測的視覺模型加上產線知識問答的 LLM,最初的規劃是租一台 4×H100 主機包辦所有工作,月租七位數邊緣,財務直接退件。顧問重排後的架構:訓練需求(每月一次的瑕疵模型重訓、每季一次的 LLM 微調)改成短租 H100 主機,每次 3-5 天、月均成本約 NT$40,000-60,000;推理需求(產線 24 小時的即時檢測加辦公室的知識問答)交給兩台雙 4090 主機,月租合計約 NT$70,000。</p>
<p>結果是總月成本從原規劃砍掉超過一半,推理服務的 p95 延遲反而更好,因為推理機可以按產線位置就近部署、多副本分流。訓練短租的另一個好處是規格自由:下一季想試 32B 模型的微調,直接改租更大的配置,不用被自有硬體綁死。資料面也乾淨——檢測影像涉及客戶產品外觀,全程留在台灣機房,滿足客戶稽核的資料在地要求。</p>
<p>數字攤開更有說服力:原方案 4×H100 全年月租估 NT$180 萬年支出;新架構是訓練短租年約 NT$55-70 萬,加推理雙機年約 NT$84 萬,合計省下約四成,而且推理機的 p95 延遲從共用時代的不穩定,變成穩定壓在 0.8 秒內。財務長最買單的一句話是:「訓練的錢花在有訓練的月份,推理的錢才是固定成本。」預算結構跟著負載走,審預算的人也看得懂。</p>

<h2>混合策略:讓 GPU 不再有下班時間</h2>
<p>訓練與推理分開配置之後,還有一層進階玩法:時間分割。推理有明顯的日夜週期,辦公型應用晚上十點後使用率常掉到 10% 以下,這段時間正好拿來跑訓練:夜間排程啟動 LoRA 微調或資料處理,清晨完成後釋放顯存回到推理服務。一張 24GB 的卡,白天服務 10-20 路併發的問答,晚上跑 7B 的 QLoRA 迭代,等於一份月租買兩份產能。</p>
<p>落地這套策略的前提是服務層要俐落:推論引擎能快速卸載與重載模型、任務排程有優先權設計、監控能確認「早上八點推理服務一定回來」。這些工程細節在 <a href="https://www.nss.com.tw/ai-inference-api-hosting">AI 推論 API 自建教學</a> 有完整展開。原則只有一條:先分清楚你的每一個工作負載是訓練還是推理,再決定它該住在哪種 GPU 上、住多久。想清楚這題,GPU 預算的效率至少差一倍。</p>
<p>風險控管兩條底線要守住:混用的那張卡,推理服務的恢復要有自動檢核——訓練任務結束後服務沒起來就告警加自動重啟;訓練任務要設資源上限與最晚結束時間,寧可訓練慢一天,不要早上八點推理服務起不來。時間分割是省錢技巧,不是走鋼索,把保險機制寫好才有資格用。</p>
<p>把整篇的判斷濃縮成四個問題:這個負載是一次性專案還是長期服務?顯存需求是權重的十倍(訓練)還是一點多倍(推理)?它需要多卡緊耦合還是多副本分流?尖峰在白天還是可以排進夜間?四題答完,該租 H100 還是 4090、該短租還是長租、該一台還是兩台,答案基本上自動浮現。之後每次規劃卡關,回來把這四題重答一次,比翻任何規格表都快。</p>
<p>「先租後買」的節奏也順帶講清楚:前六個月用租的,把負載形狀量出來——尖峰、離峰、訓練頻率、顯存水位;若使用率長期在七成以上且規格已經穩定,再評估買斷或簽長約換折扣。反過來,負載還在變的階段就買硬體,等於把不確定性直接鎖進資產負債表,那是財務最不想看到的一種浪漫。</p>


<figure class="wp-block-image size-full"><img src="https://www.nss.com.tw/wp-content/uploads/2026/07/nss-gw2-24-points-20260714.jpg" alt="AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯" loading="lazy"/><figcaption>▲ 兩種工作負載的配置邏輯</figcaption></figure>
<h2>找台灣在地的 GPU 主機夥伴</h2>
<p>訓練短租 H100、推理長租 RTX 系列,這種分離式配置需要主機商同時具備兩種產品線與彈性租期。戰國策 GPU 主機提供 NVIDIA H100 與 RTX 系列多種配置,台灣機房、資料不出境,月租 NT$15,000 起,7×24 中文技術支援,訓練與推理可以分開租、隨階段調整。方案細節見 <a href="https://www.nss.com.tw/gpu/">戰國策 GPU 主機</a>,或加 LINE @119m、撥免費專線 0800-003-191,顧問會依你的工作負載組合試算最省的架構。</p>

<h2>常見問題 FAQ</h2><h3>為什麼訓練需要的顯存是推理的近十倍?</h3><p>訓練時卡上同時放權重(FP16 每參數 2 bytes)、梯度(2 bytes)、AdamW 優化器狀態(8 bytes)與激活值,合計每參數 16-20 bytes;推理只要權重加 KV cache。7B 的對比就是 110-140GB 對 14-16GB,差距近十倍。</p><h3>RTX 4090 適合訓練還是推理?</h3><p>推理是它的主場:24GB 顯存能跑 7B FP16 或 32B INT4,每 token 成本遠低於資料中心卡。訓練方面,單卡跑 7B-14B 的 LoRA/QLoRA 沒問題,但缺 NVLink 與 ECC,多卡全參數訓練效率差、穩定性風險高,大型訓練還是交給 H100。</p><h3>H100 比 4090 貴好幾倍,貴在哪裡?</h3><p>貴在訓練需要的三樣東西:80GB HBM 高頻寬顯存(頻寬約 3.35TB/s,是 4090 GDDR6X 的 3 倍以上)、NVLink 900GB/s 卡間互連、以及 ECC 與資料中心級穩定性。若你的負載是中小模型推理,這些溢價用不到,選 RTX 系列性價比更高。</p><h3>推理的 KV cache 是什麼?會吃多少顯存?</h3><p>KV cache 是推理時暫存注意力鍵值的快取,讓模型不用重算前文,代價是顯存:依架構每路 4K token 約 0.5-2GB,與併發數、context 長度成正比。20 路併發、8K context 的服務,KV cache 可達 20-40GB,規劃時要在權重外預留 20-40% 空間。</p><h3>先租訓練機還是先租推理機?</h3><p>看專案階段。要微調自有模型:先短租訓練規格(如 H100,一次 3-7 天),模型定版後換長租推理規格(如 4090 主機月租 NT$15,000-25,000)服務使用者。直接用現成開源模型的話,跳過訓練段,從推理機開始,POC 兩週內就能上線。</p><h3>同一台主機可以白天推理、晚上訓練嗎?</h3><p>可以,而且是中小團隊最省錢的玩法。推理服務入夜後使用率常掉到 10% 以下,排程在深夜卸載推理、跑 LoRA 微調,清晨恢復服務,一張 24GB 卡等於當兩台用。前提是任務排程、模型快速重載與開機自檢都要自動化,避免早上服務沒回來。</p><h3>訓練和推理可以用同一種量化嗎?</h3><p>不行,方向相反。推理常態使用 INT8/INT4 量化,省一半以上顯存、品質損失多在 1-3%;訓練必須維持較高精度(FP16/BF16 混合精度)以保梯度品質,QLoRA 雖然把凍結底模壓到 4-bit,可訓練的適配層仍是高精度。拿 INT4 權重直接全參數訓練會學壞。</p><h3>推理服務要怎麼估需要幾張卡?</h3><p>公式:先定尖峰併發數與延遲目標,單卡容量 = 權重 + 併發×每路 KV cache + 20% 餘裕。例如 32B INT4(20GB)配 15 路併發(約 15-20GB),需 40GB 以上,即一張 48GB 卡或兩張 4090。上線後看佇列深度與 p95 延遲決定加卡時機。</p><h3>訓練短租真的比長租划算嗎?</h3><p>多數情況是。企業微調的節奏常是每月或每季一輪,每輪 3-7 天,短租 H100 的月均支出約 NT$40,000-80,000;同規格長租且大半時間閒置,月租是它的好幾倍。只有訓練排程滿到每月超過 20 天時,長租或買斷才開始划算。</p><h3>邊緣推理和機房推理怎麼選?</h3><p>延遲極敏感或斷網不可接受的場景(產線即時檢測、門店互動)放邊緣小型 GPU;需要大模型、集中管理與彈性擴充的(知識問答、文件處理)放台灣機房主機,網路往返 5ms 上下對多數應用無感。常見架構是邊緣跑小模型、機房跑大模型,各司其職。</p>"
                  ["post_title"]=>
                  string(85) "AI 模型訓練 vs 推理差在哪?一篇搞懂兩種工作負載的 GPU 配置邏輯"
                  ["post_excerpt"]=>
                  string(0) ""
                  ["post_status"]=>
                  string(7) "publish"
                  ["comment_status"]=>
                  string(6) "closed"
                  ["ping_status"]=>
                  string(6) "closed"
                  ["post_password"]=>
                  string(0) ""
                  ["post_name"]=>
                  string(28) "ai-training-vs-inference-gpu"
                  ["to_ping"]=>
                  string(0) ""
                  ["pinged"]=>
                  string(0) ""
                  ["post_modified"]=>
                  string(19) "2026-07-14 11:06:01"
                  ["post_modified_gmt"]=>
                  string(19) "2026-07-14 03:06:01"
                  ["post_content_filtered"]=>
                  string(0) ""
                  ["post_parent"]=>
                  int(0)
                  ["guid"]=>
                  string(51) "https://www.nss.com.tw/ai-training-vs-inference-gpu"
                  ["menu_order"]=>
                  int(0)
                  ["post_type"]=>
                  string(4) "post"
                  ["post_mime_type"]=>
                  string(0) ""
                  ["comment_count"]=>
                  string(1) "0"
                  ["filter"]=>
                  string(3) "raw"
                }
                ["comment_count"]=>
                int(0)
                ["current_comment"]=>
                int(-1)
                ["found_posts"]=>
                int(1669)
                ["max_num_pages"]=>
                float(140)
                ["max_num_comment_pages"]=>
                int(0)
                ["is_single"]=>
                bool(false)
                ["is_preview"]=>
                bool(false)
                ["is_page"]=>
                bool(false)
                ["is_archive"]=>
                bool(false)
                ["is_date"]=>
                bool(false)
                ["is_year"]=>
                bool(false)
                ["is_month"]=>
                bool(false)
                ["is_day"]=>
                bool(false)
                ["is_time"]=>
                bool(false)
                ["is_author"]=>
                bool(false)
                ["is_category"]=>
                bool(false)
                ["is_tag"]=>
                bool(false)
                ["is_tax"]=>
                bool(false)
                ["is_search"]=>
                bool(false)
                ["is_feed"]=>
                bool(true)
                ["is_comment_feed"]=>
                bool(false)
                ["is_trackback"]=>
                bool(false)
                ["is_home"]=>
                bool(true)
                ["is_privacy_policy"]=>
                bool(false)
                ["is_404"]=>
                bool(false)
                ["is_embed"]=>
                bool(false)
                ["is_paged"]=>
                bool(false)
                ["is_admin"]=>
                bool(false)
                ["is_attachment"]=>
                bool(false)
                ["is_singular"]=>
                bool(false)
                ["is_robots"]=>
                bool(false)
                ["is_favicon"]=>
                bool(false)
                ["is_posts_page"]=>
                bool(false)
                ["is_post_type_archive"]=>
                bool(false)
                ["query_vars_hash":"WP_Query":private]=>
                string(32) "afed949ddc44bda5a704cf3b30d61301"
                ["query_vars_changed":"WP_Query":private]=>
                bool(false)
                ["thumbnails_cached"]=>
                bool(false)
                ["allow_query_attachment_by_filename":protected]=>
                bool(false)
                ["stopwords":"WP_Query":private]=>
                NULL
                ["compat_fields":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(15) "query_vars_hash"
                  [1]=>
                  string(18) "query_vars_changed"
                }
                ["compat_methods":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(16) "init_query_flags"
                  [1]=>
                  string(15) "parse_tax_query"
                }
              }
            }
          }
        }
        [10]=>
        array(4) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(1881)
          ["function"]=>
          string(19) "do_action_ref_array"
          ["args"]=>
          array(1) {
            [0]=>
            string(13) "pre_get_posts"
          }
        }
        [11]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3800)
          ["function"]=>
          string(9) "get_posts"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [12]=>
        array(5) {
          ["file"]=>
          string(37) "/var/www/web/wp-includes/class-wp.php"
          ["line"]=>
          int(662)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [13]=>
        array(5) {
          ["file"]=>
          string(37) "/var/www/web/wp-includes/class-wp.php"
          ["line"]=>
          int(782)
          ["function"]=>
          string(11) "query_posts"
          ["class"]=>
          string(2) "WP"
          ["type"]=>
          string(2) "->"
        }
        [14]=>
        array(5) {
          ["file"]=>
          string(38) "/var/www/web/wp-includes/functions.php"
          ["line"]=>
          int(1335)
          ["function"]=>
          string(4) "main"
          ["class"]=>
          string(2) "WP"
          ["type"]=>
          string(2) "->"
        }
        [15]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(16)
          ["function"]=>
          string(2) "wp"
        }
        [16]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(658)
  }
  [39]=>
  array(7) {
    [0]=>
    string(2564) "
					SELECT SQL_CALC_FOUND_ROWS  tD6qv_posts.ID
					FROM tD6qv_posts 
					WHERE 1=1  AND ((tD6qv_posts.post_type = 'post' AND (tD6qv_posts.post_status = 'publish' OR tD6qv_posts.post_status = 'acf-disabled'))) AND tD6qv_posts.ID NOT IN ( 31016, 31017, 31018, 31019, 31020, 31021, 31023, 31047, 31048, 31049, 31050, 31051, 31052, 31053, 31054, 31061, 31062, 31063, 31064, 31065, 31074, 31075, 31076, 31077, 31078, 31079, 31094, 31095, 31096, 31097, 31098, 31103, 31104, 31105, 31110, 31111, 31113, 31115, 31117, 31119, 31121, 31123, 31125, 31127, 31129, 31131, 31133, 31135, 31137, 31140, 31142, 31144, 31150, 31152, 31155, 31157, 31159, 31161, 31163, 31165, 31167, 31169, 31171, 31173, 31176, 31178, 31180, 31189, 31199, 31200, 31201, 31202, 31203, 31210, 31211, 31212, 31213, 31214, 31222, 31223, 31224, 31225, 31226, 31233, 31234, 31235, 31237, 31238, 31239, 31242, 31243, 31245, 31247, 31249, 31257, 31258, 31260, 31261, 31262, 31263, 31264, 31265, 31287, 31288, 31289, 31290, 31339, 31342, 32291, 32570, 32694, 33157, 33302, 33304, 33981, 34831, 34832, 35549, 35551, 35586, 35590, 35591, 35592, 35593, 35594, 35595, 35659, 35660, 35661, 35662, 35663, 35664, 35665, 35666, 35668, 35672, 35676, 35679, 35680, 35681, 35682, 35683, 35684, 35685, 35689, 35694, 35696, 35697, 35698, 35702, 35703, 35704, 35706, 35713, 35720, 35742, 35743, 35744, 35746, 35747, 35748, 35749, 35750, 35751, 35752, 35753, 35754, 35755, 35756, 35757, 48063, 48070, 48071, 48072, 48074, 48075, 48184, 48188, 48189, 49076, 49099, 49104, 49106, 49455, 49457, 49459, 49461, 49463, 49465, 49467, 49469, 49676, 49681, 49682, 49683, 49727, 49729, 49731, 49733, 49735, 49737, 49739, 49854, 49969, 50452, 50455, 50457, 50459, 50461, 50463, 50465, 50709, 50711, 50713, 50715, 50717, 50719, 50721, 50723, 50725, 50727, 50729, 50731, 50733, 50735, 50737, 50739, 50741, 50743, 50745, 50749, 50753, 50755, 50756, 50758, 50760, 50762, 50764, 50766, 51313, 51345, 51347, 51349, 51405, 51511, 51513, 51952, 52094, 54373, 54375, 54377, 54379, 54382, 54384, 54387, 54389, 54391, 54393, 54396, 54400, 55813, 57567, 57569, 57579, 57582, 57586, 57591, 60450, 60718, 60842, 60974, 60977, 89588, 89591, 89593, 89595, 89597, 89601, 91915, 91916, 91918, 93992, 93994, 109831, 109911, 110004, 110006, 110011, 110015, 110018, 110020, 110024, 110028, 110030, 110032, 110034, 110039, 110041, 110043, 110045, 110047, 110051, 110122, 110124, 110126, 110128, 110131, 110134, 110137, 110139, 110142, 110144, 110146, 110148 ) 
					
					ORDER BY tD6qv_posts.menu_order, tD6qv_posts.post_date DESC
					LIMIT 0, 12
				"
    [1]=>
    float(0.010970830917358)
    [2]=>
    string(112) "require('wp-blog-header.php'), wp, WP->main, WP->query_posts, WP_Query->query, WP_Query->get_posts, QM_DB->query"
    [3]=>
    float(1784046907.6488)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#36609 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(9) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3088)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3312)
          ["function"]=>
          string(7) "get_col"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3800)
          ["function"]=>
          string(9) "get_posts"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(37) "/var/www/web/wp-includes/class-wp.php"
          ["line"]=>
          int(662)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(5) {
          ["file"]=>
          string(37) "/var/www/web/wp-includes/class-wp.php"
          ["line"]=>
          int(782)
          ["function"]=>
          string(11) "query_posts"
          ["class"]=>
          string(2) "WP"
          ["type"]=>
          string(2) "->"
        }
        [6]=>
        array(5) {
          ["file"]=>
          string(38) "/var/www/web/wp-includes/functions.php"
          ["line"]=>
          int(1335)
          ["function"]=>
          string(4) "main"
          ["class"]=>
          string(2) "WP"
          ["type"]=>
          string(2) "->"
        }
        [7]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(16)
          ["function"]=>
          string(2) "wp"
        }
        [8]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(12)
  }
  [40]=>
  array(7) {
    [0]=>
    string(19) "SELECT FOUND_ROWS()"
    [1]=>
    float(0.00017595291137695)
    [2]=>
    string(139) "require('wp-blog-header.php'), wp, WP->main, WP->query_posts, WP_Query->query, WP_Query->get_posts, WP_Query->set_found_posts, QM_DB->query"
    [3]=>
    float(1784046907.66)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#36611 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(10) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3012)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3579)
          ["function"]=>
          string(7) "get_var"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3316)
          ["function"]=>
          string(15) "set_found_posts"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3800)
          ["function"]=>
          string(9) "get_posts"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(5) {
          ["file"]=>
          string(37) "/var/www/web/wp-includes/class-wp.php"
          ["line"]=>
          int(662)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [6]=>
        array(5) {
          ["file"]=>
          string(37) "/var/www/web/wp-includes/class-wp.php"
          ["line"]=>
          int(782)
          ["function"]=>
          string(11) "query_posts"
          ["class"]=>
          string(2) "WP"
          ["type"]=>
          string(2) "->"
        }
        [7]=>
        array(5) {
          ["file"]=>
          string(38) "/var/www/web/wp-includes/functions.php"
          ["line"]=>
          int(1335)
          ["function"]=>
          string(4) "main"
          ["class"]=>
          string(2) "WP"
          ["type"]=>
          string(2) "->"
        }
        [8]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(16)
          ["function"]=>
          string(2) "wp"
        }
        [9]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(1)
  }
  [41]=>
  array(7) {
    [0]=>
    string(70) "SELECT option_value FROM tD6qv_options WHERE option_name = 'sm_cpages'"
    [1]=>
    float(0.0052239894866943)
    [2]=>
    string(376) "require('wp-blog-header.php'), require_once('wp-includes/template-loader.php'), do_action('template_redirect'), WP_Hook->do_action, WP_Hook->apply_filters, GoogleSitemapGeneratorLoader::do_template_redirect, GoogleSitemapGeneratorLoader::call_show_sitemap, GoogleSitemapGenerator->show_sitemap, GoogleSitemapGenerator->initate, GoogleSitemapGenerator->load_pages, QM_DB->query"
    [3]=>
    float(1784046907.6844)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#36499 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(13) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3012)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(73) "/var/www/web/wp-content/plugins/google-sitemap-generator/sitemap-core.php"
          ["line"]=>
          int(1590)
          ["function"]=>
          string(7) "get_var"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(73) "/var/www/web/wp-content/plugins/google-sitemap-generator/sitemap-core.php"
          ["line"]=>
          int(927)
          ["function"]=>
          string(10) "load_pages"
          ["class"]=>
          string(22) "GoogleSitemapGenerator"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(73) "/var/www/web/wp-content/plugins/google-sitemap-generator/sitemap-core.php"
          ["line"]=>
          int(2021)
          ["function"]=>
          string(7) "initate"
          ["class"]=>
          string(22) "GoogleSitemapGenerator"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(5) {
          ["file"]=>
          string(95) "/var/www/web/wp-content/plugins/google-sitemap-generator/class-googlesitemapgeneratorloader.php"
          ["line"]=>
          int(817)
          ["function"]=>
          string(12) "show_sitemap"
          ["class"]=>
          string(22) "GoogleSitemapGenerator"
          ["type"]=>
          string(2) "->"
        }
        [6]=>
        array(5) {
          ["file"]=>
          string(95) "/var/www/web/wp-content/plugins/google-sitemap-generator/class-googlesitemapgeneratorloader.php"
          ["line"]=>
          int(301)
          ["function"]=>
          string(17) "call_show_sitemap"
          ["class"]=>
          string(28) "GoogleSitemapGeneratorLoader"
          ["type"]=>
          string(2) "::"
        }
        [7]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(308)
          ["function"]=>
          string(20) "do_template_redirect"
          ["class"]=>
          string(28) "GoogleSitemapGeneratorLoader"
          ["type"]=>
          string(2) "::"
        }
        [8]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [9]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [10]=>
        array(4) {
          ["file"]=>
          string(44) "/var/www/web/wp-includes/template-loader.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(17) "template_redirect"
          }
        }
        [11]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(19)
          ["function"]=>
          string(12) "require_once"
        }
        [12]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(1)
  }
  [42]=>
  array(7) {
    [0]=>
    string(143) "
		SELECT ID, post_name, post_parent, post_type
		FROM tD6qv_posts
		WHERE post_name IN ('wp-admin')
		AND post_type IN ('page','attachment')
	"
    [1]=>
    float(0.001816987991333)
    [2]=>
    string(502) "require('wp-blog-header.php'), require_once('wp-includes/template-loader.php'), do_action('template_redirect'), WP_Hook->do_action, WP_Hook->apply_filters, GoogleSitemapGeneratorLoader::do_template_redirect, GoogleSitemapGeneratorLoader::call_show_sitemap, GoogleSitemapGenerator->show_sitemap, do_action('sm_build_index'), WP_Hook->do_action, WP_Hook->apply_filters, GoogleSitemapGeneratorStandardBuilder->index, GoogleSitemapGenerator->robots_disallowed, url_to_postid, get_page_by_path, QM_DB->query"
    [3]=>
    float(1784046907.6939)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#36610 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(18) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3127)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(33) "/var/www/web/wp-includes/post.php"
          ["line"]=>
          int(5750)
          ["function"]=>
          string(11) "get_results"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(3) {
          ["file"]=>
          string(36) "/var/www/web/wp-includes/rewrite.php"
          ["line"]=>
          int(614)
          ["function"]=>
          string(16) "get_page_by_path"
        }
        [4]=>
        array(3) {
          ["file"]=>
          string(73) "/var/www/web/wp-content/plugins/google-sitemap-generator/sitemap-core.php"
          ["line"]=>
          int(1259)
          ["function"]=>
          string(13) "url_to_postid"
        }
        [5]=>
        array(5) {
          ["file"]=>
          string(104) "/var/www/web/wp-content/plugins/google-sitemap-generator/class-googlesitemapgeneratorstandardbuilder.php"
          ["line"]=>
          int(993)
          ["function"]=>
          string(17) "robots_disallowed"
          ["class"]=>
          string(22) "GoogleSitemapGenerator"
          ["type"]=>
          string(2) "->"
        }
        [6]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(5) "index"
          ["class"]=>
          string(37) "GoogleSitemapGeneratorStandardBuilder"
          ["type"]=>
          string(2) "->"
        }
        [7]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            string(0) ""
          }
        }
        [8]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              object(GoogleSitemapGenerator)#36501 (11) {
                ["options":"GoogleSitemapGenerator":private]=>
                array(66) {
                  ["sm_b_prio_provider"]=>
                  string(41) "GoogleSitemapGeneratorPrioByCountProvider"
                  ["sm_b_ping"]=>
                  bool(true)
                  ["sm_b_stats"]=>
                  bool(false)
                  ["sm_b_autozip"]=>
                  bool(true)
                  ["sm_b_memory"]=>
                  string(0) ""
                  ["sm_b_time"]=>
                  int(-1)
                  ["sm_b_style_default"]=>
                  bool(true)
                  ["sm_b_style"]=>
                  string(0) ""
                  ["sm_b_baseurl"]=>
                  string(0) ""
                  ["sm_b_rewrites2"]=>
                  bool(true)
                  ["sm_b_indexnow"]=>
                  bool(true)
                  ["sm_b_activate_indexnow"]=>
                  bool(true)
                  ["sm_b_index_date"]=>
                  string(0) ""
                  ["sm_b_robots"]=>
                  bool(true)
                  ["sm_b_html"]=>
                  bool(false)
                  ["sm_b_exclude"]=>
                  array(0) {
                  }
                  ["sm_b_exclude_cats"]=>
                  array(0) {
                  }
                  ["sm_in_home"]=>
                  bool(true)
                  ["sm_in_posts"]=>
                  bool(true)
                  ["sm_in_posts_sub"]=>
                  bool(false)
                  ["sm_in_pages"]=>
                  bool(true)
                  ["sm_in_cats"]=>
                  bool(false)
                  ["sm_product_tags"]=>
                  bool(true)
                  ["sm_in_product_cat"]=>
                  bool(true)
                  ["sm_in_product_assortment"]=>
                  bool(true)
                  ["sm_in_arch"]=>
                  bool(false)
                  ["sm_in_auth"]=>
                  bool(false)
                  ["sm_in_tags"]=>
                  bool(false)
                  ["sm_in_tax"]=>
                  array(0) {
                  }
                  ["sm_in_customtypes"]=>
                  array(0) {
                  }
                  ["sm_in_lastmod"]=>
                  bool(true)
                  ["sm_b_sitemap_name"]=>
                  string(7) "sitemap"
                  ["sm_b_old_sm_name"]=>
                  string(7) "sitemap"
                  ["sm_cf_home"]=>
                  string(5) "daily"
                  ["sm_cf_posts"]=>
                  string(7) "monthly"
                  ["sm_cf_pages"]=>
                  string(6) "weekly"
                  ["sm_cf_cats"]=>
                  string(6) "weekly"
                  ["sm_cf_product_cat"]=>
                  string(6) "weekly"
                  ["sm_cf_auth"]=>
                  string(6) "weekly"
                  ["sm_cf_arch_curr"]=>
                  string(5) "daily"
                  ["sm_cf_arch_old"]=>
                  string(6) "yearly"
                  ["sm_cf_tags"]=>
                  string(6) "weekly"
                  ["sm_pr_home"]=>
                  float(1)
                  ["sm_pr_posts"]=>
                  float(0.6)
                  ["sm_pr_posts_min"]=>
                  float(0.2)
                  ["sm_pr_pages"]=>
                  float(0.6)
                  ["sm_pr_cats"]=>
                  float(0.3)
                  ["sm_pr_product_cat"]=>
                  float(0.3)
                  ["sm_pr_arch"]=>
                  float(0.3)
                  ["sm_pr_auth"]=>
                  float(0.3)
                  ["sm_pr_tags"]=>
                  float(0.3)
                  ["sm_i_donated"]=>
                  bool(false)
                  ["sm_i_hide_donated"]=>
                  bool(false)
                  ["sm_i_install_date"]=>
                  bool(false)
                  ["sm_i_hide_survey"]=>
                  bool(false)
                  ["sm_i_hide_note"]=>
                  bool(false)
                  ["sm_i_hide_works"]=>
                  bool(false)
                  ["sm_i_hide_donors"]=>
                  bool(false)
                  ["sm_i_hash"]=>
                  bool(false)
                  ["sm_i_tid"]=>
                  string(0) ""
                  ["sm_i_lastping"]=>
                  int(1784026225)
                  ["sm_i_supportfeed"]=>
                  bool(false)
                  ["sm_i_supportfeed_cache"]=>
                  bool(false)
                  ["sm_links_page"]=>
                  int(1000)
                  ["sm_user_consent"]=>
                  bool(false)
                  ["sm_wp_sitemap_status"]=>
                  bool(true)
                }
                ["pages":"GoogleSitemapGenerator":private]=>
                array(0) {
                }
                ["freq_names":"GoogleSitemapGenerator":private]=>
                array(7) {
                  ["always"]=>
                  string(12) "持續變更"
                  ["hourly"]=>
                  string(9) "每小時"
                  ["daily"]=>
                  string(6) "每日"
                  ["weekly"]=>
                  string(6) "每週"
                  ["monthly"]=>
                  string(6) "每月"
                  ["yearly"]=>
                  string(6) "每年"
                  ["never"]=>
                  string(12) "永不變更"
                }
                ["prio_providers":"GoogleSitemapGenerator":private]=>
                array(2) {
                  [0]=>
                  string(41) "GoogleSitemapGeneratorPrioByCountProvider"
                  [1]=>
                  string(43) "GoogleSitemapGeneratorPrioByAverageProvider"
                }
                ["is_initiated":"GoogleSitemapGenerator":private]=>
                bool(true)
                ["is_active":"GoogleSitemapGenerator":private]=>
                bool(true)
                ["build_options":"GoogleSitemapGenerator":private]=>
                array(1) {
                  ["params"]=>
                  string(0) ""
                }
                ["ui":"GoogleSitemapGenerator":private]=>
                NULL
                ["sim_mode":"GoogleSitemapGenerator":private]=>
                bool(false)
                ["sim_data":"GoogleSitemapGenerator":private]=>
                array(2) {
                  ["sitemaps"]=>
                  array(0) {
                  }
                  ["content"]=>
                  array(0) {
                  }
                }
                ["options_loaded":"GoogleSitemapGenerator":private]=>
                bool(true)
              }
            }
          }
        }
        [9]=>
        array(4) {
          ["file"]=>
          string(73) "/var/www/web/wp-content/plugins/google-sitemap-generator/sitemap-core.php"
          ["line"]=>
          int(2071)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(14) "sm_build_index"
          }
        }
        [10]=>
        array(5) {
          ["file"]=>
          string(95) "/var/www/web/wp-content/plugins/google-sitemap-generator/class-googlesitemapgeneratorloader.php"
          ["line"]=>
          int(817)
          ["function"]=>
          string(12) "show_sitemap"
          ["class"]=>
          string(22) "GoogleSitemapGenerator"
          ["type"]=>
          string(2) "->"
        }
        [11]=>
        array(5) {
          ["file"]=>
          string(95) "/var/www/web/wp-content/plugins/google-sitemap-generator/class-googlesitemapgeneratorloader.php"
          ["line"]=>
          int(301)
          ["function"]=>
          string(17) "call_show_sitemap"
          ["class"]=>
          string(28) "GoogleSitemapGeneratorLoader"
          ["type"]=>
          string(2) "::"
        }
        [12]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(308)
          ["function"]=>
          string(20) "do_template_redirect"
          ["class"]=>
          string(28) "GoogleSitemapGeneratorLoader"
          ["type"]=>
          string(2) "::"
        }
        [13]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [14]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [15]=>
        array(4) {
          ["file"]=>
          string(44) "/var/www/web/wp-includes/template-loader.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(17) "template_redirect"
          }
        }
        [16]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(19)
          ["function"]=>
          string(12) "require_once"
        }
        [17]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(0)
  }
  [43]=>
  array(7) {
    [0]=>
    string(125) "SELECT DISTINCT post_id 
		         FROM tD6qv_postmeta 
		         WHERE meta_key = 'wp_protect_password_multiple_passwords'"
    [1]=>
    float(0.00048995018005371)
    [2]=>
    string(716) "require('wp-blog-header.php'), require_once('wp-includes/template-loader.php'), do_action('template_redirect'), WP_Hook->do_action, WP_Hook->apply_filters, GoogleSitemapGeneratorLoader::do_template_redirect, GoogleSitemapGeneratorLoader::call_show_sitemap, GoogleSitemapGenerator->show_sitemap, do_action('sm_build_index'), WP_Hook->do_action, WP_Hook->apply_filters, GoogleSitemapGeneratorStandardBuilder->index, GoogleSitemapGenerator->robots_disallowed, url_to_postid, WP_Query->__construct, WP_Query->query, WP_Query->get_posts, do_action_ref_array('pre_get_posts'), WP_Hook->do_action, WP_Hook->apply_filters, PPW_Admin->ppwp_exclude_protected_items_from_qry, PPW_Admin->ppwp_get_all_protected_ids, QM_DB->query"
    [3]=>
    float(1784046907.6962)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#36288 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(25) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3088)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1299)
          ["function"]=>
          string(7) "get_col"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1251)
          ["function"]=>
          string(26) "ppwp_get_all_protected_ids"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(37) "ppwp_exclude_protected_items_from_qry"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            bool(false)
          }
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(565)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              object(WP_Query)#36310 (52) {
                ["query"]=>
                array(2) {
                  ["name"]=>
                  string(8) "wp-admin"
                  ["page"]=>
                  string(0) ""
                }
                ["query_vars"]=>
                array(66) {
                  ["name"]=>
                  string(8) "wp-admin"
                  ["page"]=>
                  int(0)
                  ["error"]=>
                  string(0) ""
                  ["m"]=>
                  string(0) ""
                  ["p"]=>
                  int(0)
                  ["post_parent"]=>
                  string(0) ""
                  ["subpost"]=>
                  string(0) ""
                  ["subpost_id"]=>
                  string(0) ""
                  ["attachment"]=>
                  string(0) ""
                  ["attachment_id"]=>
                  int(0)
                  ["pagename"]=>
                  string(0) ""
                  ["page_id"]=>
                  int(0)
                  ["second"]=>
                  string(0) ""
                  ["minute"]=>
                  string(0) ""
                  ["hour"]=>
                  string(0) ""
                  ["day"]=>
                  int(0)
                  ["monthnum"]=>
                  int(0)
                  ["year"]=>
                  int(0)
                  ["w"]=>
                  int(0)
                  ["category_name"]=>
                  string(0) ""
                  ["tag"]=>
                  string(0) ""
                  ["cat"]=>
                  string(0) ""
                  ["tag_id"]=>
                  string(0) ""
                  ["author"]=>
                  string(0) ""
                  ["author_name"]=>
                  string(0) ""
                  ["feed"]=>
                  string(0) ""
                  ["tb"]=>
                  string(0) ""
                  ["paged"]=>
                  int(0)
                  ["meta_key"]=>
                  string(0) ""
                  ["meta_value"]=>
                  string(0) ""
                  ["preview"]=>
                  string(0) ""
                  ["s"]=>
                  string(0) ""
                  ["sentence"]=>
                  string(0) ""
                  ["title"]=>
                  string(0) ""
                  ["fields"]=>
                  string(0) ""
                  ["menu_order"]=>
                  string(0) ""
                  ["embed"]=>
                  string(0) ""
                  ["category__in"]=>
                  array(0) {
                  }
                  ["category__not_in"]=>
                  array(0) {
                  }
                  ["category__and"]=>
                  array(0) {
                  }
                  ["post__in"]=>
                  array(0) {
                  }
                  ["post__not_in"]=>
                  array(0) {
                  }
                  ["post_name__in"]=>
                  array(0) {
                  }
                  ["tag__in"]=>
                  array(0) {
                  }
                  ["tag__not_in"]=>
                  array(0) {
                  }
                  ["tag__and"]=>
                  array(0) {
                  }
                  ["tag_slug__in"]=>
                  array(0) {
                  }
                  ["tag_slug__and"]=>
                  array(0) {
                  }
                  ["post_parent__in"]=>
                  array(0) {
                  }
                  ["post_parent__not_in"]=>
                  array(0) {
                  }
                  ["author__in"]=>
                  array(0) {
                  }
                  ["author__not_in"]=>
                  array(0) {
                  }
                  ["search_columns"]=>
                  array(0) {
                  }
                  ["ignore_sticky_posts"]=>
                  bool(false)
                  ["suppress_filters"]=>
                  bool(false)
                  ["cache_results"]=>
                  bool(true)
                  ["update_post_term_cache"]=>
                  bool(true)
                  ["update_menu_item_cache"]=>
                  bool(false)
                  ["lazy_load_term_meta"]=>
                  bool(true)
                  ["update_post_meta_cache"]=>
                  bool(true)
                  ["post_type"]=>
                  string(0) ""
                  ["posts_per_page"]=>
                  int(12)
                  ["nopaging"]=>
                  bool(false)
                  ["comments_per_page"]=>
                  string(2) "50"
                  ["no_found_rows"]=>
                  bool(false)
                  ["order"]=>
                  string(4) "DESC"
                }
                ["tax_query"]=>
                NULL
                ["meta_query"]=>
                object(WP_Meta_Query)#36287 (9) {
                  ["queries"]=>
                  array(0) {
                  }
                  ["relation"]=>
                  NULL
                  ["meta_table"]=>
                  NULL
                  ["meta_id_column"]=>
                  NULL
                  ["primary_table"]=>
                  NULL
                  ["primary_id_column"]=>
                  NULL
                  ["table_aliases":protected]=>
                  array(0) {
                  }
                  ["clauses":protected]=>
                  array(0) {
                  }
                  ["has_or_relation":protected]=>
                  bool(false)
                }
                ["date_query"]=>
                bool(false)
                ["request"]=>
                string(2468) "
			SELECT   tD6qv_posts.*
			FROM tD6qv_posts 
			WHERE 1=1  AND tD6qv_posts.post_name = 'wp-admin' AND tD6qv_posts.post_type = 'post' AND tD6qv_posts.ID NOT IN ( 31016, 31017, 31018, 31019, 31020, 31021, 31023, 31047, 31048, 31049, 31050, 31051, 31052, 31053, 31054, 31061, 31062, 31063, 31064, 31065, 31074, 31075, 31076, 31077, 31078, 31079, 31094, 31095, 31096, 31097, 31098, 31103, 31104, 31105, 31110, 31111, 31113, 31115, 31117, 31119, 31121, 31123, 31125, 31127, 31129, 31131, 31133, 31135, 31137, 31140, 31142, 31144, 31150, 31152, 31155, 31157, 31159, 31161, 31163, 31165, 31167, 31169, 31171, 31173, 31176, 31178, 31180, 31189, 31199, 31200, 31201, 31202, 31203, 31210, 31211, 31212, 31213, 31214, 31222, 31223, 31224, 31225, 31226, 31233, 31234, 31235, 31237, 31238, 31239, 31242, 31243, 31245, 31247, 31249, 31257, 31258, 31260, 31261, 31262, 31263, 31264, 31265, 31287, 31288, 31289, 31290, 31339, 31342, 32291, 32570, 32694, 33157, 33302, 33304, 33981, 34831, 34832, 35549, 35551, 35586, 35590, 35591, 35592, 35593, 35594, 35595, 35659, 35660, 35661, 35662, 35663, 35664, 35665, 35666, 35668, 35672, 35676, 35679, 35680, 35681, 35682, 35683, 35684, 35685, 35689, 35694, 35696, 35697, 35698, 35702, 35703, 35704, 35706, 35713, 35720, 35742, 35743, 35744, 35746, 35747, 35748, 35749, 35750, 35751, 35752, 35753, 35754, 35755, 35756, 35757, 48063, 48070, 48071, 48072, 48074, 48075, 48184, 48188, 48189, 49076, 49099, 49104, 49106, 49455, 49457, 49459, 49461, 49463, 49465, 49467, 49469, 49676, 49681, 49682, 49683, 49727, 49729, 49731, 49733, 49735, 49737, 49739, 49854, 49969, 50452, 50455, 50457, 50459, 50461, 50463, 50465, 50709, 50711, 50713, 50715, 50717, 50719, 50721, 50723, 50725, 50727, 50729, 50731, 50733, 50735, 50737, 50739, 50741, 50743, 50745, 50749, 50753, 50755, 50756, 50758, 50760, 50762, 50764, 50766, 51313, 51345, 51347, 51349, 51405, 51511, 51513, 51952, 52094, 54373, 54375, 54377, 54379, 54382, 54384, 54387, 54389, 54391, 54393, 54396, 54400, 55813, 57567, 57569, 57579, 57582, 57586, 57591, 60450, 60718, 60842, 60974, 60977, 89588, 89591, 89593, 89595, 89597, 89601, 91915, 91916, 91918, 93992, 93994, 109831, 109911, 110004, 110006, 110011, 110015, 110018, 110020, 110024, 110028, 110030, 110032, 110034, 110039, 110041, 110043, 110045, 110047, 110051, 110122, 110124, 110126, 110128, 110131, 110134, 110137, 110139, 110142, 110144, 110146, 110148 ) 
			
			ORDER BY tD6qv_posts.menu_order, tD6qv_posts.post_date DESC
			
		"
                ["posts"]=>
                array(0) {
                }
                ["post_count"]=>
                int(0)
                ["current_post"]=>
                int(-1)
                ["before_loop"]=>
                bool(true)
                ["in_the_loop"]=>
                bool(false)
                ["comment_count"]=>
                int(0)
                ["current_comment"]=>
                int(-1)
                ["found_posts"]=>
                int(0)
                ["max_num_pages"]=>
                int(0)
                ["max_num_comment_pages"]=>
                int(0)
                ["is_single"]=>
                bool(true)
                ["is_preview"]=>
                bool(false)
                ["is_page"]=>
                bool(false)
                ["is_archive"]=>
                bool(false)
                ["is_date"]=>
                bool(false)
                ["is_year"]=>
                bool(false)
                ["is_month"]=>
                bool(false)
                ["is_day"]=>
                bool(false)
                ["is_time"]=>
                bool(false)
                ["is_author"]=>
                bool(false)
                ["is_category"]=>
                bool(false)
                ["is_tag"]=>
                bool(false)
                ["is_tax"]=>
                bool(false)
                ["is_search"]=>
                bool(false)
                ["is_feed"]=>
                bool(false)
                ["is_comment_feed"]=>
                bool(false)
                ["is_trackback"]=>
                bool(false)
                ["is_home"]=>
                bool(false)
                ["is_privacy_policy"]=>
                bool(false)
                ["is_404"]=>
                bool(false)
                ["is_embed"]=>
                bool(false)
                ["is_paged"]=>
                bool(false)
                ["is_admin"]=>
                bool(false)
                ["is_attachment"]=>
                bool(false)
                ["is_singular"]=>
                bool(true)
                ["is_robots"]=>
                bool(false)
                ["is_favicon"]=>
                bool(false)
                ["is_posts_page"]=>
                bool(false)
                ["is_post_type_archive"]=>
                bool(false)
                ["query_vars_hash":"WP_Query":private]=>
                string(32) "c55f7fa07afffe4e68a0584bf0a60553"
                ["query_vars_changed":"WP_Query":private]=>
                bool(false)
                ["thumbnails_cached"]=>
                bool(false)
                ["allow_query_attachment_by_filename":protected]=>
                bool(false)
                ["stopwords":"WP_Query":private]=>
                NULL
                ["compat_fields":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(15) "query_vars_hash"
                  [1]=>
                  string(18) "query_vars_changed"
                }
                ["compat_methods":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(16) "init_query_flags"
                  [1]=>
                  string(15) "parse_tax_query"
                }
              }
            }
          }
        }
        [7]=>
        array(4) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(1881)
          ["function"]=>
          string(19) "do_action_ref_array"
          ["args"]=>
          array(1) {
            [0]=>
            string(13) "pre_get_posts"
          }
        }
        [8]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3800)
          ["function"]=>
          string(9) "get_posts"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [9]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3932)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [10]=>
        array(5) {
          ["file"]=>
          string(36) "/var/www/web/wp-includes/rewrite.php"
          ["line"]=>
          int(653)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [11]=>
        array(3) {
          ["file"]=>
          string(73) "/var/www/web/wp-content/plugins/google-sitemap-generator/sitemap-core.php"
          ["line"]=>
          int(1259)
          ["function"]=>
          string(13) "url_to_postid"
        }
        [12]=>
        array(5) {
          ["file"]=>
          string(104) "/var/www/web/wp-content/plugins/google-sitemap-generator/class-googlesitemapgeneratorstandardbuilder.php"
          ["line"]=>
          int(993)
          ["function"]=>
          string(17) "robots_disallowed"
          ["class"]=>
          string(22) "GoogleSitemapGenerator"
          ["type"]=>
          string(2) "->"
        }
        [13]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(5) "index"
          ["class"]=>
          string(37) "GoogleSitemapGeneratorStandardBuilder"
          ["type"]=>
          string(2) "->"
        }
        [14]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            string(0) ""
          }
        }
        [15]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              object(GoogleSitemapGenerator)#36501 (11) {
                ["options":"GoogleSitemapGenerator":private]=>
                array(66) {
                  ["sm_b_prio_provider"]=>
                  string(41) "GoogleSitemapGeneratorPrioByCountProvider"
                  ["sm_b_ping"]=>
                  bool(true)
                  ["sm_b_stats"]=>
                  bool(false)
                  ["sm_b_autozip"]=>
                  bool(true)
                  ["sm_b_memory"]=>
                  string(0) ""
                  ["sm_b_time"]=>
                  int(-1)
                  ["sm_b_style_default"]=>
                  bool(true)
                  ["sm_b_style"]=>
                  string(0) ""
                  ["sm_b_baseurl"]=>
                  string(0) ""
                  ["sm_b_rewrites2"]=>
                  bool(true)
                  ["sm_b_indexnow"]=>
                  bool(true)
                  ["sm_b_activate_indexnow"]=>
                  bool(true)
                  ["sm_b_index_date"]=>
                  string(0) ""
                  ["sm_b_robots"]=>
                  bool(true)
                  ["sm_b_html"]=>
                  bool(false)
                  ["sm_b_exclude"]=>
                  array(0) {
                  }
                  ["sm_b_exclude_cats"]=>
                  array(0) {
                  }
                  ["sm_in_home"]=>
                  bool(true)
                  ["sm_in_posts"]=>
                  bool(true)
                  ["sm_in_posts_sub"]=>
                  bool(false)
                  ["sm_in_pages"]=>
                  bool(true)
                  ["sm_in_cats"]=>
                  bool(false)
                  ["sm_product_tags"]=>
                  bool(true)
                  ["sm_in_product_cat"]=>
                  bool(true)
                  ["sm_in_product_assortment"]=>
                  bool(true)
                  ["sm_in_arch"]=>
                  bool(false)
                  ["sm_in_auth"]=>
                  bool(false)
                  ["sm_in_tags"]=>
                  bool(false)
                  ["sm_in_tax"]=>
                  array(0) {
                  }
                  ["sm_in_customtypes"]=>
                  array(0) {
                  }
                  ["sm_in_lastmod"]=>
                  bool(true)
                  ["sm_b_sitemap_name"]=>
                  string(7) "sitemap"
                  ["sm_b_old_sm_name"]=>
                  string(7) "sitemap"
                  ["sm_cf_home"]=>
                  string(5) "daily"
                  ["sm_cf_posts"]=>
                  string(7) "monthly"
                  ["sm_cf_pages"]=>
                  string(6) "weekly"
                  ["sm_cf_cats"]=>
                  string(6) "weekly"
                  ["sm_cf_product_cat"]=>
                  string(6) "weekly"
                  ["sm_cf_auth"]=>
                  string(6) "weekly"
                  ["sm_cf_arch_curr"]=>
                  string(5) "daily"
                  ["sm_cf_arch_old"]=>
                  string(6) "yearly"
                  ["sm_cf_tags"]=>
                  string(6) "weekly"
                  ["sm_pr_home"]=>
                  float(1)
                  ["sm_pr_posts"]=>
                  float(0.6)
                  ["sm_pr_posts_min"]=>
                  float(0.2)
                  ["sm_pr_pages"]=>
                  float(0.6)
                  ["sm_pr_cats"]=>
                  float(0.3)
                  ["sm_pr_product_cat"]=>
                  float(0.3)
                  ["sm_pr_arch"]=>
                  float(0.3)
                  ["sm_pr_auth"]=>
                  float(0.3)
                  ["sm_pr_tags"]=>
                  float(0.3)
                  ["sm_i_donated"]=>
                  bool(false)
                  ["sm_i_hide_donated"]=>
                  bool(false)
                  ["sm_i_install_date"]=>
                  bool(false)
                  ["sm_i_hide_survey"]=>
                  bool(false)
                  ["sm_i_hide_note"]=>
                  bool(false)
                  ["sm_i_hide_works"]=>
                  bool(false)
                  ["sm_i_hide_donors"]=>
                  bool(false)
                  ["sm_i_hash"]=>
                  bool(false)
                  ["sm_i_tid"]=>
                  string(0) ""
                  ["sm_i_lastping"]=>
                  int(1784026225)
                  ["sm_i_supportfeed"]=>
                  bool(false)
                  ["sm_i_supportfeed_cache"]=>
                  bool(false)
                  ["sm_links_page"]=>
                  int(1000)
                  ["sm_user_consent"]=>
                  bool(false)
                  ["sm_wp_sitemap_status"]=>
                  bool(true)
                }
                ["pages":"GoogleSitemapGenerator":private]=>
                array(0) {
                }
                ["freq_names":"GoogleSitemapGenerator":private]=>
                array(7) {
                  ["always"]=>
                  string(12) "持續變更"
                  ["hourly"]=>
                  string(9) "每小時"
                  ["daily"]=>
                  string(6) "每日"
                  ["weekly"]=>
                  string(6) "每週"
                  ["monthly"]=>
                  string(6) "每月"
                  ["yearly"]=>
                  string(6) "每年"
                  ["never"]=>
                  string(12) "永不變更"
                }
                ["prio_providers":"GoogleSitemapGenerator":private]=>
                array(2) {
                  [0]=>
                  string(41) "GoogleSitemapGeneratorPrioByCountProvider"
                  [1]=>
                  string(43) "GoogleSitemapGeneratorPrioByAverageProvider"
                }
                ["is_initiated":"GoogleSitemapGenerator":private]=>
                bool(true)
                ["is_active":"GoogleSitemapGenerator":private]=>
                bool(true)
                ["build_options":"GoogleSitemapGenerator":private]=>
                array(1) {
                  ["params"]=>
                  string(0) ""
                }
                ["ui":"GoogleSitemapGenerator":private]=>
                NULL
                ["sim_mode":"GoogleSitemapGenerator":private]=>
                bool(false)
                ["sim_data":"GoogleSitemapGenerator":private]=>
                array(2) {
                  ["sitemaps"]=>
                  array(0) {
                  }
                  ["content"]=>
                  array(0) {
                  }
                }
                ["options_loaded":"GoogleSitemapGenerator":private]=>
                bool(true)
              }
            }
          }
        }
        [16]=>
        array(4) {
          ["file"]=>
          string(73) "/var/www/web/wp-content/plugins/google-sitemap-generator/sitemap-core.php"
          ["line"]=>
          int(2071)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(14) "sm_build_index"
          }
        }
        [17]=>
        array(5) {
          ["file"]=>
          string(95) "/var/www/web/wp-content/plugins/google-sitemap-generator/class-googlesitemapgeneratorloader.php"
          ["line"]=>
          int(817)
          ["function"]=>
          string(12) "show_sitemap"
          ["class"]=>
          string(22) "GoogleSitemapGenerator"
          ["type"]=>
          string(2) "->"
        }
        [18]=>
        array(5) {
          ["file"]=>
          string(95) "/var/www/web/wp-content/plugins/google-sitemap-generator/class-googlesitemapgeneratorloader.php"
          ["line"]=>
          int(301)
          ["function"]=>
          string(17) "call_show_sitemap"
          ["class"]=>
          string(28) "GoogleSitemapGeneratorLoader"
          ["type"]=>
          string(2) "::"
        }
        [19]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(308)
          ["function"]=>
          string(20) "do_template_redirect"
          ["class"]=>
          string(28) "GoogleSitemapGeneratorLoader"
          ["type"]=>
          string(2) "::"
        }
        [20]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [21]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [22]=>
        array(4) {
          ["file"]=>
          string(44) "/var/www/web/wp-includes/template-loader.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(17) "template_redirect"
          }
        }
        [23]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(19)
          ["function"]=>
          string(12) "require_once"
        }
        [24]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(7)
  }
  [44]=>
  array(7) {
    [0]=>
    string(2468) "
			SELECT   tD6qv_posts.*
			FROM tD6qv_posts 
			WHERE 1=1  AND tD6qv_posts.post_name = 'wp-admin' AND tD6qv_posts.post_type = 'post' AND tD6qv_posts.ID NOT IN ( 31016, 31017, 31018, 31019, 31020, 31021, 31023, 31047, 31048, 31049, 31050, 31051, 31052, 31053, 31054, 31061, 31062, 31063, 31064, 31065, 31074, 31075, 31076, 31077, 31078, 31079, 31094, 31095, 31096, 31097, 31098, 31103, 31104, 31105, 31110, 31111, 31113, 31115, 31117, 31119, 31121, 31123, 31125, 31127, 31129, 31131, 31133, 31135, 31137, 31140, 31142, 31144, 31150, 31152, 31155, 31157, 31159, 31161, 31163, 31165, 31167, 31169, 31171, 31173, 31176, 31178, 31180, 31189, 31199, 31200, 31201, 31202, 31203, 31210, 31211, 31212, 31213, 31214, 31222, 31223, 31224, 31225, 31226, 31233, 31234, 31235, 31237, 31238, 31239, 31242, 31243, 31245, 31247, 31249, 31257, 31258, 31260, 31261, 31262, 31263, 31264, 31265, 31287, 31288, 31289, 31290, 31339, 31342, 32291, 32570, 32694, 33157, 33302, 33304, 33981, 34831, 34832, 35549, 35551, 35586, 35590, 35591, 35592, 35593, 35594, 35595, 35659, 35660, 35661, 35662, 35663, 35664, 35665, 35666, 35668, 35672, 35676, 35679, 35680, 35681, 35682, 35683, 35684, 35685, 35689, 35694, 35696, 35697, 35698, 35702, 35703, 35704, 35706, 35713, 35720, 35742, 35743, 35744, 35746, 35747, 35748, 35749, 35750, 35751, 35752, 35753, 35754, 35755, 35756, 35757, 48063, 48070, 48071, 48072, 48074, 48075, 48184, 48188, 48189, 49076, 49099, 49104, 49106, 49455, 49457, 49459, 49461, 49463, 49465, 49467, 49469, 49676, 49681, 49682, 49683, 49727, 49729, 49731, 49733, 49735, 49737, 49739, 49854, 49969, 50452, 50455, 50457, 50459, 50461, 50463, 50465, 50709, 50711, 50713, 50715, 50717, 50719, 50721, 50723, 50725, 50727, 50729, 50731, 50733, 50735, 50737, 50739, 50741, 50743, 50745, 50749, 50753, 50755, 50756, 50758, 50760, 50762, 50764, 50766, 51313, 51345, 51347, 51349, 51405, 51511, 51513, 51952, 52094, 54373, 54375, 54377, 54379, 54382, 54384, 54387, 54389, 54391, 54393, 54396, 54400, 55813, 57567, 57569, 57579, 57582, 57586, 57591, 60450, 60718, 60842, 60974, 60977, 89588, 89591, 89593, 89595, 89597, 89601, 91915, 91916, 91918, 93992, 93994, 109831, 109911, 110004, 110006, 110011, 110015, 110018, 110020, 110024, 110028, 110030, 110032, 110034, 110039, 110041, 110043, 110045, 110047, 110051, 110122, 110124, 110126, 110128, 110131, 110134, 110137, 110139, 110142, 110144, 110146, 110148 ) 
			
			ORDER BY tD6qv_posts.menu_order, tD6qv_posts.post_date DESC
			
		"
    [1]=>
    float(0.00083112716674805)
    [2]=>
    string(545) "require('wp-blog-header.php'), require_once('wp-includes/template-loader.php'), do_action('template_redirect'), WP_Hook->do_action, WP_Hook->apply_filters, GoogleSitemapGeneratorLoader::do_template_redirect, GoogleSitemapGeneratorLoader::call_show_sitemap, GoogleSitemapGenerator->show_sitemap, do_action('sm_build_index'), WP_Hook->do_action, WP_Hook->apply_filters, GoogleSitemapGeneratorStandardBuilder->index, GoogleSitemapGenerator->robots_disallowed, url_to_postid, WP_Query->__construct, WP_Query->query, WP_Query->get_posts, QM_DB->query"
    [3]=>
    float(1784046907.6972)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#36289 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(20) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3127)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3322)
          ["function"]=>
          string(11) "get_results"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3800)
          ["function"]=>
          string(9) "get_posts"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3932)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(5) {
          ["file"]=>
          string(36) "/var/www/web/wp-includes/rewrite.php"
          ["line"]=>
          int(653)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [6]=>
        array(3) {
          ["file"]=>
          string(73) "/var/www/web/wp-content/plugins/google-sitemap-generator/sitemap-core.php"
          ["line"]=>
          int(1259)
          ["function"]=>
          string(13) "url_to_postid"
        }
        [7]=>
        array(5) {
          ["file"]=>
          string(104) "/var/www/web/wp-content/plugins/google-sitemap-generator/class-googlesitemapgeneratorstandardbuilder.php"
          ["line"]=>
          int(993)
          ["function"]=>
          string(17) "robots_disallowed"
          ["class"]=>
          string(22) "GoogleSitemapGenerator"
          ["type"]=>
          string(2) "->"
        }
        [8]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(5) "index"
          ["class"]=>
          string(37) "GoogleSitemapGeneratorStandardBuilder"
          ["type"]=>
          string(2) "->"
        }
        [9]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            string(0) ""
          }
        }
        [10]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              object(GoogleSitemapGenerator)#36501 (11) {
                ["options":"GoogleSitemapGenerator":private]=>
                array(66) {
                  ["sm_b_prio_provider"]=>
                  string(41) "GoogleSitemapGeneratorPrioByCountProvider"
                  ["sm_b_ping"]=>
                  bool(true)
                  ["sm_b_stats"]=>
                  bool(false)
                  ["sm_b_autozip"]=>
                  bool(true)
                  ["sm_b_memory"]=>
                  string(0) ""
                  ["sm_b_time"]=>
                  int(-1)
                  ["sm_b_style_default"]=>
                  bool(true)
                  ["sm_b_style"]=>
                  string(0) ""
                  ["sm_b_baseurl"]=>
                  string(0) ""
                  ["sm_b_rewrites2"]=>
                  bool(true)
                  ["sm_b_indexnow"]=>
                  bool(true)
                  ["sm_b_activate_indexnow"]=>
                  bool(true)
                  ["sm_b_index_date"]=>
                  string(0) ""
                  ["sm_b_robots"]=>
                  bool(true)
                  ["sm_b_html"]=>
                  bool(false)
                  ["sm_b_exclude"]=>
                  array(0) {
                  }
                  ["sm_b_exclude_cats"]=>
                  array(0) {
                  }
                  ["sm_in_home"]=>
                  bool(true)
                  ["sm_in_posts"]=>
                  bool(true)
                  ["sm_in_posts_sub"]=>
                  bool(false)
                  ["sm_in_pages"]=>
                  bool(true)
                  ["sm_in_cats"]=>
                  bool(false)
                  ["sm_product_tags"]=>
                  bool(true)
                  ["sm_in_product_cat"]=>
                  bool(true)
                  ["sm_in_product_assortment"]=>
                  bool(true)
                  ["sm_in_arch"]=>
                  bool(false)
                  ["sm_in_auth"]=>
                  bool(false)
                  ["sm_in_tags"]=>
                  bool(false)
                  ["sm_in_tax"]=>
                  array(0) {
                  }
                  ["sm_in_customtypes"]=>
                  array(0) {
                  }
                  ["sm_in_lastmod"]=>
                  bool(true)
                  ["sm_b_sitemap_name"]=>
                  string(7) "sitemap"
                  ["sm_b_old_sm_name"]=>
                  string(7) "sitemap"
                  ["sm_cf_home"]=>
                  string(5) "daily"
                  ["sm_cf_posts"]=>
                  string(7) "monthly"
                  ["sm_cf_pages"]=>
                  string(6) "weekly"
                  ["sm_cf_cats"]=>
                  string(6) "weekly"
                  ["sm_cf_product_cat"]=>
                  string(6) "weekly"
                  ["sm_cf_auth"]=>
                  string(6) "weekly"
                  ["sm_cf_arch_curr"]=>
                  string(5) "daily"
                  ["sm_cf_arch_old"]=>
                  string(6) "yearly"
                  ["sm_cf_tags"]=>
                  string(6) "weekly"
                  ["sm_pr_home"]=>
                  float(1)
                  ["sm_pr_posts"]=>
                  float(0.6)
                  ["sm_pr_posts_min"]=>
                  float(0.2)
                  ["sm_pr_pages"]=>
                  float(0.6)
                  ["sm_pr_cats"]=>
                  float(0.3)
                  ["sm_pr_product_cat"]=>
                  float(0.3)
                  ["sm_pr_arch"]=>
                  float(0.3)
                  ["sm_pr_auth"]=>
                  float(0.3)
                  ["sm_pr_tags"]=>
                  float(0.3)
                  ["sm_i_donated"]=>
                  bool(false)
                  ["sm_i_hide_donated"]=>
                  bool(false)
                  ["sm_i_install_date"]=>
                  bool(false)
                  ["sm_i_hide_survey"]=>
                  bool(false)
                  ["sm_i_hide_note"]=>
                  bool(false)
                  ["sm_i_hide_works"]=>
                  bool(false)
                  ["sm_i_hide_donors"]=>
                  bool(false)
                  ["sm_i_hash"]=>
                  bool(false)
                  ["sm_i_tid"]=>
                  string(0) ""
                  ["sm_i_lastping"]=>
                  int(1784026225)
                  ["sm_i_supportfeed"]=>
                  bool(false)
                  ["sm_i_supportfeed_cache"]=>
                  bool(false)
                  ["sm_links_page"]=>
                  int(1000)
                  ["sm_user_consent"]=>
                  bool(false)
                  ["sm_wp_sitemap_status"]=>
                  bool(true)
                }
                ["pages":"GoogleSitemapGenerator":private]=>
                array(0) {
                }
                ["freq_names":"GoogleSitemapGenerator":private]=>
                array(7) {
                  ["always"]=>
                  string(12) "持續變更"
                  ["hourly"]=>
                  string(9) "每小時"
                  ["daily"]=>
                  string(6) "每日"
                  ["weekly"]=>
                  string(6) "每週"
                  ["monthly"]=>
                  string(6) "每月"
                  ["yearly"]=>
                  string(6) "每年"
                  ["never"]=>
                  string(12) "永不變更"
                }
                ["prio_providers":"GoogleSitemapGenerator":private]=>
                array(2) {
                  [0]=>
                  string(41) "GoogleSitemapGeneratorPrioByCountProvider"
                  [1]=>
                  string(43) "GoogleSitemapGeneratorPrioByAverageProvider"
                }
                ["is_initiated":"GoogleSitemapGenerator":private]=>
                bool(true)
                ["is_active":"GoogleSitemapGenerator":private]=>
                bool(true)
                ["build_options":"GoogleSitemapGenerator":private]=>
                array(1) {
                  ["params"]=>
                  string(0) ""
                }
                ["ui":"GoogleSitemapGenerator":private]=>
                NULL
                ["sim_mode":"GoogleSitemapGenerator":private]=>
                bool(false)
                ["sim_data":"GoogleSitemapGenerator":private]=>
                array(2) {
                  ["sitemaps"]=>
                  array(0) {
                  }
                  ["content"]=>
                  array(0) {
                  }
                }
                ["options_loaded":"GoogleSitemapGenerator":private]=>
                bool(true)
              }
            }
          }
        }
        [11]=>
        array(4) {
          ["file"]=>
          string(73) "/var/www/web/wp-content/plugins/google-sitemap-generator/sitemap-core.php"
          ["line"]=>
          int(2071)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(14) "sm_build_index"
          }
        }
        [12]=>
        array(5) {
          ["file"]=>
          string(95) "/var/www/web/wp-content/plugins/google-sitemap-generator/class-googlesitemapgeneratorloader.php"
          ["line"]=>
          int(817)
          ["function"]=>
          string(12) "show_sitemap"
          ["class"]=>
          string(22) "GoogleSitemapGenerator"
          ["type"]=>
          string(2) "->"
        }
        [13]=>
        array(5) {
          ["file"]=>
          string(95) "/var/www/web/wp-content/plugins/google-sitemap-generator/class-googlesitemapgeneratorloader.php"
          ["line"]=>
          int(301)
          ["function"]=>
          string(17) "call_show_sitemap"
          ["class"]=>
          string(28) "GoogleSitemapGeneratorLoader"
          ["type"]=>
          string(2) "::"
        }
        [14]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(308)
          ["function"]=>
          string(20) "do_template_redirect"
          ["class"]=>
          string(28) "GoogleSitemapGeneratorLoader"
          ["type"]=>
          string(2) "::"
        }
        [15]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [16]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [17]=>
        array(4) {
          ["file"]=>
          string(44) "/var/www/web/wp-includes/template-loader.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(17) "template_redirect"
          }
        }
        [18]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(19)
          ["function"]=>
          string(12) "require_once"
        }
        [19]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(0)
  }
  [45]=>
  array(7) {
    [0]=>
    string(148) "
		SELECT ID, post_name, post_parent, post_type
		FROM tD6qv_posts
		WHERE post_name IN ('%2a','feed%2a')
		AND post_type IN ('page','attachment')
	"
    [1]=>
    float(0.001539945602417)
    [2]=>
    string(502) "require('wp-blog-header.php'), require_once('wp-includes/template-loader.php'), do_action('template_redirect'), WP_Hook->do_action, WP_Hook->apply_filters, GoogleSitemapGeneratorLoader::do_template_redirect, GoogleSitemapGeneratorLoader::call_show_sitemap, GoogleSitemapGenerator->show_sitemap, do_action('sm_build_index'), WP_Hook->do_action, WP_Hook->apply_filters, GoogleSitemapGeneratorStandardBuilder->index, GoogleSitemapGenerator->robots_disallowed, url_to_postid, get_page_by_path, QM_DB->query"
    [3]=>
    float(1784046907.6989)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#36290 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(18) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3127)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(33) "/var/www/web/wp-includes/post.php"
          ["line"]=>
          int(5750)
          ["function"]=>
          string(11) "get_results"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(3) {
          ["file"]=>
          string(36) "/var/www/web/wp-includes/rewrite.php"
          ["line"]=>
          int(614)
          ["function"]=>
          string(16) "get_page_by_path"
        }
        [4]=>
        array(3) {
          ["file"]=>
          string(73) "/var/www/web/wp-content/plugins/google-sitemap-generator/sitemap-core.php"
          ["line"]=>
          int(1259)
          ["function"]=>
          string(13) "url_to_postid"
        }
        [5]=>
        array(5) {
          ["file"]=>
          string(104) "/var/www/web/wp-content/plugins/google-sitemap-generator/class-googlesitemapgeneratorstandardbuilder.php"
          ["line"]=>
          int(993)
          ["function"]=>
          string(17) "robots_disallowed"
          ["class"]=>
          string(22) "GoogleSitemapGenerator"
          ["type"]=>
          string(2) "->"
        }
        [6]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(5) "index"
          ["class"]=>
          string(37) "GoogleSitemapGeneratorStandardBuilder"
          ["type"]=>
          string(2) "->"
        }
        [7]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            string(0) ""
          }
        }
        [8]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              object(GoogleSitemapGenerator)#36501 (11) {
                ["options":"GoogleSitemapGenerator":private]=>
                array(66) {
                  ["sm_b_prio_provider"]=>
                  string(41) "GoogleSitemapGeneratorPrioByCountProvider"
                  ["sm_b_ping"]=>
                  bool(true)
                  ["sm_b_stats"]=>
                  bool(false)
                  ["sm_b_autozip"]=>
                  bool(true)
                  ["sm_b_memory"]=>
                  string(0) ""
                  ["sm_b_time"]=>
                  int(-1)
                  ["sm_b_style_default"]=>
                  bool(true)
                  ["sm_b_style"]=>
                  string(0) ""
                  ["sm_b_baseurl"]=>
                  string(0) ""
                  ["sm_b_rewrites2"]=>
                  bool(true)
                  ["sm_b_indexnow"]=>
                  bool(true)
                  ["sm_b_activate_indexnow"]=>
                  bool(true)
                  ["sm_b_index_date"]=>
                  string(0) ""
                  ["sm_b_robots"]=>
                  bool(true)
                  ["sm_b_html"]=>
                  bool(false)
                  ["sm_b_exclude"]=>
                  array(0) {
                  }
                  ["sm_b_exclude_cats"]=>
                  array(0) {
                  }
                  ["sm_in_home"]=>
                  bool(true)
                  ["sm_in_posts"]=>
                  bool(true)
                  ["sm_in_posts_sub"]=>
                  bool(false)
                  ["sm_in_pages"]=>
                  bool(true)
                  ["sm_in_cats"]=>
                  bool(false)
                  ["sm_product_tags"]=>
                  bool(true)
                  ["sm_in_product_cat"]=>
                  bool(true)
                  ["sm_in_product_assortment"]=>
                  bool(true)
                  ["sm_in_arch"]=>
                  bool(false)
                  ["sm_in_auth"]=>
                  bool(false)
                  ["sm_in_tags"]=>
                  bool(false)
                  ["sm_in_tax"]=>
                  array(0) {
                  }
                  ["sm_in_customtypes"]=>
                  array(0) {
                  }
                  ["sm_in_lastmod"]=>
                  bool(true)
                  ["sm_b_sitemap_name"]=>
                  string(7) "sitemap"
                  ["sm_b_old_sm_name"]=>
                  string(7) "sitemap"
                  ["sm_cf_home"]=>
                  string(5) "daily"
                  ["sm_cf_posts"]=>
                  string(7) "monthly"
                  ["sm_cf_pages"]=>
                  string(6) "weekly"
                  ["sm_cf_cats"]=>
                  string(6) "weekly"
                  ["sm_cf_product_cat"]=>
                  string(6) "weekly"
                  ["sm_cf_auth"]=>
                  string(6) "weekly"
                  ["sm_cf_arch_curr"]=>
                  string(5) "daily"
                  ["sm_cf_arch_old"]=>
                  string(6) "yearly"
                  ["sm_cf_tags"]=>
                  string(6) "weekly"
                  ["sm_pr_home"]=>
                  float(1)
                  ["sm_pr_posts"]=>
                  float(0.6)
                  ["sm_pr_posts_min"]=>
                  float(0.2)
                  ["sm_pr_pages"]=>
                  float(0.6)
                  ["sm_pr_cats"]=>
                  float(0.3)
                  ["sm_pr_product_cat"]=>
                  float(0.3)
                  ["sm_pr_arch"]=>
                  float(0.3)
                  ["sm_pr_auth"]=>
                  float(0.3)
                  ["sm_pr_tags"]=>
                  float(0.3)
                  ["sm_i_donated"]=>
                  bool(false)
                  ["sm_i_hide_donated"]=>
                  bool(false)
                  ["sm_i_install_date"]=>
                  bool(false)
                  ["sm_i_hide_survey"]=>
                  bool(false)
                  ["sm_i_hide_note"]=>
                  bool(false)
                  ["sm_i_hide_works"]=>
                  bool(false)
                  ["sm_i_hide_donors"]=>
                  bool(false)
                  ["sm_i_hash"]=>
                  bool(false)
                  ["sm_i_tid"]=>
                  string(0) ""
                  ["sm_i_lastping"]=>
                  int(1784026225)
                  ["sm_i_supportfeed"]=>
                  bool(false)
                  ["sm_i_supportfeed_cache"]=>
                  bool(false)
                  ["sm_links_page"]=>
                  int(1000)
                  ["sm_user_consent"]=>
                  bool(false)
                  ["sm_wp_sitemap_status"]=>
                  bool(true)
                }
                ["pages":"GoogleSitemapGenerator":private]=>
                array(0) {
                }
                ["freq_names":"GoogleSitemapGenerator":private]=>
                array(7) {
                  ["always"]=>
                  string(12) "持續變更"
                  ["hourly"]=>
                  string(9) "每小時"
                  ["daily"]=>
                  string(6) "每日"
                  ["weekly"]=>
                  string(6) "每週"
                  ["monthly"]=>
                  string(6) "每月"
                  ["yearly"]=>
                  string(6) "每年"
                  ["never"]=>
                  string(12) "永不變更"
                }
                ["prio_providers":"GoogleSitemapGenerator":private]=>
                array(2) {
                  [0]=>
                  string(41) "GoogleSitemapGeneratorPrioByCountProvider"
                  [1]=>
                  string(43) "GoogleSitemapGeneratorPrioByAverageProvider"
                }
                ["is_initiated":"GoogleSitemapGenerator":private]=>
                bool(true)
                ["is_active":"GoogleSitemapGenerator":private]=>
                bool(true)
                ["build_options":"GoogleSitemapGenerator":private]=>
                array(1) {
                  ["params"]=>
                  string(0) ""
                }
                ["ui":"GoogleSitemapGenerator":private]=>
                NULL
                ["sim_mode":"GoogleSitemapGenerator":private]=>
                bool(false)
                ["sim_data":"GoogleSitemapGenerator":private]=>
                array(2) {
                  ["sitemaps"]=>
                  array(0) {
                  }
                  ["content"]=>
                  array(0) {
                  }
                }
                ["options_loaded":"GoogleSitemapGenerator":private]=>
                bool(true)
              }
            }
          }
        }
        [9]=>
        array(4) {
          ["file"]=>
          string(73) "/var/www/web/wp-content/plugins/google-sitemap-generator/sitemap-core.php"
          ["line"]=>
          int(2071)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(14) "sm_build_index"
          }
        }
        [10]=>
        array(5) {
          ["file"]=>
          string(95) "/var/www/web/wp-content/plugins/google-sitemap-generator/class-googlesitemapgeneratorloader.php"
          ["line"]=>
          int(817)
          ["function"]=>
          string(12) "show_sitemap"
          ["class"]=>
          string(22) "GoogleSitemapGenerator"
          ["type"]=>
          string(2) "->"
        }
        [11]=>
        array(5) {
          ["file"]=>
          string(95) "/var/www/web/wp-content/plugins/google-sitemap-generator/class-googlesitemapgeneratorloader.php"
          ["line"]=>
          int(301)
          ["function"]=>
          string(17) "call_show_sitemap"
          ["class"]=>
          string(28) "GoogleSitemapGeneratorLoader"
          ["type"]=>
          string(2) "::"
        }
        [12]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(308)
          ["function"]=>
          string(20) "do_template_redirect"
          ["class"]=>
          string(28) "GoogleSitemapGeneratorLoader"
          ["type"]=>
          string(2) "::"
        }
        [13]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [14]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [15]=>
        array(4) {
          ["file"]=>
          string(44) "/var/www/web/wp-includes/template-loader.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(17) "template_redirect"
          }
        }
        [16]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(19)
          ["function"]=>
          string(12) "require_once"
        }
        [17]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(0)
  }
  [46]=>
  array(7) {
    [0]=>
    string(125) "SELECT DISTINCT post_id 
		         FROM tD6qv_postmeta 
		         WHERE meta_key = 'wp_protect_password_multiple_passwords'"
    [1]=>
    float(0.00043296813964844)
    [2]=>
    string(716) "require('wp-blog-header.php'), require_once('wp-includes/template-loader.php'), do_action('template_redirect'), WP_Hook->do_action, WP_Hook->apply_filters, GoogleSitemapGeneratorLoader::do_template_redirect, GoogleSitemapGeneratorLoader::call_show_sitemap, GoogleSitemapGenerator->show_sitemap, do_action('sm_build_index'), WP_Hook->do_action, WP_Hook->apply_filters, GoogleSitemapGeneratorStandardBuilder->index, GoogleSitemapGenerator->robots_disallowed, url_to_postid, WP_Query->__construct, WP_Query->query, WP_Query->get_posts, do_action_ref_array('pre_get_posts'), WP_Hook->do_action, WP_Hook->apply_filters, PPW_Admin->ppwp_exclude_protected_items_from_qry, PPW_Admin->ppwp_get_all_protected_ids, QM_DB->query"
    [3]=>
    float(1784046907.7008)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#36283 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(25) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3088)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1299)
          ["function"]=>
          string(7) "get_col"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(79) "/var/www/web/wp-content/plugins/password-protect-page/admin/class-ppw-admin.php"
          ["line"]=>
          int(1251)
          ["function"]=>
          string(26) "ppwp_get_all_protected_ids"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(37) "ppwp_exclude_protected_items_from_qry"
          ["class"]=>
          string(9) "PPW_Admin"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            bool(false)
          }
        }
        [6]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(565)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              object(WP_Query)#36291 (52) {
                ["query"]=>
                array(1) {
                  ["attachment"]=>
                  string(5) "feed*"
                }
                ["query_vars"]=>
                array(65) {
                  ["attachment"]=>
                  string(4) "feed"
                  ["error"]=>
                  string(0) ""
                  ["m"]=>
                  string(0) ""
                  ["p"]=>
                  int(0)
                  ["post_parent"]=>
                  string(0) ""
                  ["subpost"]=>
                  string(0) ""
                  ["subpost_id"]=>
                  string(0) ""
                  ["attachment_id"]=>
                  int(0)
                  ["name"]=>
                  string(4) "feed"
                  ["pagename"]=>
                  string(0) ""
                  ["page_id"]=>
                  int(0)
                  ["second"]=>
                  string(0) ""
                  ["minute"]=>
                  string(0) ""
                  ["hour"]=>
                  string(0) ""
                  ["day"]=>
                  int(0)
                  ["monthnum"]=>
                  int(0)
                  ["year"]=>
                  int(0)
                  ["w"]=>
                  int(0)
                  ["category_name"]=>
                  string(0) ""
                  ["tag"]=>
                  string(0) ""
                  ["cat"]=>
                  string(0) ""
                  ["tag_id"]=>
                  string(0) ""
                  ["author"]=>
                  string(0) ""
                  ["author_name"]=>
                  string(0) ""
                  ["feed"]=>
                  string(0) ""
                  ["tb"]=>
                  string(0) ""
                  ["paged"]=>
                  int(0)
                  ["meta_key"]=>
                  string(0) ""
                  ["meta_value"]=>
                  string(0) ""
                  ["preview"]=>
                  string(0) ""
                  ["s"]=>
                  string(0) ""
                  ["sentence"]=>
                  string(0) ""
                  ["title"]=>
                  string(0) ""
                  ["fields"]=>
                  string(0) ""
                  ["menu_order"]=>
                  string(0) ""
                  ["embed"]=>
                  string(0) ""
                  ["category__in"]=>
                  array(0) {
                  }
                  ["category__not_in"]=>
                  array(0) {
                  }
                  ["category__and"]=>
                  array(0) {
                  }
                  ["post__in"]=>
                  array(0) {
                  }
                  ["post__not_in"]=>
                  array(0) {
                  }
                  ["post_name__in"]=>
                  array(0) {
                  }
                  ["tag__in"]=>
                  array(0) {
                  }
                  ["tag__not_in"]=>
                  array(0) {
                  }
                  ["tag__and"]=>
                  array(0) {
                  }
                  ["tag_slug__in"]=>
                  array(0) {
                  }
                  ["tag_slug__and"]=>
                  array(0) {
                  }
                  ["post_parent__in"]=>
                  array(0) {
                  }
                  ["post_parent__not_in"]=>
                  array(0) {
                  }
                  ["author__in"]=>
                  array(0) {
                  }
                  ["author__not_in"]=>
                  array(0) {
                  }
                  ["search_columns"]=>
                  array(0) {
                  }
                  ["ignore_sticky_posts"]=>
                  bool(false)
                  ["suppress_filters"]=>
                  bool(false)
                  ["cache_results"]=>
                  bool(true)
                  ["update_post_term_cache"]=>
                  bool(true)
                  ["update_menu_item_cache"]=>
                  bool(false)
                  ["lazy_load_term_meta"]=>
                  bool(true)
                  ["update_post_meta_cache"]=>
                  bool(true)
                  ["post_type"]=>
                  string(0) ""
                  ["posts_per_page"]=>
                  int(12)
                  ["nopaging"]=>
                  bool(false)
                  ["comments_per_page"]=>
                  string(2) "50"
                  ["no_found_rows"]=>
                  bool(false)
                  ["order"]=>
                  string(4) "DESC"
                }
                ["tax_query"]=>
                NULL
                ["meta_query"]=>
                object(WP_Meta_Query)#36282 (9) {
                  ["queries"]=>
                  array(0) {
                  }
                  ["relation"]=>
                  NULL
                  ["meta_table"]=>
                  NULL
                  ["meta_id_column"]=>
                  NULL
                  ["primary_table"]=>
                  NULL
                  ["primary_id_column"]=>
                  NULL
                  ["table_aliases":protected]=>
                  array(0) {
                  }
                  ["clauses":protected]=>
                  array(0) {
                  }
                  ["has_or_relation":protected]=>
                  bool(false)
                }
                ["date_query"]=>
                bool(false)
                ["request"]=>
                string(2470) "
			SELECT   tD6qv_posts.*
			FROM tD6qv_posts 
			WHERE 1=1  AND tD6qv_posts.post_name = 'feed' AND tD6qv_posts.post_type = 'attachment' AND tD6qv_posts.ID NOT IN ( 31016, 31017, 31018, 31019, 31020, 31021, 31023, 31047, 31048, 31049, 31050, 31051, 31052, 31053, 31054, 31061, 31062, 31063, 31064, 31065, 31074, 31075, 31076, 31077, 31078, 31079, 31094, 31095, 31096, 31097, 31098, 31103, 31104, 31105, 31110, 31111, 31113, 31115, 31117, 31119, 31121, 31123, 31125, 31127, 31129, 31131, 31133, 31135, 31137, 31140, 31142, 31144, 31150, 31152, 31155, 31157, 31159, 31161, 31163, 31165, 31167, 31169, 31171, 31173, 31176, 31178, 31180, 31189, 31199, 31200, 31201, 31202, 31203, 31210, 31211, 31212, 31213, 31214, 31222, 31223, 31224, 31225, 31226, 31233, 31234, 31235, 31237, 31238, 31239, 31242, 31243, 31245, 31247, 31249, 31257, 31258, 31260, 31261, 31262, 31263, 31264, 31265, 31287, 31288, 31289, 31290, 31339, 31342, 32291, 32570, 32694, 33157, 33302, 33304, 33981, 34831, 34832, 35549, 35551, 35586, 35590, 35591, 35592, 35593, 35594, 35595, 35659, 35660, 35661, 35662, 35663, 35664, 35665, 35666, 35668, 35672, 35676, 35679, 35680, 35681, 35682, 35683, 35684, 35685, 35689, 35694, 35696, 35697, 35698, 35702, 35703, 35704, 35706, 35713, 35720, 35742, 35743, 35744, 35746, 35747, 35748, 35749, 35750, 35751, 35752, 35753, 35754, 35755, 35756, 35757, 48063, 48070, 48071, 48072, 48074, 48075, 48184, 48188, 48189, 49076, 49099, 49104, 49106, 49455, 49457, 49459, 49461, 49463, 49465, 49467, 49469, 49676, 49681, 49682, 49683, 49727, 49729, 49731, 49733, 49735, 49737, 49739, 49854, 49969, 50452, 50455, 50457, 50459, 50461, 50463, 50465, 50709, 50711, 50713, 50715, 50717, 50719, 50721, 50723, 50725, 50727, 50729, 50731, 50733, 50735, 50737, 50739, 50741, 50743, 50745, 50749, 50753, 50755, 50756, 50758, 50760, 50762, 50764, 50766, 51313, 51345, 51347, 51349, 51405, 51511, 51513, 51952, 52094, 54373, 54375, 54377, 54379, 54382, 54384, 54387, 54389, 54391, 54393, 54396, 54400, 55813, 57567, 57569, 57579, 57582, 57586, 57591, 60450, 60718, 60842, 60974, 60977, 89588, 89591, 89593, 89595, 89597, 89601, 91915, 91916, 91918, 93992, 93994, 109831, 109911, 110004, 110006, 110011, 110015, 110018, 110020, 110024, 110028, 110030, 110032, 110034, 110039, 110041, 110043, 110045, 110047, 110051, 110122, 110124, 110126, 110128, 110131, 110134, 110137, 110139, 110142, 110144, 110146, 110148 ) 
			
			ORDER BY tD6qv_posts.menu_order, tD6qv_posts.post_date DESC
			
		"
                ["posts"]=>
                array(0) {
                }
                ["post_count"]=>
                int(0)
                ["current_post"]=>
                int(-1)
                ["before_loop"]=>
                bool(true)
                ["in_the_loop"]=>
                bool(false)
                ["comment_count"]=>
                int(0)
                ["current_comment"]=>
                int(-1)
                ["found_posts"]=>
                int(0)
                ["max_num_pages"]=>
                int(0)
                ["max_num_comment_pages"]=>
                int(0)
                ["is_single"]=>
                bool(true)
                ["is_preview"]=>
                bool(false)
                ["is_page"]=>
                bool(false)
                ["is_archive"]=>
                bool(false)
                ["is_date"]=>
                bool(false)
                ["is_year"]=>
                bool(false)
                ["is_month"]=>
                bool(false)
                ["is_day"]=>
                bool(false)
                ["is_time"]=>
                bool(false)
                ["is_author"]=>
                bool(false)
                ["is_category"]=>
                bool(false)
                ["is_tag"]=>
                bool(false)
                ["is_tax"]=>
                bool(false)
                ["is_search"]=>
                bool(false)
                ["is_feed"]=>
                bool(false)
                ["is_comment_feed"]=>
                bool(false)
                ["is_trackback"]=>
                bool(false)
                ["is_home"]=>
                bool(false)
                ["is_privacy_policy"]=>
                bool(false)
                ["is_404"]=>
                bool(false)
                ["is_embed"]=>
                bool(false)
                ["is_paged"]=>
                bool(false)
                ["is_admin"]=>
                bool(false)
                ["is_attachment"]=>
                bool(true)
                ["is_singular"]=>
                bool(true)
                ["is_robots"]=>
                bool(false)
                ["is_favicon"]=>
                bool(false)
                ["is_posts_page"]=>
                bool(false)
                ["is_post_type_archive"]=>
                bool(false)
                ["query_vars_hash":"WP_Query":private]=>
                string(32) "66a6b9f4246290cfbb637412ecfe7803"
                ["query_vars_changed":"WP_Query":private]=>
                bool(false)
                ["thumbnails_cached"]=>
                bool(false)
                ["allow_query_attachment_by_filename":protected]=>
                bool(false)
                ["stopwords":"WP_Query":private]=>
                NULL
                ["compat_fields":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(15) "query_vars_hash"
                  [1]=>
                  string(18) "query_vars_changed"
                }
                ["compat_methods":"WP_Query":private]=>
                array(2) {
                  [0]=>
                  string(16) "init_query_flags"
                  [1]=>
                  string(15) "parse_tax_query"
                }
              }
            }
          }
        }
        [7]=>
        array(4) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(1881)
          ["function"]=>
          string(19) "do_action_ref_array"
          ["args"]=>
          array(1) {
            [0]=>
            string(13) "pre_get_posts"
          }
        }
        [8]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3800)
          ["function"]=>
          string(9) "get_posts"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [9]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3932)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [10]=>
        array(5) {
          ["file"]=>
          string(36) "/var/www/web/wp-includes/rewrite.php"
          ["line"]=>
          int(653)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [11]=>
        array(3) {
          ["file"]=>
          string(73) "/var/www/web/wp-content/plugins/google-sitemap-generator/sitemap-core.php"
          ["line"]=>
          int(1259)
          ["function"]=>
          string(13) "url_to_postid"
        }
        [12]=>
        array(5) {
          ["file"]=>
          string(104) "/var/www/web/wp-content/plugins/google-sitemap-generator/class-googlesitemapgeneratorstandardbuilder.php"
          ["line"]=>
          int(993)
          ["function"]=>
          string(17) "robots_disallowed"
          ["class"]=>
          string(22) "GoogleSitemapGenerator"
          ["type"]=>
          string(2) "->"
        }
        [13]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(5) "index"
          ["class"]=>
          string(37) "GoogleSitemapGeneratorStandardBuilder"
          ["type"]=>
          string(2) "->"
        }
        [14]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            string(0) ""
          }
        }
        [15]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              object(GoogleSitemapGenerator)#36501 (11) {
                ["options":"GoogleSitemapGenerator":private]=>
                array(66) {
                  ["sm_b_prio_provider"]=>
                  string(41) "GoogleSitemapGeneratorPrioByCountProvider"
                  ["sm_b_ping"]=>
                  bool(true)
                  ["sm_b_stats"]=>
                  bool(false)
                  ["sm_b_autozip"]=>
                  bool(true)
                  ["sm_b_memory"]=>
                  string(0) ""
                  ["sm_b_time"]=>
                  int(-1)
                  ["sm_b_style_default"]=>
                  bool(true)
                  ["sm_b_style"]=>
                  string(0) ""
                  ["sm_b_baseurl"]=>
                  string(0) ""
                  ["sm_b_rewrites2"]=>
                  bool(true)
                  ["sm_b_indexnow"]=>
                  bool(true)
                  ["sm_b_activate_indexnow"]=>
                  bool(true)
                  ["sm_b_index_date"]=>
                  string(0) ""
                  ["sm_b_robots"]=>
                  bool(true)
                  ["sm_b_html"]=>
                  bool(false)
                  ["sm_b_exclude"]=>
                  array(0) {
                  }
                  ["sm_b_exclude_cats"]=>
                  array(0) {
                  }
                  ["sm_in_home"]=>
                  bool(true)
                  ["sm_in_posts"]=>
                  bool(true)
                  ["sm_in_posts_sub"]=>
                  bool(false)
                  ["sm_in_pages"]=>
                  bool(true)
                  ["sm_in_cats"]=>
                  bool(false)
                  ["sm_product_tags"]=>
                  bool(true)
                  ["sm_in_product_cat"]=>
                  bool(true)
                  ["sm_in_product_assortment"]=>
                  bool(true)
                  ["sm_in_arch"]=>
                  bool(false)
                  ["sm_in_auth"]=>
                  bool(false)
                  ["sm_in_tags"]=>
                  bool(false)
                  ["sm_in_tax"]=>
                  array(0) {
                  }
                  ["sm_in_customtypes"]=>
                  array(0) {
                  }
                  ["sm_in_lastmod"]=>
                  bool(true)
                  ["sm_b_sitemap_name"]=>
                  string(7) "sitemap"
                  ["sm_b_old_sm_name"]=>
                  string(7) "sitemap"
                  ["sm_cf_home"]=>
                  string(5) "daily"
                  ["sm_cf_posts"]=>
                  string(7) "monthly"
                  ["sm_cf_pages"]=>
                  string(6) "weekly"
                  ["sm_cf_cats"]=>
                  string(6) "weekly"
                  ["sm_cf_product_cat"]=>
                  string(6) "weekly"
                  ["sm_cf_auth"]=>
                  string(6) "weekly"
                  ["sm_cf_arch_curr"]=>
                  string(5) "daily"
                  ["sm_cf_arch_old"]=>
                  string(6) "yearly"
                  ["sm_cf_tags"]=>
                  string(6) "weekly"
                  ["sm_pr_home"]=>
                  float(1)
                  ["sm_pr_posts"]=>
                  float(0.6)
                  ["sm_pr_posts_min"]=>
                  float(0.2)
                  ["sm_pr_pages"]=>
                  float(0.6)
                  ["sm_pr_cats"]=>
                  float(0.3)
                  ["sm_pr_product_cat"]=>
                  float(0.3)
                  ["sm_pr_arch"]=>
                  float(0.3)
                  ["sm_pr_auth"]=>
                  float(0.3)
                  ["sm_pr_tags"]=>
                  float(0.3)
                  ["sm_i_donated"]=>
                  bool(false)
                  ["sm_i_hide_donated"]=>
                  bool(false)
                  ["sm_i_install_date"]=>
                  bool(false)
                  ["sm_i_hide_survey"]=>
                  bool(false)
                  ["sm_i_hide_note"]=>
                  bool(false)
                  ["sm_i_hide_works"]=>
                  bool(false)
                  ["sm_i_hide_donors"]=>
                  bool(false)
                  ["sm_i_hash"]=>
                  bool(false)
                  ["sm_i_tid"]=>
                  string(0) ""
                  ["sm_i_lastping"]=>
                  int(1784026225)
                  ["sm_i_supportfeed"]=>
                  bool(false)
                  ["sm_i_supportfeed_cache"]=>
                  bool(false)
                  ["sm_links_page"]=>
                  int(1000)
                  ["sm_user_consent"]=>
                  bool(false)
                  ["sm_wp_sitemap_status"]=>
                  bool(true)
                }
                ["pages":"GoogleSitemapGenerator":private]=>
                array(0) {
                }
                ["freq_names":"GoogleSitemapGenerator":private]=>
                array(7) {
                  ["always"]=>
                  string(12) "持續變更"
                  ["hourly"]=>
                  string(9) "每小時"
                  ["daily"]=>
                  string(6) "每日"
                  ["weekly"]=>
                  string(6) "每週"
                  ["monthly"]=>
                  string(6) "每月"
                  ["yearly"]=>
                  string(6) "每年"
                  ["never"]=>
                  string(12) "永不變更"
                }
                ["prio_providers":"GoogleSitemapGenerator":private]=>
                array(2) {
                  [0]=>
                  string(41) "GoogleSitemapGeneratorPrioByCountProvider"
                  [1]=>
                  string(43) "GoogleSitemapGeneratorPrioByAverageProvider"
                }
                ["is_initiated":"GoogleSitemapGenerator":private]=>
                bool(true)
                ["is_active":"GoogleSitemapGenerator":private]=>
                bool(true)
                ["build_options":"GoogleSitemapGenerator":private]=>
                array(1) {
                  ["params"]=>
                  string(0) ""
                }
                ["ui":"GoogleSitemapGenerator":private]=>
                NULL
                ["sim_mode":"GoogleSitemapGenerator":private]=>
                bool(false)
                ["sim_data":"GoogleSitemapGenerator":private]=>
                array(2) {
                  ["sitemaps"]=>
                  array(0) {
                  }
                  ["content"]=>
                  array(0) {
                  }
                }
                ["options_loaded":"GoogleSitemapGenerator":private]=>
                bool(true)
              }
            }
          }
        }
        [16]=>
        array(4) {
          ["file"]=>
          string(73) "/var/www/web/wp-content/plugins/google-sitemap-generator/sitemap-core.php"
          ["line"]=>
          int(2071)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(14) "sm_build_index"
          }
        }
        [17]=>
        array(5) {
          ["file"]=>
          string(95) "/var/www/web/wp-content/plugins/google-sitemap-generator/class-googlesitemapgeneratorloader.php"
          ["line"]=>
          int(817)
          ["function"]=>
          string(12) "show_sitemap"
          ["class"]=>
          string(22) "GoogleSitemapGenerator"
          ["type"]=>
          string(2) "->"
        }
        [18]=>
        array(5) {
          ["file"]=>
          string(95) "/var/www/web/wp-content/plugins/google-sitemap-generator/class-googlesitemapgeneratorloader.php"
          ["line"]=>
          int(301)
          ["function"]=>
          string(17) "call_show_sitemap"
          ["class"]=>
          string(28) "GoogleSitemapGeneratorLoader"
          ["type"]=>
          string(2) "::"
        }
        [19]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(308)
          ["function"]=>
          string(20) "do_template_redirect"
          ["class"]=>
          string(28) "GoogleSitemapGeneratorLoader"
          ["type"]=>
          string(2) "::"
        }
        [20]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [21]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [22]=>
        array(4) {
          ["file"]=>
          string(44) "/var/www/web/wp-includes/template-loader.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(17) "template_redirect"
          }
        }
        [23]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(19)
          ["function"]=>
          string(12) "require_once"
        }
        [24]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(7)
  }
  [47]=>
  array(7) {
    [0]=>
    string(2470) "
			SELECT   tD6qv_posts.*
			FROM tD6qv_posts 
			WHERE 1=1  AND tD6qv_posts.post_name = 'feed' AND tD6qv_posts.post_type = 'attachment' AND tD6qv_posts.ID NOT IN ( 31016, 31017, 31018, 31019, 31020, 31021, 31023, 31047, 31048, 31049, 31050, 31051, 31052, 31053, 31054, 31061, 31062, 31063, 31064, 31065, 31074, 31075, 31076, 31077, 31078, 31079, 31094, 31095, 31096, 31097, 31098, 31103, 31104, 31105, 31110, 31111, 31113, 31115, 31117, 31119, 31121, 31123, 31125, 31127, 31129, 31131, 31133, 31135, 31137, 31140, 31142, 31144, 31150, 31152, 31155, 31157, 31159, 31161, 31163, 31165, 31167, 31169, 31171, 31173, 31176, 31178, 31180, 31189, 31199, 31200, 31201, 31202, 31203, 31210, 31211, 31212, 31213, 31214, 31222, 31223, 31224, 31225, 31226, 31233, 31234, 31235, 31237, 31238, 31239, 31242, 31243, 31245, 31247, 31249, 31257, 31258, 31260, 31261, 31262, 31263, 31264, 31265, 31287, 31288, 31289, 31290, 31339, 31342, 32291, 32570, 32694, 33157, 33302, 33304, 33981, 34831, 34832, 35549, 35551, 35586, 35590, 35591, 35592, 35593, 35594, 35595, 35659, 35660, 35661, 35662, 35663, 35664, 35665, 35666, 35668, 35672, 35676, 35679, 35680, 35681, 35682, 35683, 35684, 35685, 35689, 35694, 35696, 35697, 35698, 35702, 35703, 35704, 35706, 35713, 35720, 35742, 35743, 35744, 35746, 35747, 35748, 35749, 35750, 35751, 35752, 35753, 35754, 35755, 35756, 35757, 48063, 48070, 48071, 48072, 48074, 48075, 48184, 48188, 48189, 49076, 49099, 49104, 49106, 49455, 49457, 49459, 49461, 49463, 49465, 49467, 49469, 49676, 49681, 49682, 49683, 49727, 49729, 49731, 49733, 49735, 49737, 49739, 49854, 49969, 50452, 50455, 50457, 50459, 50461, 50463, 50465, 50709, 50711, 50713, 50715, 50717, 50719, 50721, 50723, 50725, 50727, 50729, 50731, 50733, 50735, 50737, 50739, 50741, 50743, 50745, 50749, 50753, 50755, 50756, 50758, 50760, 50762, 50764, 50766, 51313, 51345, 51347, 51349, 51405, 51511, 51513, 51952, 52094, 54373, 54375, 54377, 54379, 54382, 54384, 54387, 54389, 54391, 54393, 54396, 54400, 55813, 57567, 57569, 57579, 57582, 57586, 57591, 60450, 60718, 60842, 60974, 60977, 89588, 89591, 89593, 89595, 89597, 89601, 91915, 91916, 91918, 93992, 93994, 109831, 109911, 110004, 110006, 110011, 110015, 110018, 110020, 110024, 110028, 110030, 110032, 110034, 110039, 110041, 110043, 110045, 110047, 110051, 110122, 110124, 110126, 110128, 110131, 110134, 110137, 110139, 110142, 110144, 110146, 110148 ) 
			
			ORDER BY tD6qv_posts.menu_order, tD6qv_posts.post_date DESC
			
		"
    [1]=>
    float(0.00086688995361328)
    [2]=>
    string(545) "require('wp-blog-header.php'), require_once('wp-includes/template-loader.php'), do_action('template_redirect'), WP_Hook->do_action, WP_Hook->apply_filters, GoogleSitemapGeneratorLoader::do_template_redirect, GoogleSitemapGeneratorLoader::call_show_sitemap, GoogleSitemapGenerator->show_sitemap, do_action('sm_build_index'), WP_Hook->do_action, WP_Hook->apply_filters, GoogleSitemapGeneratorStandardBuilder->index, GoogleSitemapGenerator->robots_disallowed, url_to_postid, WP_Query->__construct, WP_Query->query, WP_Query->get_posts, QM_DB->query"
    [3]=>
    float(1784046907.7018)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#36284 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(20) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3127)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3322)
          ["function"]=>
          string(11) "get_results"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3800)
          ["function"]=>
          string(9) "get_posts"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(5) {
          ["file"]=>
          string(43) "/var/www/web/wp-includes/class-wp-query.php"
          ["line"]=>
          int(3932)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [5]=>
        array(5) {
          ["file"]=>
          string(36) "/var/www/web/wp-includes/rewrite.php"
          ["line"]=>
          int(653)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(8) "WP_Query"
          ["type"]=>
          string(2) "->"
        }
        [6]=>
        array(3) {
          ["file"]=>
          string(73) "/var/www/web/wp-content/plugins/google-sitemap-generator/sitemap-core.php"
          ["line"]=>
          int(1259)
          ["function"]=>
          string(13) "url_to_postid"
        }
        [7]=>
        array(5) {
          ["file"]=>
          string(104) "/var/www/web/wp-content/plugins/google-sitemap-generator/class-googlesitemapgeneratorstandardbuilder.php"
          ["line"]=>
          int(993)
          ["function"]=>
          string(17) "robots_disallowed"
          ["class"]=>
          string(22) "GoogleSitemapGenerator"
          ["type"]=>
          string(2) "->"
        }
        [8]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(5) "index"
          ["class"]=>
          string(37) "GoogleSitemapGeneratorStandardBuilder"
          ["type"]=>
          string(2) "->"
        }
        [9]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            string(0) ""
          }
        }
        [10]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              object(GoogleSitemapGenerator)#36501 (11) {
                ["options":"GoogleSitemapGenerator":private]=>
                array(66) {
                  ["sm_b_prio_provider"]=>
                  string(41) "GoogleSitemapGeneratorPrioByCountProvider"
                  ["sm_b_ping"]=>
                  bool(true)
                  ["sm_b_stats"]=>
                  bool(false)
                  ["sm_b_autozip"]=>
                  bool(true)
                  ["sm_b_memory"]=>
                  string(0) ""
                  ["sm_b_time"]=>
                  int(-1)
                  ["sm_b_style_default"]=>
                  bool(true)
                  ["sm_b_style"]=>
                  string(0) ""
                  ["sm_b_baseurl"]=>
                  string(0) ""
                  ["sm_b_rewrites2"]=>
                  bool(true)
                  ["sm_b_indexnow"]=>
                  bool(true)
                  ["sm_b_activate_indexnow"]=>
                  bool(true)
                  ["sm_b_index_date"]=>
                  string(0) ""
                  ["sm_b_robots"]=>
                  bool(true)
                  ["sm_b_html"]=>
                  bool(false)
                  ["sm_b_exclude"]=>
                  array(0) {
                  }
                  ["sm_b_exclude_cats"]=>
                  array(0) {
                  }
                  ["sm_in_home"]=>
                  bool(true)
                  ["sm_in_posts"]=>
                  bool(true)
                  ["sm_in_posts_sub"]=>
                  bool(false)
                  ["sm_in_pages"]=>
                  bool(true)
                  ["sm_in_cats"]=>
                  bool(false)
                  ["sm_product_tags"]=>
                  bool(true)
                  ["sm_in_product_cat"]=>
                  bool(true)
                  ["sm_in_product_assortment"]=>
                  bool(true)
                  ["sm_in_arch"]=>
                  bool(false)
                  ["sm_in_auth"]=>
                  bool(false)
                  ["sm_in_tags"]=>
                  bool(false)
                  ["sm_in_tax"]=>
                  array(0) {
                  }
                  ["sm_in_customtypes"]=>
                  array(0) {
                  }
                  ["sm_in_lastmod"]=>
                  bool(true)
                  ["sm_b_sitemap_name"]=>
                  string(7) "sitemap"
                  ["sm_b_old_sm_name"]=>
                  string(7) "sitemap"
                  ["sm_cf_home"]=>
                  string(5) "daily"
                  ["sm_cf_posts"]=>
                  string(7) "monthly"
                  ["sm_cf_pages"]=>
                  string(6) "weekly"
                  ["sm_cf_cats"]=>
                  string(6) "weekly"
                  ["sm_cf_product_cat"]=>
                  string(6) "weekly"
                  ["sm_cf_auth"]=>
                  string(6) "weekly"
                  ["sm_cf_arch_curr"]=>
                  string(5) "daily"
                  ["sm_cf_arch_old"]=>
                  string(6) "yearly"
                  ["sm_cf_tags"]=>
                  string(6) "weekly"
                  ["sm_pr_home"]=>
                  float(1)
                  ["sm_pr_posts"]=>
                  float(0.6)
                  ["sm_pr_posts_min"]=>
                  float(0.2)
                  ["sm_pr_pages"]=>
                  float(0.6)
                  ["sm_pr_cats"]=>
                  float(0.3)
                  ["sm_pr_product_cat"]=>
                  float(0.3)
                  ["sm_pr_arch"]=>
                  float(0.3)
                  ["sm_pr_auth"]=>
                  float(0.3)
                  ["sm_pr_tags"]=>
                  float(0.3)
                  ["sm_i_donated"]=>
                  bool(false)
                  ["sm_i_hide_donated"]=>
                  bool(false)
                  ["sm_i_install_date"]=>
                  bool(false)
                  ["sm_i_hide_survey"]=>
                  bool(false)
                  ["sm_i_hide_note"]=>
                  bool(false)
                  ["sm_i_hide_works"]=>
                  bool(false)
                  ["sm_i_hide_donors"]=>
                  bool(false)
                  ["sm_i_hash"]=>
                  bool(false)
                  ["sm_i_tid"]=>
                  string(0) ""
                  ["sm_i_lastping"]=>
                  int(1784026225)
                  ["sm_i_supportfeed"]=>
                  bool(false)
                  ["sm_i_supportfeed_cache"]=>
                  bool(false)
                  ["sm_links_page"]=>
                  int(1000)
                  ["sm_user_consent"]=>
                  bool(false)
                  ["sm_wp_sitemap_status"]=>
                  bool(true)
                }
                ["pages":"GoogleSitemapGenerator":private]=>
                array(0) {
                }
                ["freq_names":"GoogleSitemapGenerator":private]=>
                array(7) {
                  ["always"]=>
                  string(12) "持續變更"
                  ["hourly"]=>
                  string(9) "每小時"
                  ["daily"]=>
                  string(6) "每日"
                  ["weekly"]=>
                  string(6) "每週"
                  ["monthly"]=>
                  string(6) "每月"
                  ["yearly"]=>
                  string(6) "每年"
                  ["never"]=>
                  string(12) "永不變更"
                }
                ["prio_providers":"GoogleSitemapGenerator":private]=>
                array(2) {
                  [0]=>
                  string(41) "GoogleSitemapGeneratorPrioByCountProvider"
                  [1]=>
                  string(43) "GoogleSitemapGeneratorPrioByAverageProvider"
                }
                ["is_initiated":"GoogleSitemapGenerator":private]=>
                bool(true)
                ["is_active":"GoogleSitemapGenerator":private]=>
                bool(true)
                ["build_options":"GoogleSitemapGenerator":private]=>
                array(1) {
                  ["params"]=>
                  string(0) ""
                }
                ["ui":"GoogleSitemapGenerator":private]=>
                NULL
                ["sim_mode":"GoogleSitemapGenerator":private]=>
                bool(false)
                ["sim_data":"GoogleSitemapGenerator":private]=>
                array(2) {
                  ["sitemaps"]=>
                  array(0) {
                  }
                  ["content"]=>
                  array(0) {
                  }
                }
                ["options_loaded":"GoogleSitemapGenerator":private]=>
                bool(true)
              }
            }
          }
        }
        [11]=>
        array(4) {
          ["file"]=>
          string(73) "/var/www/web/wp-content/plugins/google-sitemap-generator/sitemap-core.php"
          ["line"]=>
          int(2071)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(14) "sm_build_index"
          }
        }
        [12]=>
        array(5) {
          ["file"]=>
          string(95) "/var/www/web/wp-content/plugins/google-sitemap-generator/class-googlesitemapgeneratorloader.php"
          ["line"]=>
          int(817)
          ["function"]=>
          string(12) "show_sitemap"
          ["class"]=>
          string(22) "GoogleSitemapGenerator"
          ["type"]=>
          string(2) "->"
        }
        [13]=>
        array(5) {
          ["file"]=>
          string(95) "/var/www/web/wp-content/plugins/google-sitemap-generator/class-googlesitemapgeneratorloader.php"
          ["line"]=>
          int(301)
          ["function"]=>
          string(17) "call_show_sitemap"
          ["class"]=>
          string(28) "GoogleSitemapGeneratorLoader"
          ["type"]=>
          string(2) "::"
        }
        [14]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(308)
          ["function"]=>
          string(20) "do_template_redirect"
          ["class"]=>
          string(28) "GoogleSitemapGeneratorLoader"
          ["type"]=>
          string(2) "::"
        }
        [15]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [16]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [17]=>
        array(4) {
          ["file"]=>
          string(44) "/var/www/web/wp-includes/template-loader.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(17) "template_redirect"
          }
        }
        [18]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(19)
          ["function"]=>
          string(12) "require_once"
        }
        [19]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(0)
  }
  [48]=>
  array(7) {
    [0]=>
    string(265) "SELECT
					COUNT(p.ID) AS `numposts`,
					MAX(p.post_modified_gmt) as `last_mod`
					FROM
						tD6qv_posts p
					WHERE
						p.post_password = ''
						AND p.post_type = 'post'
						AND p.post_status = 'publish'
						
					ORDER BY
						p.post_date_gmt DESC"
    [1]=>
    float(0.0078718662261963)
    [2]=>
    string(426) "require('wp-blog-header.php'), require_once('wp-includes/template-loader.php'), do_action('template_redirect'), WP_Hook->do_action, WP_Hook->apply_filters, GoogleSitemapGeneratorLoader::do_template_redirect, GoogleSitemapGeneratorLoader::call_show_sitemap, GoogleSitemapGenerator->show_sitemap, do_action('sm_build_index'), WP_Hook->do_action, WP_Hook->apply_filters, GoogleSitemapGeneratorStandardBuilder->index, QM_DB->query"
    [3]=>
    float(1784046907.703)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#36286 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(15) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3127)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(104) "/var/www/web/wp-content/plugins/google-sitemap-generator/class-googlesitemapgeneratorstandardbuilder.php"
          ["line"]=>
          int(1026)
          ["function"]=>
          string(11) "get_results"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(5) "index"
          ["class"]=>
          string(37) "GoogleSitemapGeneratorStandardBuilder"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            string(0) ""
          }
        }
        [5]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              object(GoogleSitemapGenerator)#36501 (11) {
                ["options":"GoogleSitemapGenerator":private]=>
                array(66) {
                  ["sm_b_prio_provider"]=>
                  string(41) "GoogleSitemapGeneratorPrioByCountProvider"
                  ["sm_b_ping"]=>
                  bool(true)
                  ["sm_b_stats"]=>
                  bool(false)
                  ["sm_b_autozip"]=>
                  bool(true)
                  ["sm_b_memory"]=>
                  string(0) ""
                  ["sm_b_time"]=>
                  int(-1)
                  ["sm_b_style_default"]=>
                  bool(true)
                  ["sm_b_style"]=>
                  string(0) ""
                  ["sm_b_baseurl"]=>
                  string(0) ""
                  ["sm_b_rewrites2"]=>
                  bool(true)
                  ["sm_b_indexnow"]=>
                  bool(true)
                  ["sm_b_activate_indexnow"]=>
                  bool(true)
                  ["sm_b_index_date"]=>
                  string(0) ""
                  ["sm_b_robots"]=>
                  bool(true)
                  ["sm_b_html"]=>
                  bool(false)
                  ["sm_b_exclude"]=>
                  array(0) {
                  }
                  ["sm_b_exclude_cats"]=>
                  array(0) {
                  }
                  ["sm_in_home"]=>
                  bool(true)
                  ["sm_in_posts"]=>
                  bool(true)
                  ["sm_in_posts_sub"]=>
                  bool(false)
                  ["sm_in_pages"]=>
                  bool(true)
                  ["sm_in_cats"]=>
                  bool(false)
                  ["sm_product_tags"]=>
                  bool(true)
                  ["sm_in_product_cat"]=>
                  bool(true)
                  ["sm_in_product_assortment"]=>
                  bool(true)
                  ["sm_in_arch"]=>
                  bool(false)
                  ["sm_in_auth"]=>
                  bool(false)
                  ["sm_in_tags"]=>
                  bool(false)
                  ["sm_in_tax"]=>
                  array(0) {
                  }
                  ["sm_in_customtypes"]=>
                  array(0) {
                  }
                  ["sm_in_lastmod"]=>
                  bool(true)
                  ["sm_b_sitemap_name"]=>
                  string(7) "sitemap"
                  ["sm_b_old_sm_name"]=>
                  string(7) "sitemap"
                  ["sm_cf_home"]=>
                  string(5) "daily"
                  ["sm_cf_posts"]=>
                  string(7) "monthly"
                  ["sm_cf_pages"]=>
                  string(6) "weekly"
                  ["sm_cf_cats"]=>
                  string(6) "weekly"
                  ["sm_cf_product_cat"]=>
                  string(6) "weekly"
                  ["sm_cf_auth"]=>
                  string(6) "weekly"
                  ["sm_cf_arch_curr"]=>
                  string(5) "daily"
                  ["sm_cf_arch_old"]=>
                  string(6) "yearly"
                  ["sm_cf_tags"]=>
                  string(6) "weekly"
                  ["sm_pr_home"]=>
                  float(1)
                  ["sm_pr_posts"]=>
                  float(0.6)
                  ["sm_pr_posts_min"]=>
                  float(0.2)
                  ["sm_pr_pages"]=>
                  float(0.6)
                  ["sm_pr_cats"]=>
                  float(0.3)
                  ["sm_pr_product_cat"]=>
                  float(0.3)
                  ["sm_pr_arch"]=>
                  float(0.3)
                  ["sm_pr_auth"]=>
                  float(0.3)
                  ["sm_pr_tags"]=>
                  float(0.3)
                  ["sm_i_donated"]=>
                  bool(false)
                  ["sm_i_hide_donated"]=>
                  bool(false)
                  ["sm_i_install_date"]=>
                  bool(false)
                  ["sm_i_hide_survey"]=>
                  bool(false)
                  ["sm_i_hide_note"]=>
                  bool(false)
                  ["sm_i_hide_works"]=>
                  bool(false)
                  ["sm_i_hide_donors"]=>
                  bool(false)
                  ["sm_i_hash"]=>
                  bool(false)
                  ["sm_i_tid"]=>
                  string(0) ""
                  ["sm_i_lastping"]=>
                  int(1784026225)
                  ["sm_i_supportfeed"]=>
                  bool(false)
                  ["sm_i_supportfeed_cache"]=>
                  bool(false)
                  ["sm_links_page"]=>
                  int(1000)
                  ["sm_user_consent"]=>
                  bool(false)
                  ["sm_wp_sitemap_status"]=>
                  bool(true)
                }
                ["pages":"GoogleSitemapGenerator":private]=>
                array(0) {
                }
                ["freq_names":"GoogleSitemapGenerator":private]=>
                array(7) {
                  ["always"]=>
                  string(12) "持續變更"
                  ["hourly"]=>
                  string(9) "每小時"
                  ["daily"]=>
                  string(6) "每日"
                  ["weekly"]=>
                  string(6) "每週"
                  ["monthly"]=>
                  string(6) "每月"
                  ["yearly"]=>
                  string(6) "每年"
                  ["never"]=>
                  string(12) "永不變更"
                }
                ["prio_providers":"GoogleSitemapGenerator":private]=>
                array(2) {
                  [0]=>
                  string(41) "GoogleSitemapGeneratorPrioByCountProvider"
                  [1]=>
                  string(43) "GoogleSitemapGeneratorPrioByAverageProvider"
                }
                ["is_initiated":"GoogleSitemapGenerator":private]=>
                bool(true)
                ["is_active":"GoogleSitemapGenerator":private]=>
                bool(true)
                ["build_options":"GoogleSitemapGenerator":private]=>
                array(1) {
                  ["params"]=>
                  string(0) ""
                }
                ["ui":"GoogleSitemapGenerator":private]=>
                NULL
                ["sim_mode":"GoogleSitemapGenerator":private]=>
                bool(false)
                ["sim_data":"GoogleSitemapGenerator":private]=>
                array(2) {
                  ["sitemaps"]=>
                  array(0) {
                  }
                  ["content"]=>
                  array(0) {
                  }
                }
                ["options_loaded":"GoogleSitemapGenerator":private]=>
                bool(true)
              }
            }
          }
        }
        [6]=>
        array(4) {
          ["file"]=>
          string(73) "/var/www/web/wp-content/plugins/google-sitemap-generator/sitemap-core.php"
          ["line"]=>
          int(2071)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(14) "sm_build_index"
          }
        }
        [7]=>
        array(5) {
          ["file"]=>
          string(95) "/var/www/web/wp-content/plugins/google-sitemap-generator/class-googlesitemapgeneratorloader.php"
          ["line"]=>
          int(817)
          ["function"]=>
          string(12) "show_sitemap"
          ["class"]=>
          string(22) "GoogleSitemapGenerator"
          ["type"]=>
          string(2) "->"
        }
        [8]=>
        array(5) {
          ["file"]=>
          string(95) "/var/www/web/wp-content/plugins/google-sitemap-generator/class-googlesitemapgeneratorloader.php"
          ["line"]=>
          int(301)
          ["function"]=>
          string(17) "call_show_sitemap"
          ["class"]=>
          string(28) "GoogleSitemapGeneratorLoader"
          ["type"]=>
          string(2) "::"
        }
        [9]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(308)
          ["function"]=>
          string(20) "do_template_redirect"
          ["class"]=>
          string(28) "GoogleSitemapGeneratorLoader"
          ["type"]=>
          string(2) "::"
        }
        [10]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [11]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [12]=>
        array(4) {
          ["file"]=>
          string(44) "/var/www/web/wp-includes/template-loader.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(17) "template_redirect"
          }
        }
        [13]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(19)
          ["function"]=>
          string(12) "require_once"
        }
        [14]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(1)
  }
  [49]=>
  array(7) {
    [0]=>
    string(265) "SELECT
					COUNT(p.ID) AS `numposts`,
					MAX(p.post_modified_gmt) as `last_mod`
					FROM
						tD6qv_posts p
					WHERE
						p.post_password = ''
						AND p.post_type = 'page'
						AND p.post_status = 'publish'
						
					ORDER BY
						p.post_date_gmt DESC"
    [1]=>
    float(0.0012650489807129)
    [2]=>
    string(426) "require('wp-blog-header.php'), require_once('wp-includes/template-loader.php'), do_action('template_redirect'), WP_Hook->do_action, WP_Hook->apply_filters, GoogleSitemapGeneratorLoader::do_template_redirect, GoogleSitemapGeneratorLoader::call_show_sitemap, GoogleSitemapGenerator->show_sitemap, do_action('sm_build_index'), WP_Hook->do_action, WP_Hook->apply_filters, GoogleSitemapGeneratorStandardBuilder->index, QM_DB->query"
    [3]=>
    float(1784046907.7114)
    [4]=>
    array(0) {
    }
    ["trace"]=>
    object(QM_Backtrace)#36295 (7) {
      ["args":protected]=>
      array(5) {
        ["ignore_class"]=>
        array(0) {
        }
        ["ignore_method"]=>
        array(0) {
        }
        ["ignore_func"]=>
        array(0) {
        }
        ["ignore_hook"]=>
        array(0) {
        }
        ["show_args"]=>
        array(0) {
        }
      }
      ["trace":protected]=>
      array(15) {
        [0]=>
        array(5) {
          ["file"]=>
          string(60) "/var/www/web/wp-content/plugins/query-monitor/classes/DB.php"
          ["line"]=>
          int(42)
          ["function"]=>
          string(11) "__construct"
          ["class"]=>
          string(12) "QM_Backtrace"
          ["type"]=>
          string(2) "->"
        }
        [1]=>
        array(5) {
          ["file"]=>
          string(39) "/var/www/web/wp-includes/class-wpdb.php"
          ["line"]=>
          int(3127)
          ["function"]=>
          string(5) "query"
          ["class"]=>
          string(5) "QM_DB"
          ["type"]=>
          string(2) "->"
        }
        [2]=>
        array(5) {
          ["file"]=>
          string(104) "/var/www/web/wp-content/plugins/google-sitemap-generator/class-googlesitemapgeneratorstandardbuilder.php"
          ["line"]=>
          int(1026)
          ["function"]=>
          string(11) "get_results"
          ["class"]=>
          string(4) "wpdb"
          ["type"]=>
          string(2) "->"
        }
        [3]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(310)
          ["function"]=>
          string(5) "index"
          ["class"]=>
          string(37) "GoogleSitemapGeneratorStandardBuilder"
          ["type"]=>
          string(2) "->"
        }
        [4]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            string(0) ""
          }
        }
        [5]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              object(GoogleSitemapGenerator)#36501 (11) {
                ["options":"GoogleSitemapGenerator":private]=>
                array(66) {
                  ["sm_b_prio_provider"]=>
                  string(41) "GoogleSitemapGeneratorPrioByCountProvider"
                  ["sm_b_ping"]=>
                  bool(true)
                  ["sm_b_stats"]=>
                  bool(false)
                  ["sm_b_autozip"]=>
                  bool(true)
                  ["sm_b_memory"]=>
                  string(0) ""
                  ["sm_b_time"]=>
                  int(-1)
                  ["sm_b_style_default"]=>
                  bool(true)
                  ["sm_b_style"]=>
                  string(0) ""
                  ["sm_b_baseurl"]=>
                  string(0) ""
                  ["sm_b_rewrites2"]=>
                  bool(true)
                  ["sm_b_indexnow"]=>
                  bool(true)
                  ["sm_b_activate_indexnow"]=>
                  bool(true)
                  ["sm_b_index_date"]=>
                  string(0) ""
                  ["sm_b_robots"]=>
                  bool(true)
                  ["sm_b_html"]=>
                  bool(false)
                  ["sm_b_exclude"]=>
                  array(0) {
                  }
                  ["sm_b_exclude_cats"]=>
                  array(0) {
                  }
                  ["sm_in_home"]=>
                  bool(true)
                  ["sm_in_posts"]=>
                  bool(true)
                  ["sm_in_posts_sub"]=>
                  bool(false)
                  ["sm_in_pages"]=>
                  bool(true)
                  ["sm_in_cats"]=>
                  bool(false)
                  ["sm_product_tags"]=>
                  bool(true)
                  ["sm_in_product_cat"]=>
                  bool(true)
                  ["sm_in_product_assortment"]=>
                  bool(true)
                  ["sm_in_arch"]=>
                  bool(false)
                  ["sm_in_auth"]=>
                  bool(false)
                  ["sm_in_tags"]=>
                  bool(false)
                  ["sm_in_tax"]=>
                  array(0) {
                  }
                  ["sm_in_customtypes"]=>
                  array(0) {
                  }
                  ["sm_in_lastmod"]=>
                  bool(true)
                  ["sm_b_sitemap_name"]=>
                  string(7) "sitemap"
                  ["sm_b_old_sm_name"]=>
                  string(7) "sitemap"
                  ["sm_cf_home"]=>
                  string(5) "daily"
                  ["sm_cf_posts"]=>
                  string(7) "monthly"
                  ["sm_cf_pages"]=>
                  string(6) "weekly"
                  ["sm_cf_cats"]=>
                  string(6) "weekly"
                  ["sm_cf_product_cat"]=>
                  string(6) "weekly"
                  ["sm_cf_auth"]=>
                  string(6) "weekly"
                  ["sm_cf_arch_curr"]=>
                  string(5) "daily"
                  ["sm_cf_arch_old"]=>
                  string(6) "yearly"
                  ["sm_cf_tags"]=>
                  string(6) "weekly"
                  ["sm_pr_home"]=>
                  float(1)
                  ["sm_pr_posts"]=>
                  float(0.6)
                  ["sm_pr_posts_min"]=>
                  float(0.2)
                  ["sm_pr_pages"]=>
                  float(0.6)
                  ["sm_pr_cats"]=>
                  float(0.3)
                  ["sm_pr_product_cat"]=>
                  float(0.3)
                  ["sm_pr_arch"]=>
                  float(0.3)
                  ["sm_pr_auth"]=>
                  float(0.3)
                  ["sm_pr_tags"]=>
                  float(0.3)
                  ["sm_i_donated"]=>
                  bool(false)
                  ["sm_i_hide_donated"]=>
                  bool(false)
                  ["sm_i_install_date"]=>
                  bool(false)
                  ["sm_i_hide_survey"]=>
                  bool(false)
                  ["sm_i_hide_note"]=>
                  bool(false)
                  ["sm_i_hide_works"]=>
                  bool(false)
                  ["sm_i_hide_donors"]=>
                  bool(false)
                  ["sm_i_hash"]=>
                  bool(false)
                  ["sm_i_tid"]=>
                  string(0) ""
                  ["sm_i_lastping"]=>
                  int(1784026225)
                  ["sm_i_supportfeed"]=>
                  bool(false)
                  ["sm_i_supportfeed_cache"]=>
                  bool(false)
                  ["sm_links_page"]=>
                  int(1000)
                  ["sm_user_consent"]=>
                  bool(false)
                  ["sm_wp_sitemap_status"]=>
                  bool(true)
                }
                ["pages":"GoogleSitemapGenerator":private]=>
                array(0) {
                }
                ["freq_names":"GoogleSitemapGenerator":private]=>
                array(7) {
                  ["always"]=>
                  string(12) "持續變更"
                  ["hourly"]=>
                  string(9) "每小時"
                  ["daily"]=>
                  string(6) "每日"
                  ["weekly"]=>
                  string(6) "每週"
                  ["monthly"]=>
                  string(6) "每月"
                  ["yearly"]=>
                  string(6) "每年"
                  ["never"]=>
                  string(12) "永不變更"
                }
                ["prio_providers":"GoogleSitemapGenerator":private]=>
                array(2) {
                  [0]=>
                  string(41) "GoogleSitemapGeneratorPrioByCountProvider"
                  [1]=>
                  string(43) "GoogleSitemapGeneratorPrioByAverageProvider"
                }
                ["is_initiated":"GoogleSitemapGenerator":private]=>
                bool(true)
                ["is_active":"GoogleSitemapGenerator":private]=>
                bool(true)
                ["build_options":"GoogleSitemapGenerator":private]=>
                array(1) {
                  ["params"]=>
                  string(0) ""
                }
                ["ui":"GoogleSitemapGenerator":private]=>
                NULL
                ["sim_mode":"GoogleSitemapGenerator":private]=>
                bool(false)
                ["sim_data":"GoogleSitemapGenerator":private]=>
                array(2) {
                  ["sitemaps"]=>
                  array(0) {
                  }
                  ["content"]=>
                  array(0) {
                  }
                }
                ["options_loaded":"GoogleSitemapGenerator":private]=>
                bool(true)
              }
            }
          }
        }
        [6]=>
        array(4) {
          ["file"]=>
          string(73) "/var/www/web/wp-content/plugins/google-sitemap-generator/sitemap-core.php"
          ["line"]=>
          int(2071)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(14) "sm_build_index"
          }
        }
        [7]=>
        array(5) {
          ["file"]=>
          string(95) "/var/www/web/wp-content/plugins/google-sitemap-generator/class-googlesitemapgeneratorloader.php"
          ["line"]=>
          int(817)
          ["function"]=>
          string(12) "show_sitemap"
          ["class"]=>
          string(22) "GoogleSitemapGenerator"
          ["type"]=>
          string(2) "->"
        }
        [8]=>
        array(5) {
          ["file"]=>
          string(95) "/var/www/web/wp-content/plugins/google-sitemap-generator/class-googlesitemapgeneratorloader.php"
          ["line"]=>
          int(301)
          ["function"]=>
          string(17) "call_show_sitemap"
          ["class"]=>
          string(28) "GoogleSitemapGeneratorLoader"
          ["type"]=>
          string(2) "::"
        }
        [9]=>
        array(5) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(308)
          ["function"]=>
          string(20) "do_template_redirect"
          ["class"]=>
          string(28) "GoogleSitemapGeneratorLoader"
          ["type"]=>
          string(2) "::"
        }
        [10]=>
        array(6) {
          ["file"]=>
          string(42) "/var/www/web/wp-includes/class-wp-hook.php"
          ["line"]=>
          int(334)
          ["function"]=>
          string(13) "apply_filters"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            NULL
          }
        }
        [11]=>
        array(6) {
          ["file"]=>
          string(35) "/var/www/web/wp-includes/plugin.php"
          ["line"]=>
          int(517)
          ["function"]=>
          string(9) "do_action"
          ["class"]=>
          string(7) "WP_Hook"
          ["type"]=>
          string(2) "->"
          ["args"]=>
          array(1) {
            [0]=>
            array(1) {
              [0]=>
              string(0) ""
            }
          }
        }
        [12]=>
        array(4) {
          ["file"]=>
          string(44) "/var/www/web/wp-includes/template-loader.php"
          ["line"]=>
          int(13)
          ["function"]=>
          string(9) "do_action"
          ["args"]=>
          array(1) {
            [0]=>
            string(17) "template_redirect"
          }
        }
        [13]=>
        array(3) {
          ["file"]=>
          string(31) "/var/www/web/wp-blog-header.php"
          ["line"]=>
          int(19)
          ["function"]=>
          string(12) "require_once"
        }
        [14]=>
        array(3) {
          ["file"]=>
          string(22) "/var/www/web/index.php"
          ["line"]=>
          int(17)
          ["function"]=>
          string(7) "require"
        }
      }
      ["filtered_trace":protected]=>
      NULL
      ["calling_line":protected]=>
      int(0)
      ["calling_file":protected]=>
      string(0) ""
      ["component":protected]=>
      NULL
      ["top_frame":protected]=>
      NULL
    }
    ["result"]=>
    int(1)
  }
}
</pre><h4>Total Query Time</h4><pre>50 queries in 0.06 seconds.</pre> --> <!-- Request ID: e9322f4b973f2c9d2175151a59042242; Queries for sitemap: 9; Total queries: 50; Seconds: 0.34; Memory for sitemap: 2MB; Total memory: 114MB -->
