当我们与GPT-4o或Gemini 3对话时，每一次流畅的响应背后，都依赖着庞大的训练基础设施。万亿参数模型的诞生，不仅仅是算法的胜利，更是算力集群、网络架构、分布式训练等工程技术的集大成。
目前国内用户可通过聚合平台RskAi（www.rsk.cn）免费体验这两款模型的推理效果，无需特殊网络环境。本文将从技术角度拆解大模型训练背后的基础设施，揭示GPT-4o与Gemini 3是如何从海量数据中训练出来的。
一、大模型训练的算力需求
训练一个万亿参数的大模型，对算力的需求是惊人的。以GPT-4o为例，据行业估算：
训练算力：约2.5×10²⁵ FLOPs（浮点运算次数）
GPU数量：约2.5万张NVIDIA H100
训练时长：约90-120天
电力消耗：约50-80兆瓦时
碳排放：约5000-8000吨二氧化碳当量
Gemini 3的训练规模与GPT-4o相当，但Google使用了自研的TPU v5p芯片，形成了不同的技术路线。
二、核心硬件对比：GPU vs TPU
GPT-4o和Gemini 3在硬件选择上走了两条不同的路。
