3x Dad, Soloprenuer, Real Estate, Angel Investor - https://xitter.cf/t.co/N5hp1dI2Om - https://xitter.cf/t.co/Pae8ogPQuC - https://xitter.cf/t.co/13OJDKjwm6 and more…
🟩🟩🟩🟩🟨⬜⬜⬜⬜⬜ $5k MRR
Joined July 2012
- Tweets11.6K
- Following1.4K
- Followers1.8K
- Likes15.9K
1/ Google AI Ultra is $200/mo. Most people only use it for Gemini.
It also includes 2,000 Colab compute units (CU) a month. At Colab's own retail price ($9.99/100 CU), that's worth $199.80 alone.
@chenran818 did the math on what 2,000 CU actually buys you in video, images, voice cloning and LLMs. Translated from his thread 👇
2/ The budget
Premium GPUs are Ultra-only. Pick G4 in Colab: RTX PRO 6000 Blackwell, 96GB VRAM, ~8.71 CU/hr (community-measured).
2000 ÷ 8.71 = 229.6 hrs/month, ~7.6 hrs/day.
(A100 80GB is 7.52 CU/h → 266 hrs, but 16GB less VRAM, so the GLM run later won't fit.)
3/ Video ①: LTX-2.3 (Lightricks, 22B, open, native audio)
On the same card: a 10s, 1344×768 clip with sound in ~57s (distilled).
→ 63 clips/hr
→ 14,500 clips/month, ~40 hrs of footage
→ at LTX's API 1080p Fast tier ($0.40/clip), roughly $5,800 equivalent (one tier lower res, order-of-magnitude only)
4/ Nobody nails it first try. Realistic workflow:
1-min video = 6 shots × 4 takes = 24 generations ≈ 23 GPU-min ≈ 3.3 CU
→ 604 finished 1-min videos/month
→ 20/day, enough to post daily on 5 accounts
5/ Video ②: for max quality, Wan 2.2 A14B (Alibaba, 27B MoE)
720p 5s takes 10–12 min even on H100. Conservatively 15 min on G4:
→ 918 clips/month, 76 min of video
→ keep 1 in 4: 230 shots, 19 min final
Verdict: Wan for hero shots, LTX for volume.
6/ Images: Qwen-Image-2512 (Alibaba, 20B, Apache 2.0, best at rendering Chinese text)
1328×1328, full 50 steps, ~80s/image → 10,333/month (344/day)
With Lightning LoRA at 8 steps, ~8s → 103k/month (3,444/day)
Speed only: Z-Image Turbo (6B), 1536×1536 ~9s → 92k/month
(Scaled from RTX 5090 benchmarks; G4 is the same chip with more cores, so these are conservative.)
7/ Clone your own voice: Fish Audio S2 Pro (4B + 400M, open weights)
10–30s of your voice is enough. Chinese is first-tier; official Seed-TTS Chinese WER 0.54%, lowest among open and closed models.
Official H200 RTF 0.34; assuming 2x slower on G4 (RTF ≈ 0.68):
→ 1 GPU-hr = 1.47 hrs of audio, 338 hrs/month
→ a daily 15-min podcast uses just 44 CU/month (2.2%)
→ a 10-hr audiobook ≈ 59 CU
(Fish Audio Research License; commercial use needs a separate license.)
8/ Running a big LLM: GLM-5.3-Flash (Zhipu, open-sourced Aug, 320B total / 18B active, MIT)
Cold water first: FP8 weights are 300+GB, no single card fits. Same for DeepSeek V4 Flash (284B, 160+GB official).
What works: community 2-bit quant AJ-IQ2_XXS, 87GB, fits entirely in 96GB.
9/ Measured fully in VRAM on RTX PRO 6000:
Empty context: 69.9 tok/s → 57.8M tokens/month
8K context: 52.7 tok/s → 43.6M
32K context (normal for coding agents): 31.7 tok/s → 26.2M
That's 0.87M–1.9M tokens/day.
10/ But honestly:
The same 43.6M tokens via GLM-5.3-Flash's official API ($0.50/M output) costs about $22.
And the 2-bit version only matches the original's top-1 output 73% of the time.
Running LLMs on Colab isn't about saving money. It's for keeping data local, fine-tuning, and hacking freely. If you just need tokens, use the API.
11/ Summary: 2,000 CU/month buys you (each one maxed out alone, not combined):
🎬 LTX-2.3: 14,500 10s clips, or 604 finished 1-min videos
🎞 Wan 2.2: 918 720p hero shots
🖼 Qwen-Image-2512: 10k full-quality or 100k fast images
🎙 Fish S2 Pro: 338 hrs of audio in your own voice
🧠 GLM-5.3-Flash 2-bit: 26M–58M tokens
Video and images are a steal. LLMs are a toy.
12/ Gotchas:
- CU rates are community-measured, not published by Google, and they fluctuate
- G4/H100 are often unavailable at peak; Ultra gets priority, not a guarantee
- Colab disks are temporary, so you re-download models every session (87GB for GLM)
- The $100 Ultra tier gets 1,000 CU, so halve everything
here is the original post
1/
Google AI Ultra $200/月，大部分人只拿来用 Gemini，其实里面还塞了每月 2000 个 Colab 算力单位（CU）。
按 Colab 自己的零售价（$9.99/100 CU），这部分单独就值 $199.8，相当于订阅费又送了你一遍。
我把这 2000 CU 换算成了能跑多少视频、图片、克隆语音和 GLM。结果有的项目香到离谱，有的还不如直接调 API 👇
2/ 先算预算
Premium GPU 只有 Ultra 能用。Colab 里选 G4，就是 RTX PRO 6000 Blackwell，96GB 显存，社区实测 8.71 CU/小时。
2000 ÷ 8.71 = 229.6 小时/月
平均每天 7.6 小时，开着后台跑都行
（A100 80GB 是 7.52 CU/h，能跑 266 小时，但少了 16GB 显存，后面 GLM 那个就塞不下了）
3/ 视频①：LTX-2.3（Lightricks，22B，开源，自带音效）
同款 RTX PRO 6000 实测：蒸馏版出一条 10 秒、1344×768、带声音的视频大约 57 秒。
→ 每小时 63 条
→ 一个月 14,500 条，合计 40 小时视频素材
→ 按 LTX 官方 API 1080p Fast 档 $0.40/条粗算，等价 $5,800（分辨率比 1080p 低一档，看个量级）
4/ 但没人一次就出片，按真实工作流算：
一条 1 分钟短视频 = 6 个 10 秒镜头 × 每个抽 4 次 = 24 次生成
≈ 23 分钟 GPU ≈ 3.3 CU
→ 一个月 604 条 1 分钟成片
→ 每天 20 条，日更 5 个号都够
5/ 视频②：要画质天花板就上 Wan 2.2 A14B（阿里，27B MoE）
720p 5 秒，H100 上都要 10-12 分钟一条，G4 我按 15 分钟保守算：
→ 一个月 918 条，共 76 分钟视频
→ 按 4 次抽 1 条能用：230 个镜头，19 分钟成片
结论：Wan 做精品镜头，量产还得 LTX
6/ 图片：Qwen-Image-2512（阿里，20B，Apache 2.0，中文字渲染最强那个）
1328×1328 满 50 步，约 80 秒一张 → 每月 10,333 张，每天 344 张
挂 Lightning LoRA 跑 8 步，约 8 秒一张 → 每月 10.3 万张，每天 3,444 张
只要快：Z-Image Turbo（6B），1536×1536 约 9 秒一张 → 每月 9.2 万张
（速度按 RTX 5090 实测换算，G4 跟 5090 是同一颗芯片、核心还更多，这是保守值）
7/ 克隆你自己的声音：Fish Audio S2 Pro（4B + 400M，开源权重）
录 10-30 秒自己的声音就能克隆，中文是一档支持语言，官方报告 Seed-TTS 中文 WER 0.54%，开源闭源里最低。
官方 H200 单路 RTF 0.34，G4 带宽低，我按慢 2 倍算（RTF≈0.68）：
→ 1 小时 GPU 出 1.47 小时音频，一个月 338 小时
→ 每天一期 15 分钟播客，一个月只花 44 CU，占 2.2%
→ 一本 10 小时有声书 ≈ 59 CU
（S2 是 Fish Audio Research License，商用要另谈授权）
8/ 跑大模型：GLM-5.3-Flash（智谱 8 月开源，320B 总参 / 18B 激活，MIT）
先泼盆冷水：FP8 原版 300+GB，单卡根本塞不下。DeepSeek V4 Flash（284B）也一样，官方权重 160+GB。
能跑的办法：社区 2-bit 量化版 AJ-IQ2_XXS，87GB，刚好整个塞进 G4 的 96GB。
9/ RTX PRO 6000 上全显存实测：
空上下文 69.9 tok/s → 每月 5,780 万 token
8K 上下文 52.7 tok/s → 每月 4,360 万
32K 上下文（写代码 agent 的常态）31.7 tok/s → 每月 2,620 万
折下来每天 87 万到 190 万 token。
10/ 但说句实话：
同样 4,360 万 token，走 GLM-5.3-Flash 官方 API（输出 $0.50/M）只要 $22 左右。
而且 2-bit 版跟原版的 top-1 一致率只有 73%，不是满血。
所以 Colab 跑大模型不是为了省钱，是为了数据不出门、能微调、能随便改。纯要 token，直接调 API。
11/ 总结：$200 Ultra 里的 2000 CU，每月能换（每项单独用满，不能叠加）：
🎬 LTX-2.3：14,500 条 10 秒视频，或 604 条 1 分钟成片
🎞 Wan 2.2：918 条 720p 精品镜头
🖼 Qwen-Image-2512：1 万张满血图，或 10 万张快速图
🎙 Fish S2 Pro：338 小时你自己声音的音频
🧠 GLM-5.3-Flash 2-bit：2,600 万到 5,800 万 token
视频和图片是真香，大模型就当玩具。
12/ 几个坑：
CU 费率是社区实测，Google 没公开，会浮动
G4/H100 高峰期经常连不上，Ultra 有优先但不保证
Colab 磁盘是临时的，每次开机都要重新下模型（GLM 一次 87GB）
$100 档的 Ultra 是 1000 CU，以上全部减半
12/ Gotchas:
- CU rates are community-measured, not published by Google, and they fluctuate
- G4/H100 are often unavailable at peak; Ultra gets priority, not a guarantee
- Colab disks are temporary, so you re-download models every session (87GB for GLM)
- The $100 Ultra tier gets 1,000 CU, so halve everything
here is the original post: xitter.cf/chenran818/status/2110…
1/
Google AI Ultra $200/月，大部分人只拿来用 Gemini，其实里面还塞了每月 2000 个 Colab 算力单位（CU）。
按 Colab 自己的零售价（$9.99/100 CU），这部分单独就值 $199.8，相当于订阅费又送了你一遍。
我把这 2000 CU 换算成了能跑多少视频、图片、克隆语音和 GLM。结果有的项目香到离谱，有的还不如直接调 API 👇
2/ 先算预算
Premium GPU 只有 Ultra 能用。Colab 里选 G4，就是 RTX PRO 6000 Blackwell，96GB 显存，社区实测 8.71 CU/小时。
2000 ÷ 8.71 = 229.6 小时/月
平均每天 7.6 小时，开着后台跑都行
（A100 80GB 是 7.52 CU/h，能跑 266 小时，但少了 16GB 显存，后面 GLM 那个就塞不下了）
3/ 视频①：LTX-2.3（Lightricks，22B，开源，自带音效）
同款 RTX PRO 6000 实测：蒸馏版出一条 10 秒、1344×768、带声音的视频大约 57 秒。
→ 每小时 63 条
→ 一个月 14,500 条，合计 40 小时视频素材
→ 按 LTX 官方 API 1080p Fast 档 $0.40/条粗算，等价 $5,800（分辨率比 1080p 低一档，看个量级）
4/ 但没人一次就出片，按真实工作流算：
一条 1 分钟短视频 = 6 个 10 秒镜头 × 每个抽 4 次 = 24 次生成
≈ 23 分钟 GPU ≈ 3.3 CU
→ 一个月 604 条 1 分钟成片
→ 每天 20 条，日更 5 个号都够
5/ 视频②：要画质天花板就上 Wan 2.2 A14B（阿里，27B MoE）
720p 5 秒，H100 上都要 10-12 分钟一条，G4 我按 15 分钟保守算：
→ 一个月 918 条，共 76 分钟视频
→ 按 4 次抽 1 条能用：230 个镜头，19 分钟成片
结论：Wan 做精品镜头，量产还得 LTX
6/ 图片：Qwen-Image-2512（阿里，20B，Apache 2.0，中文字渲染最强那个）
1328×1328 满 50 步，约 80 秒一张 → 每月 10,333 张，每天 344 张
挂 Lightning LoRA 跑 8 步，约 8 秒一张 → 每月 10.3 万张，每天 3,444 张
只要快：Z-Image Turbo（6B），1536×1536 约 9 秒一张 → 每月 9.2 万张
（速度按 RTX 5090 实测换算，G4 跟 5090 是同一颗芯片、核心还更多，这是保守值）
7/ 克隆你自己的声音：Fish Audio S2 Pro（4B + 400M，开源权重）
录 10-30 秒自己的声音就能克隆，中文是一档支持语言，官方报告 Seed-TTS 中文 WER 0.54%，开源闭源里最低。
官方 H200 单路 RTF 0.34，G4 带宽低，我按慢 2 倍算（RTF≈0.68）：
→ 1 小时 GPU 出 1.47 小时音频，一个月 338 小时
→ 每天一期 15 分钟播客，一个月只花 44 CU，占 2.2%
→ 一本 10 小时有声书 ≈ 59 CU
（S2 是 Fish Audio Research License，商用要另谈授权）
8/ 跑大模型：GLM-5.3-Flash（智谱 8 月开源，320B 总参 / 18B 激活，MIT）
先泼盆冷水：FP8 原版 300+GB，单卡根本塞不下。DeepSeek V4 Flash（284B）也一样，官方权重 160+GB。
能跑的办法：社区 2-bit 量化版 AJ-IQ2_XXS，87GB，刚好整个塞进 G4 的 96GB。
9/ RTX PRO 6000 上全显存实测：
空上下文 69.9 tok/s → 每月 5,780 万 token
8K 上下文 52.7 tok/s → 每月 4,360 万
32K 上下文（写代码 agent 的常态）31.7 tok/s → 每月 2,620 万
折下来每天 87 万到 190 万 token。
10/ 但说句实话：
同样 4,360 万 token，走 GLM-5.3-Flash 官方 API（输出 $0.50/M）只要 $22 左右。
而且 2-bit 版跟原版的 top-1 一致率只有 73%，不是满血。
所以 Colab 跑大模型不是为了省钱，是为了数据不出门、能微调、能随便改。纯要 token，直接调 API。
11/ 总结：$200 Ultra 里的 2000 CU，每月能换（每项单独用满，不能叠加）：
🎬 LTX-2.3：14,500 条 10 秒视频，或 604 条 1 分钟成片
🎞 Wan 2.2：918 条 720p 精品镜头
🖼 Qwen-Image-2512：1 万张满血图，或 10 万张快速图
🎙 Fish S2 Pro：338 小时你自己声音的音频
🧠 GLM-5.3-Flash 2-bit：2,600 万到 5,800 万 token
视频和图片是真香，大模型就当玩具。
12/ 几个坑：
CU 费率是社区实测，Google 没公开，会浮动
G4/H100 高峰期经常连不上，Ultra 有优先但不保证
Colab 磁盘是临时的，每次开机都要重新下模型（GLM 一次 87GB）
$100 档的 Ultra 是 1000 CU，以上全部减半