toolbox
Inicio / IA, datos y tecnología / Calculadora de coste por tarea para fine-tuning

Calculadora de coste por tarea para fine-tuning

Esta calculadora estima un coste medio por tarea que combina dos componentes: la parte amortizada del fine-tuning y el coste variable de inferencia de cada uso. Primero calcula cuánto cuesta entrenar a partir de los tokens procesados y la tarifa de entrenamiento; después reparte esa inversión entre el número de tareas que se espera ejecutar y suma entrada y salida de inferencia.

El resultado ayuda a comparar si un fine-tuning tiene sentido económico para un volumen previsto. También muestra cuándo el coste inicial deja de ser dominante: cuanto mayor sea el número de tareas sobre el que se amortiza, menor será su contribución por uso.

Datos de entrada

tokens
USD/1M
tareas
tokens
tokens
USD/1M
USD/1M
Resultado
—
coste medio estimado por tarea
Coste total de entrenamiento—
Entrenamiento amortizado por tarea—
Inferencia por tarea—

1. Introduce el entrenamiento
Añade los tokens realmente procesados durante el fine-tuning y su tarifa por millón.

2. Define el horizonte de uso
Indica entre cuántas tareas esperas repartir el coste de entrenamiento.

3. Añade la inferencia
Introduce tokens medios de entrada y salida por tarea.

4. Completa las tarifas
Usa los precios de inferencia aplicables al modelo fine-tuned.

5. Compara escenarios
Cambia el número de tareas esperadas para ver cómo se diluye el coste inicial del entrenamiento.

Coste entrenamiento = Tt·Ct/1.000.000
Amortización/tarea = Coste entrenamiento/N
Inferencia/tarea = Ti·Ci/1.000.000 + To·Co/1.000.000
Coste medio/tarea = Amortización + Inferencia

Tt son tokens de entrenamiento, Ct su tarifa, N las tareas esperadas, y Ti/To y Ci/Co representan tokens y precios de inferencia.

Qué significa el resultado

El resultado combina la inversión de entrenamiento repartida entre el volumen esperado y el coste variable de una inferencia media.

No incluye preparación de datos, evaluación humana, almacenamiento, despliegue, ingeniería ni reentrenamientos futuros. Añade esos costes si forman parte de tu decisión.

Datos: 30 millones de tokens de entrenamiento a 8 USD/1M, 100.000 tareas esperadas, 700 tokens de entrada a 3 USD/1M y 180 de salida a 15 USD/1M.

Cálculo: entrenamiento = 240 USD; amortización = 0,0024 USD/tarea. Inferencia = 700×3/1M + 180×15/1M = 0,0048 USD.

Resultado: coste medio = 0,0072 USD por tarea.

¿Qué significa amortizar el entrenamiento?

Repartir su coste inicial entre el número de tareas que esperas ejecutar con el modelo. Es una forma de obtener un coste unitario comparable.

¿Qué pasa si el volumen real es menor de lo previsto?

El coste de entrenamiento por tarea será mayor, porque la misma inversión se reparte entre menos usos.

¿Debo incluir reentrenamientos?

Sí si esperas realizarlos. Puedes sumar sus tokens al presupuesto de entrenamiento o calcular un escenario separado.

¿La calculadora mide si el fine-tuning mejora la calidad?

No. Solo estima coste. La decisión debe considerar también métricas de calidad, latencia, mantenibilidad y riesgos.

¿Cómo comparo fine-tuning con prompting sin entrenamiento?

Calcula ambos costes por tarea con el mismo volumen y uso de tokens. Para fine-tuning incluye la amortización; para prompting considera los tokens adicionales de contexto o ejemplos que puedas necesitar.