Calcula un presupuesto combinado para un proyecto de fine-tuning de OpenAI: coste estimado de entrenamiento y coste mensual de uso del modelo resultante. Introduce el número de tokens del conjunto de entrenamiento, las épocas previstas y la tarifa de entrenamiento, además del tráfico de inferencia posterior. El objetivo es separar el gasto puntual de ajuste del gasto recurrente. Los modelos compatibles, métodos de ajuste y tarifas pueden cambiar, por lo que la calculadora utiliza precios que introduces tú y no presupone que todos los modelos admitan el mismo proceso.
1. Mide el dataset
Calcula los tokens del conjunto que se usará para entrenar.
2. Indica las épocas
Añade cuántas pasadas sobre el conjunto se ejecutarán si tu configuración las define.
3. Introduce la tarifa de entrenamiento
Usa el precio vigente del modelo y método compatibles.
4. Modela la inferencia
Añade solicitudes, tokens medios y tarifas del modelo ajustado.
5. Separa inversión y operación
Revisa el entrenamiento puntual frente al gasto mensual recurrente.
El resultado principal suma el entrenamiento estimado y un mes de inferencia posterior.
El número real de tokens facturados y los métodos disponibles dependen del modelo y de la configuración del trabajo. Verifica la documentación vigente antes de presupuestar.
Datos: 400.000 tokens, 3 épocas, 8 USD/M de entrenamiento; después 20.000 solicitudes de 400 tokens de entrada y 120 de salida, a 3 y 12 USD/M.
Cálculo: entrenamiento: 1,2 M × 8 = 9,60 USD. Inferencia: 8 M × 3 + 2,4 M × 12 = 52,80 USD.
Resultado: 62,40 USD para entrenamiento + primer mes.
No necesariamente. La compatibilidad depende del modelo y del método de fine-tuning disponible; comprueba la lista vigente antes de planificar el trabajo.
Porque una época representa una pasada completa por el conjunto de entrenamiento. Es una aproximación útil cuando la facturación se relaciona con tokens procesados durante el entrenamiento.
No. Si tus evaluaciones realizan inferencias adicionales, añádelas al presupuesto de uso o calcúlalas por separado.
No. Puede permitir prompts más cortos o mejorar una tarea, pero el coste final depende del modelo ajustado, sus tarifas y el patrón de uso.
Usa el valor observado al terminar un trabajo comparable o crea varios escenarios. El cálculo es una estimación, no una predicción del planificador del servicio.