Skip to main content

Precios de entrenamiento y despliegue

Este tema describe las reglas de facturación y los precios para el entrenamiento y despliegue de modelos en Alibaba Cloud Model Studio.

Facturación de entrenamiento

Modelos de generación de texto – Qwen

Para el flujo de trabajo de entrenamiento, consulte Ajuste fino de Qwen. Una vez completado el entrenamiento, debe completar el despliegue del modelo antes de poder evaluar o invocar el nuevo modelo.
MétodoFacturado por tokens de entrenamiento
FórmulaTarifa de entrenamiento del modelo = (Total de tokens en datos de entrenamiento + Total de tokens en datos de entrenamiento mixtos) × Número de épocas × Precio unitario de entrenamiento (Unidad mínima de facturación: 1 token)
Consulte la tarifa estimada de entrenamiento en la parte inferior de la consola de entrenamiento de modelos y haga clic en Detalles de facturación para ver el número total de tokens de entrenamiento, el número de épocas y el precio unitario de entrenamiento.

Precio unitario de entrenamiento

  • Norte de China 2 (Beijing)
  • Singapore
  • Qwen
  • Qwen-VL

Servicio de modelo

Código de modelo

Precio

Qwen3.8-27B

qwen3.8-27b

$0.007067/1K tokens

Qwen3.7-Plus-2026-05-26

qwen3.7-plus-2026-05-26

$0.048132/1K tokens

Qwen3.6-27B

qwen3.6-27b

$0.006876/1K tokens

Qwen3.6-Flash-2026-04-16

qwen3.6-flash-2026-04-16

$0.006876/1K tokens

Qwen3.6-Plus-2026-04-02

qwen3.6-plus-2026-04-02

$0.041256/1K tokens

Qwen3.5-27B

qwen3.5-27b

$0.006876/1K tokens

Qwen3.5-9B

qwen3.5-9b

$0.00275/1K tokens

Qwen3.5-4B

qwen3.5-4b

$0.00212/1K tokens

Qwen3.5-Flash-2026-02-23

qwen3.5-flash-2026-02-23

$0.006876/1K tokens

Qwen3.5-Plus-2026-02-15

qwen3.5-plus-2026-02-15

$0.041256/1K tokens

Qwen3-32B

qwen3-32b

$0.005501/1K tokens

Qwen3-30B-A3B-Instruct-2507

qwen3-30b-a3b-instruct-2507

$0.004126/1K tokens

Qwen3-14B

qwen3-14b

$0.004126/1K tokens

Qwen3-8B

qwen3-8b

$0.000825/1K tokens

Qwen3-4B-Instruct-2507

qwen3-4b-instruct-2507

$0.000825/1K tokens

Qwen3-1.7B

qwen3-1.7b

$0.000619/1K tokens

Qwen3-0.6B

qwen3-0.6b

$0.000413/1K tokens

Qwen2.5-72B-Instruct

qwen2.5-72b-instruct

$0.020628/1K tokens

Qwen2.5-32B-Instruct

qwen2.5-32b-instruct

$0.004126/1K tokens

Qwen2.5-14B-Instruct

qwen2.5-14b-instruct

$0.004126/1K tokens

Qwen2.5-7B-Instruct

qwen2.5-7b-instruct

$0.000825/1K tokens

Qwen-Plus-Character-2025-11-06

qwen-plus-character-2025-11-06

$0.020628/1K tokens

Modelos de generación de imágenes – Wan

Para el flujo de trabajo de entrenamiento, consulte Ajuste fino de modelos de generación de imágenes. Una vez completado el entrenamiento, debe completar el despliegue del modelo antes de poder invocar el nuevo modelo.

Método

Facturado por tokens de entrenamiento

Fórmula

Tarifa de entrenamiento del modelo = Total de tokens de entrenamiento × Precio unitario de entrenamiento (Unidad de facturación: por 1,000 tokens)

Fórmula para el total de tokens de entrenamiento

‘Totaldetokensdeentrenamiento≈max_steps×Lstep‘`Total de tokens de entrenamiento \approx max\_steps \times L_{step}`Donde:
  • max_steps: Un hiperparámetro especificado durante el entrenamiento, que representa el número máximo de pasos de entrenamiento (configurado al crear un trabajo de ajuste fino).
  • Lstep: El consumo de tokens por paso. La fórmula es: ‘Lstep=∑i∈batchLitem(i)≤Lmax‘`L_{step} = \sum_{i \in batch} L_{item}^{(i)} \leq L_{max}` Lstep es aproximadamente igual a Lmax. Lmax está determinado por max_token_length y generation_type, como se muestra a continuación:

generation_type

max_token_length

Lmax

t2i (texto a imagen)

1k

12,800

2k

23,220

i2i (imagen a imagen)

1k

23,220

2k

32,000

Servicio de modelo

Nombre del modelo

Precio de entrenamiento (por 1K tokens)

Generación de imágenes Wan

wan2.7-image-pro

$0.015

Generación de imágenes Wan

wan2.7-image

$0.015

Suponga que realiza un ajuste fino del modelo wan2.7-image-pro para t2i. Los parámetros son: max_steps = 200, max_token_length = "1k", y el precio de entrenamiento es $0.015 por 1,000 tokens:
  • De la tabla: Lmax = 12,800 (generation_type=t2i, max_token_length=1k), Lstep ≈ Lmax = 12,800
  • Total de tokens de entrenamiento ≈ 200 × 12800 = 2560000 = 2560 mil tokens
  • Tarifa de entrenamiento del modelo ≈ 2560× 0.015 = $38.4

Modelos de generación de imágenes – Qwen

Para el flujo de trabajo de entrenamiento, consulte Ajuste fino de modelos de generación de imágenes. Una vez completado el entrenamiento, debe completar el despliegue del modelo antes de poder invocar el nuevo modelo.

Método

Facturado por tokens de entrenamiento

Fórmula

Tarifa de entrenamiento del modelo = Total de tokens de entrenamiento × Precio unitario de entrenamiento (Unidad de facturación: por 1,000 tokens)

Fórmula para el total de tokens de entrenamiento

‘Total de tokens de entrenamiento=n_epochs×N×(max_pixels/Relacioˊn de compresioˊn)×Coeficiente de GPU‘`\text{Total de tokens de entrenamiento} = n\_epochs \times N \times (max\_pixels / \text{Relación de compresión}) \times \text{Coeficiente de GPU}`Donde:
  • n_epochs: Un hiperparámetro especificado durante el entrenamiento, que representa el número de épocas de entrenamiento (configurado al crear un trabajo de ajuste fino).
  • N: El número total de imágenes en el conjunto de entrenamiento.
  • max_pixels: Un hiperparámetro especificado durante el entrenamiento, que representa el número máximo de píxeles por imagen (configurado al crear un trabajo de ajuste fino). Los valores válidos son 1k (1024×1024) y 2k (2048×2048).
  • Relación de compresión: La relación de compresión VAE fija, que es 1024 (32×32).
  • Coeficiente de GPU: Un coeficiente de programación de recursos que se ajusta dinámicamente según la programación de trabajos.

Servicio de modelo

Nombre del modelo

Precio de entrenamiento (por 1K tokens)

Generación de imágenes Qwen

qwen-image-2.0

$0.003

Generación de imágenes Qwen

qwen-image-2.0-pro

$0.003

Suponga que realiza un ajuste fino del modelo qwen-image-2.0 con un conjunto de entrenamiento de 1 imagen. Los parámetros son: n_epochs = 1000, max_pixels = "1k", el precio de entrenamiento es $0.003 por 1,000 tokens, y el coeficiente de GPU es 8:
  • Tokens por imagen = max_pixels / Relación de compresión = 1024×1024 / 1024 = 1024
  • Total de tokens de entrenamiento = 1000 × 1 × 1024 × 8 = 8192000 = 8192 mil tokens
  • Tarifa de entrenamiento del modelo = 8192 × 0.003 = $24.576
La siguiente tabla estima el consumo de tokens y las tarifas por imagen de entrenamiento, asumiendo un coeficiente de GPU de 8. Para un conjunto de entrenamiento de N imágenes, multiplique los valores por N.

max_pixels

n_epochs

Tokens estimados

Costo estimado (USD)

1k

800

6,553,600

19.66

1k

1,000

8,192,000

24.58

1k

2,000

16,384,000

49.15

2k

800

26,214,400

78.64

2k

1,000

32,768,000

98.30

2k

2,000

65,536,000

196.61

  • El coeficiente de GPU se ajusta dinámicamente según la programación de trabajos. El valor 8 en el ejemplo y la tabla anterior se usa solo para ilustrar el cálculo. Para el consumo real de tokens, consulte el campo usage devuelto por la operación Consultar un trabajo de ajuste fino. Su factura es la autoridad final sobre los cargos.
  • batch_size no afecta la facturación ni el total de tokens de entrenamiento.

Modelos de generación de video – Wan

Para el flujo de trabajo de entrenamiento, consulte Ajuste fino de modelos de generación de video. Una vez completado el entrenamiento, debe completar el despliegue del modelo antes de poder invocar el nuevo modelo.

Método

Facturado por tokens de entrenamiento

Fórmula

Tarifa de entrenamiento del modelo = Total de tokens de entrenamiento × Precio unitario de entrenamiento (Unidad de facturación: por 1,000 tokens)

Fórmula para el total de tokens de entrenamiento

‘TotaldeTokensdeEntrenamiento=(∑i=1Nduracioˊn facturable del videoi)×max_pixels1024×n_epochs‘`Total de Tokens de Entrenamiento = \left( \sum_{i=1}^{N} \text{duración facturable del video}_i \right) \times \frac{max\_pixels}{1024} \times n\_epochs`Donde:
  • N: Número total de videos en el conjunto de entrenamiento.
  • max_pixels: Un hiperparámetro especificado durante el entrenamiento, que representa el número máximo de píxeles para un video (configurado al crear un trabajo de ajuste fino).
  • n_epochs: Un hiperparámetro especificado durante el entrenamiento, que representa el número de bucles (configurado al crear un trabajo de ajuste fino).
    • La conversión entre n_epochs y steps es: steps = n_epochs × ⌈dataset_size / batch_size⌉, es decir, n_epochs = steps / ⌈dataset_size / batch_size⌉.
    • Cuando el conjunto de datos contiene solo 1 muestra y batch_size = 1, n_epochs = steps. Recomendamos un total de al menos 800 pasos.
  • Regla de cálculo de duración facturable para un solo video: Primero, redondee la duración original del video (en segundos) al entero más cercano, luego determine el valor final según los límites del modelo.
    • Modelo wan2.7: Billing duration=min(10, rounded duration), lo que significa que un solo video se factura por un máximo de 10 segundos.
    • Modelo wan2.6: Billing duration=min(10, rounded duration), lo que significa que un solo video se factura por un máximo de 10 segundos.
    • Modelo wan2.5: Billing duration=min(10, rounded duration), lo que significa que un solo video se factura por un máximo de 10 segundos.
    • Modelo wan2.2: Billing duration=min(5, rounded duration), lo que significa que un solo video se factura por un máximo de 5 segundos.

Servicio de modelo

Nombre del modelo

Precio de entrenamiento (por 1K tokens)

Imagen a video (primer fotograma)

wan2.7-i2v

$0.3

wan2.6-i2v

$0.08

wan2.5-i2v-preview

$0.05

wan2.2-i2v-flash

$0.03

Imagen a video (primer y último fotograma)

wan2.7-i2v

$0.3

wan2.2-kf2v-flash

$0.03

Ejemplos de facturación

  1. Estimación de costos de wan2.7-i2v (datos únicos)
Suponga que un conjunto de entrenamiento contiene 1 video con una duración de 10 segundos. Con batch_size = 1 (recomendado), n_epochs = steps / ⌈1(dataset_size) / 1(batch_size)⌉ = steps.Precio unitario de entrenamiento = $0.3/mil tokens. Tomando max_pixels = 36864 y n_epochs = 800 como ejemplo:
  • Total de tokens de entrenamiento = 10 × (36864 / 1024) × 800 = 288,000 = 288 mil tokens
  • Tarifa de entrenamiento del modelo = 288 × $0.3 = $86.4

max_pixels

Pasos comunes

n_epochs

Tokens estimados

Costo estimado (USD)

36864

800

800

288,000

$86.4

1,000

1,000

360,000

$108

2,000

2,000

720,000

$216

65536

800

800

512,000

$153.6

1,000

1,000

640,000

$192

2,000

2,000

1,280,000

$384

102400

800

800

800,000

$240

1,000

1,000

1,000,000

$300

2,000

2,000

2,000,000

$600

  1. Estimación de costos de wan2.7-i2v (múltiples datos)
Suponga que un conjunto de entrenamiento contiene 2 videos con duraciones de 3.4 segundos y 11.5 segundos. Parámetros: max_pixels = 36864, n_epochs = 800. Precio unitario de entrenamiento = $0.3/mil tokens:
  • Cálculo de duración:
    • Video 1: 3.4 segundos se redondea a 3. Duración facturable = min(10, 3) = 3.
    • Video 2: 11.5 segundos se redondea a 12. Duración facturable = min(10, 12) = 10.
    • Duración facturable total = 3 + 10 = 13 segundos.
  • Total de tokens de entrenamiento = 13 × (36864/1024) × 800 = 374,400 = 374.4 mil tokens.
  • Tarifa de entrenamiento del modelo = 374.4 × 0.3 = $112.32.
  1. Estimación de costos de wan2.5-i2v-preview (múltiples datos)
Suponga que realiza un ajuste fino del modelo wan2.5. El conjunto de entrenamiento contiene dos videos: 3.4 segundos y 11.5 segundos. Los parámetros son max_pixels = 36864 y n_epochs = 400. El precio unitario de entrenamiento es $0.05 por 1,000 tokens.
  • Cálculo de duración:
    • Video 1: 3.4 segundos se redondea a 3. Duración facturable: min(10, 3) = 3 segundos.
    • Video 2: 11.5 segundos se redondea a 12. Duración facturable: min(10, 12) = 10 segundos.
    • Duración facturable total: 3 + 10 = 13 segundos.
  • Total de tokens de entrenamiento = 13 × (36864 / 1024) × 400 = 187,200 = 187.2 mil tokens.
  • Tarifa de entrenamiento del modelo = 187.2 × 0.05 = $9.36.

Facturación de despliegue

Modelos de generación de texto – Qwen

  • Facturación por duración de uso (Provisioned Throughput)
  • Facturación por duración de uso (Dedicated Throughput)
  • Por uso de tokens del modelo
  • Facturación por duración de uso (unidad de modelo)
Cost = Usage duration × (Input TPM unit price × Input TPM + Output TPM unit price × Output TPM)El pospago se calcula por hora: la unidad de duración de uso es horas, y el precio unitario toma la columna "1 hora continua" en la tabla a continuación; el prepago se calcula por día: la unidad de duración de uso es días, y el precio unitario toma la columna "1 día continuo" en la tabla a continuación.
  • Los pedidos prepago entran en vigor inmediatamente después del pago, válidos por N días hasta las 23:59 del día N. Si se pide después de las 22:00, la fecha de vencimiento se extiende automáticamente por 1 día.
  • Después de que expire un pedido prepago, el servicio se detendrá con un retraso de 2 horas, y los recursos se conservarán durante 14 horas después de la detención antes de ser liberados.
  • Los pedidos de prepago admiten terminación anticipada; la parte utilizada se liquida con un coeficiente de 1.2x para reembolso. Para más detalles, consulte Reglas de reembolso por reducción de configuración.
  • Para la facturación pospago, si su cuenta tiene saldos pendientes, los recursos implementados se conservarán y facturarán durante 24 horas, tiempo durante el cual el servicio aún se puede usar normalmente. Después de 24 horas, el sistema deja de facturar, la implementación del modelo entra en estado de saldo pendiente y los recursos subyacentes se eliminarán, pero la tarea de implementación del modelo se conservará. Después de pagar los saldos pendientes, el sistema reasignará recursos y reanudará el uso (los cargos continuarán acumulándose después de la reanudación). Si no desea seguir incurriendo en cargos, puede eliminar la tarea de implementación del modelo; una vez eliminada con éxito, la facturación se detendrá.
Cuando la entrada del modelo excede el token de entrada máximo, la llamada relevante cambiará automáticamente al modo de pago por uso del modelo actual; cuando se exceden los TPM comprados, se maneja según la política de desbordamiento seleccionada en la creación ("Auto-overflow" cambia a pago por uso, "Solo capacidad PTU" devuelve 429). En este momento, el rendimiento de inferencia puede degradarse y estará regido por el tráfico público del modelo de instantánea actual en el espacio de trabajo, y la tarifa se cobra según el estándar de invocación del modelo (pago por uso).
  • En este momento (solo bajo la política "Auto-overflow"), el encabezado de respuesta de la API de llamada incluirá: x-dashscope-ptu-overflow:true.
  • Para consultar las estadísticas de TPM, vaya a: Model Monitoring.
Para reglas específicas de reducción de tarifas y reembolsos en escenarios de reducción de escala (downgrade), consulte: Reglas de reembolso para reducciones de configuración.
La implementación PTU admite coeficientes de capacidad escalonados y descuentos de caché para entradas largas. Para obtener más información, consulte Entrada larga y caché de Provisioned Throughput.
  • Norte de China 2 (Beijing)
  • Singapore
  • Qwen
  • DeepSeek
  • GLM
  • Qwen-VL

Nombre del modelo

Código de modelo

Tokens máximos de entrada

Entrada pospago

Por 10K TPM/hora

Salida pospago

Por 1K TPM/hora

Entrada prepaga

Por 10K TPM/día

Salida prepaga

Por 1K TPM/día

Qwen3.8-Flash

qwen3.8-flash

128K

$0.407

$0.137

$4.884

$1.649

Qwen3.8-Max

qwen3.8-max

1M

$3.96

$1.188

$47.53

$14.258

Qwen3.7-Flash-2026-07-15

qwen3.7-flash-2026-07-15

128K

$0.066

$0.026

$0.792

$0.317

Qwen3.7-Max-2026-05-20

qwen3.7-max-2026-05-20

256K

$3.96

$1.188

$47.53

$14.258

Qwen3.7-Plus-2026-05-26

qwen3.7-plus-2026-05-26

256K

$0.66

$0.264

$7.92

$3.168

Qwen3.6-Plus-2026-04-02

qwen3.6-plus-2026-04-02

128K

$0.67

$0.066

$7.93

$4.753

Qwen3.5-Plus-2026-04-20

qwen3.5-plus-2026-04-20

128K

$0.26

$0.16

$3.17

$1.9

Qwen3-Max-2025-09-23

qwen3-max-2025-09-23

128K

$1.11

$0.45

$13.32

$5.4

Qwen-Flash-2025-07-28

qwen-flash-2025-07-28

128K

$0.06

$0.06

$0.72

$0.72

Qwen-Plus-2025-12-01

qwen-plus-2025-12-01

128K

$0.28

Sin pensamiento: $0.07

Pensamiento: $0.28

$3.36

Sin pensamiento: $0.84

Pensamiento: $3.36

Modelos de generación de imágenes – Wan

Para los modelos de generación de imágenes Wan ajustados con SFT-LoRA, el despliegue es gratuito y las invocaciones se facturan a la tarifa estándar de invocación del modelo base ajustado. Para el flujo de trabajo de entrenamiento y despliegue de modelos, consulte Ajuste fino de modelos de generación de imágenes.

Nombre del modelo

Precio de invocación de despliegue LoRA

wan2.7-image-pro

$0.075/imagen

wan2.7-image

$0.03/imagen

Modelos de generación de imágenes – Qwen

Para los modelos de generación de imágenes Qwen ajustados con SFT-LoRA, el despliegue es gratuito y las invocaciones se facturan a la tarifa estándar de invocación del modelo base ajustado. Para el flujo de trabajo de entrenamiento y despliegue de modelos, consulte Ajuste fino de modelos de generación de imágenes.

Nombre del modelo

Precio de invocación de despliegue LoRA

qwen-image-2.0

$0.035/imagen

qwen-image-2.0-pro

$0.075/imagen

Modelos de generación de video – Wan

Modelos de generación de video Wan ajustados:
  • Despliegue de modelo: Gratis
  • Invocación del modelo: Se factura a la tarifa estándar del modelo base ajustado. Para más detalles, consulte precios del modelo

FAQ

P: ¿Cuándo comienza la facturación del despliegue del modelo?

R: La facturación comienza cuando el estado del modelo cambia a Running. No se aplican cargos durante Deploying, Overdue Payment o Deployment Failed.

P: ¿Se me cobra si cancelo un trabajo de entrenamiento?

R: Sí. Si cancela el entrenamiento manualmente, los tokens ya consumidos se siguen enviando a facturación. La tarifa de entrenamiento se estima en función de los tokens consumidos y la tarifa final queda sujeta a su factura. En el caso de trabajos de entrenamiento interrumpidos por causas distintas de la cancelación manual, Alibaba Cloud Model Studio no cobra tarifa de entrenamiento.

P: ¿Cómo veo las estadísticas de invocación de un modelo desplegado?

R: Visite la página de Model Monitoring (Singapore), Model Monitoring (Virginia), Model Monitoring (Hong Kong) (Hong Kong solo admite la monitorización estándar; la monitorización avanzada y los registros no están disponibles) o Model Monitoring (Beijing). La página de Model Monitoring admite el filtrado por rango de tiempo (3 horas, 6 horas, 12 horas, 24 horas, hoy, ayer, una semana, personalizado) y por tipo de inferencia. El área de resumen de la parte superior muestra el número total de modelos, el total de invocaciones, el total de fallos, la duración promedio de invocación y el tiempo promedio hasta el primer paquete. La lista de modelos de la parte inferior muestra las métricas de cada modelo, como el total de invocaciones, las invocaciones fallidas, la tasa de fallos, la duración promedio de invocación y la latencia promedio del primer token. Haga clic en Monitoring para ver los datos detallados de un modelo individual.