Skip to main content

Preços de treinamento e implantação

Este tópico descreve as regras de faturamento e os preços para treinamento e implantação de modelos no Alibaba Cloud Model Studio.

Faturamento de treinamento

Modelos de geração de texto – Qwen

Para conhecer o fluxo de trabalho de treinamento, consulte Ajuste fino do Qwen. Após a conclusão do treinamento, é necessário concluir a implantação do modelo antes que o novo modelo possa ser avaliado ou chamado.
MétodoCobrança por tokens de treinamento
FórmulaTaxa de treinamento do modelo = (Total de tokens nos dados de treinamento + Total de tokens nos dados mistos de treinamento) × Número de épocas × Preço unitário de treinamento (Unidade mínima de cobrança: 1 token)
Visualize a taxa estimada de treinamento na parte inferior do console de treinamento de modelos e clique em Detalhes de faturamento para ver o número total de tokens de treinamento, o número de épocas e o preço unitário de treinamento.

Preço unitário de treinamento

  • Norte da China 2 (Pequim)
  • Singapura
  • Qwen
  • Qwen-VL

Serviço de modelo

Código do modelo

Preço

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 geração de imagens – Wan

Para conhecer o fluxo de trabalho de treinamento, consulte Ajuste fino de modelos de geração de imagens. Após a conclusão do treinamento, é necessário concluir a implantação do modelo antes que o novo modelo possa ser chamado.

Método

Cobrança por tokens de treinamento

Fórmula

Taxa de treinamento do modelo = Total de tokens de treinamento × Preço unitário de treinamento (Unidade de cobrança: por 1.000 tokens)

Fórmula para o total de tokens de treinamento

‘Totaldetokensdetreinamento≈max_steps×Lstep‘`Total de tokens de treinamento \approx max\_steps \times L_{step}`Onde:
  • max_steps: Hiperparâmetro especificado durante o treinamento que representa o número máximo de etapas de treinamento (configurado ao criar um job de ajuste fino).
  • Lstep: O consumo de tokens por etapa. A fórmula é: ‘Lstep=∑i∈batchLitem(i)≤Lmax‘`L_{step} = \sum_{i \in batch} L_{item}^{(i)} \leq L_{max}` Lstep é aproximadamente igual a Lmax. Lmax é determinado por max_token_length e generation_type, conforme mostrado abaixo:

generation_type

max_token_length

Lmax

t2i (texto para imagem)

1k

12,800

2k

23,220

i2i (imagem para imagem)

1k

23,220

2k

32,000

Serviço de modelo

Nome do modelo

Preço de treinamento (por 1K tokens)

Geração de imagens Wan

wan2.7-image-pro

$0.015

Geração de imagens Wan

wan2.7-image

$0.015

Suponha que você faça o ajuste fino do modelo wan2.7-image-pro para t2i. Os parâmetros são: max_steps = 200, max_token_length = "1k" e o preço de treinamento é $0.015 por 1.000 tokens:
  • Conforme a tabela: Lmax = 12,800 (generation_type=t2i, max_token_length=1k), Lstep ≈ Lmax = 12,800
  • Total de tokens de treinamento ≈ 200 × 12800 = 2560000 = 2560 mil tokens
  • Taxa de treinamento do modelo ≈ 2560× 0.015 = $38.4

Modelos de geração de imagens – Qwen

Para conhecer o fluxo de trabalho de treinamento, consulte Ajuste fino de modelos de geração de imagens. Após a conclusão do treinamento, é necessário concluir a implantação do modelo antes que o novo modelo possa ser chamado.

Método

Cobrança por tokens de treinamento

Fórmula

Taxa de treinamento do modelo = Total de tokens de treinamento × Preço unitário de treinamento (Unidade de cobrança: por 1.000 tokens)

Fórmula para o total de tokens de treinamento

‘Total de tokens de treinamento=n_epochs×N×(max_pixels/Taxa de compressa˜o)×Coeficiente de GPU‘`\text{Total de tokens de treinamento} = n\_epochs \times N \times (max\_pixels / \text{Taxa de compressão}) \times \text{Coeficiente de GPU}`Onde:
  • n_epochs: Hiperparâmetro especificado durante o treinamento que representa o número de épocas de treinamento (configurado ao criar um job de ajuste fino).
  • N: O número total de imagens no conjunto de treinamento.
  • max_pixels: Hiperparâmetro especificado durante o treinamento que representa o número máximo de pixels por imagem (configurado ao criar um job de ajuste fino). Os valores válidos são 1k (1024×1024) e 2k (2048×2048).
  • Taxa de compressão: A taxa de compressão fixa do VAE, que é 1024 (32×32).
  • Coeficiente de GPU: Um coeficiente de agendamento de recursos ajustado dinamicamente com base no agendamento de jobs.

Serviço de modelo

Nome do modelo

Preço de treinamento (por 1K tokens)

Geração de imagens Qwen

qwen-image-2.0

$0.003

Geração de imagens Qwen

qwen-image-2.0-pro

$0.003

Suponha que você faça o ajuste fino do modelo qwen-image-2.0 com um conjunto de treinamento de 1 imagem. Os parâmetros são: n_epochs = 1000, max_pixels = "1k", o preço de treinamento é $0.003 por 1.000 tokens e o coeficiente de GPU é 8:
  • Tokens por imagem = max_pixels / Taxa de compressão = 1024×1024 / 1024 = 1024
  • Total de tokens de treinamento = 1000 × 1 × 1024 × 8 = 8192000 = 8192 mil tokens
  • Taxa de treinamento do modelo = 8192 × 0.003 = $24.576
A tabela a seguir estima o consumo de tokens e as taxas por imagem de treinamento, assumindo um coeficiente de GPU de 8. Para um conjunto de treinamento de N imagens, multiplique os valores por N.

max_pixels

n_epochs

Tokens estimados

Taxa estimada (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

  • O coeficiente de GPU é ajustado dinamicamente com base no agendamento de jobs. O valor 8 no exemplo e na tabela acima é usado apenas para ilustrar o cálculo. Para o consumo real de tokens, consulte o campo usage retornado pela operação Consultar um job de ajuste fino. Sua fatura é a autoridade final sobre as taxas.
  • O batch_size não afeta o faturamento nem o total de tokens de treinamento.

Modelos de geração de vídeo – Wan

Para conhecer o fluxo de trabalho de treinamento, consulte Ajuste fino de modelos de geração de vídeo. Após a conclusão do treinamento, é necessário concluir a implantação do modelo antes que o novo modelo possa ser chamado.

Método

Cobrança por tokens de treinamento

Fórmula

Taxa de treinamento do modelo = Total de tokens de treinamento × Preço unitário de treinamento (Unidade de cobrança: por 1.000 tokens)

Fórmula para o total de tokens de treinamento

‘Totaldetokensdetreinamento=(∑i=1Ndurac¸a˜o faturaˊvel do vıˊdeoi)×max_pixels1024×n_epochs‘`Total de tokens de treinamento = \left( \sum_{i=1}^{N} \text{duração faturável do vídeo}_i \right) \times \frac{max\_pixels}{1024} \times n\_epochs`Onde:
  • N: Número total de vídeos no conjunto de treinamento.
  • max_pixels: Hiperparâmetro especificado durante o treinamento que representa o número máximo de pixels de um vídeo (configurado ao criar um job de ajuste fino).
  • n_epochs: Hiperparâmetro especificado durante o treinamento que representa o número de ciclos (configurado ao criar um job de ajuste fino).
    • A conversão entre n_epochs e steps é: steps = n_epochs × ⌈dataset_size / batch_size⌉, ou seja, n_epochs = steps / ⌈dataset_size / batch_size⌉.
    • Quando o conjunto de dados contém apenas 1 amostra e batch_size = 1, n_epochs = steps. Recomendamos um total de pelo menos 800 steps.
  • Regra de cálculo da duração faturável para um único vídeo: primeiro, arredonde a duração original do vídeo (em segundos) para o inteiro mais próximo e, em seguida, determine o valor final com base nos limites do modelo.
    • Modelo wan2.7: Billing duration=min(10, rounded duration), o que significa que um único vídeo é faturado por no máximo 10 segundos.
    • Modelo wan2.6: Billing duration=min(10, rounded duration), o que significa que um único vídeo é faturado por no máximo 10 segundos.
    • Modelo wan2.5: Billing duration=min(10, rounded duration), o que significa que um único vídeo é faturado por no máximo 10 segundos.
    • Modelo wan2.2: Billing duration=min(5, rounded duration), o que significa que um único vídeo é faturado por no máximo 5 segundos.

Serviço de modelo

Nome do modelo

Preço de treinamento (por 1K tokens)

Imagem para vídeo (primeiro quadro)

wan2.7-i2v

$0.3

wan2.6-i2v

$0.08

wan2.5-i2v-preview

$0.05

wan2.2-i2v-flash

$0.03

Imagem para vídeo (primeiro e último quadros)

wan2.7-i2v

$0.3

wan2.2-kf2v-flash

$0.03

Exemplos de faturamento

  1. Estimativa de custo do wan2.7-i2v (dados únicos)
Considere um conjunto de treinamento contendo 1 vídeo com duração de 10 segundos. Com batch_size = 1 (recomendado), n_epochs = steps / ⌈1(dataset_size) / 1(batch_size)⌉ = steps.Preço unitário de treinamento = $0.3/mil tokens. Tomando max_pixels = 36864 e n_epochs = 800 como exemplo:
  • Total de tokens de treinamento = 10 × (36864 / 1024) × 800 = 288,000 = 288 mil tokens
  • Taxa de treinamento do modelo = 288 × $0.3 = $86.4

max_pixels

Steps comuns

n_epochs

Tokens estimados

Custo 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. Estimativa de custo do wan2.7-i2v (múltiplos dados)
Considere um conjunto de treinamento contendo 2 vídeos com durações de 3.4 segundos e 11.5 segundos. Parâmetros: max_pixels = 36864, n_epochs = 800. Preço unitário de treinamento = $0.3/mil tokens:
  • Cálculo da duração:
    • Vídeo 1: 3.4 segundos são arredondados para 3. Duração faturável = min(10, 3) = 3.
    • Vídeo 2: 11.5 segundos são arredondados para 12. Duração faturável = min(10, 12) = 10.
    • Duração faturável total = 3 + 10 = 13 segundos.
  • Total de tokens de treinamento = 13 × (36864/1024) × 800 = 374,400 = 374.4 mil tokens.
  • Taxa de treinamento do modelo = 374.4 × 0.3 = $112.32.
  1. Estimativa de custo do wan2.5-i2v-preview (múltiplos dados)
Suponha que você faça o ajuste fino do modelo wan2.5. O conjunto de treinamento contém dois vídeos: 3.4 segundos e 11.5 segundos. Os parâmetros são max_pixels = 36864 e n_epochs = 400. O preço unitário de treinamento é $0.05 por 1.000 tokens.
  • Cálculo da duração:
    • Vídeo 1: 3.4 segundos são arredondados para 3. Duração faturável: min(10, 3) = 3 segundos.
    • Vídeo 2: 11.5 segundos são arredondados para 12. Duração faturável: min(10, 12) = 10 segundos.
    • Duração faturável total: 3 + 10 = 13 segundos.
  • Total de tokens de treinamento = 13 × (36864 / 1024) × 400 = 187,200 = 187.2 mil tokens.
  • Taxa de treinamento do modelo = 187.2 × 0.05 = $9.36.

Faturamento de implantação

Modelos de geração de texto – Qwen

  • Faturamento por duração de uso (Provisioned Throughput)
  • Faturamento por duração de uso (Dedicated Throughput)
  • Por uso de tokens do modelo
  • Faturamento por duração de uso (unidade de modelo)
Cost = Usage duration × (Input TPM unit price × Input TPM + Output TPM unit price × Output TPM)O pós-pago é calculado por hora: a unidade de duração de uso é horas e o preço unitário usa a coluna "1 hora contínua" da tabela abaixo; o pré-pago é calculado por dia: a unidade de duração de uso é dias e o preço unitário usa a coluna "1 dia contínuo" da tabela abaixo.
  • Pedidos pré-pagos entram em vigor imediatamente após o pagamento, válidos por N dias até as 23:59 do dia N.
  • Após a expiração de um pedido pré-pago, o serviço será interrompido com um atraso de 2 horas e os recursos serão retidos por 14 horas após a interrupção antes de serem liberados.
  • Pedidos pré-pagos permitem rescisão antecipada; a parte utilizada é liquidada com um coeficiente de 1.2x para reembolso. Para mais detalhes, consulte Regras de reembolso para reduções de configuração.
  • No faturamento pós-pago, se sua conta estiver em atraso, os recursos implantados serão retidos e faturados por 24 horas, período durante o qual o serviço ainda poderá ser usado normalmente. Após 24 horas, o sistema interrompe o faturamento, a implantação do modelo entra em estado de atraso de pagamento e os recursos subjacentes serão excluídos, mas a tarefa de implantação do modelo será retida. Após você quitar o atraso, o sistema realocará os recursos e retomará o uso (as taxas continuarão a acumular após a retomada). Se você não quiser continuar incorrendo em cobranças, pode excluir a tarefa de implantação do modelo; após a exclusão bem-sucedida, o faturamento será interrompido.
Quando a entrada do modelo excede o Token máximo de entrada, a chamada relevante muda automaticamente para o modo pago conforme o uso do modelo atual; quando o TPM adquirido é excedido, o tratamento é feito conforme a política de overflow selecionada na criação ("Auto-overflow" muda para pago conforme o uso, "PTU capacity only" retorna 429). Nesse momento, o desempenho da inferência pode degradar e será regido pelo tráfego público do modelo de snapshot atual no espaço de trabalho, e a taxa é cobrada conforme o padrão de invocação do modelo (pago conforme o uso).
  • Nesse momento (somente sob a política "Auto-overflow"), o cabeçalho da resposta da API de chamada incluirá: x-dashscope-ptu-overflow:true.
  • Para estatísticas de TPM, acesse: Monitoramento de Modelos.
Para as regras específicas de redução de taxas e reembolso em cenários de redução de escala (downgrade), consulte: Regras de reembolso para reduções de configuração.
A implantação PTU oferece suporte a coeficientes de capacidade escalonados e descontos de cache para entradas longas. Para mais detalhes, consulte Entrada longa e cache do Provisioned Throughput.
  • Norte da China 2 (Pequim)
  • Singapura
  • Qwen
  • DeepSeek
  • Qwen-VL
  • GLM

Nome do modelo

Código do modelo

Máximo de tokens de entrada

Entrada pós-paga

Por 10K TPM/hora

Saída pós-paga

Por 1K TPM/hora

Entrada pré-paga

Por 10K TPM/dia

Saída pré-paga

Por 1K TPM/dia

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

Sem raciocínio: $0.07

Raciocínio: $0.28

$3.36

Sem raciocínio: $0.84

Raciocínio: $3.36

Modelos de geração de imagens – Wan

Para modelos de geração de imagens Wan ajustados com SFT-LoRA, a implantação é gratuita e as invocações são cobradas conforme o preço padrão de invocação do modelo base ajustado. Para o fluxo de trabalho de treinamento e implantação de modelos, consulte Ajuste fino de modelos de geração de imagens.

Nome do modelo

Preço de invocação da implantação LoRA

wan2.7-image-pro

$0.075/imagem

wan2.7-image

$0.03/imagem

Modelos de geração de imagens – Qwen

Para modelos de geração de imagens Qwen ajustados com SFT-LoRA, a implantação é gratuita e as invocações são cobradas conforme o preço padrão de invocação do modelo base ajustado. Para o fluxo de trabalho de treinamento e implantação de modelos, consulte Ajuste fino de modelos de geração de imagens.

Nome do modelo

Preço de invocação da implantação LoRA

qwen-image-2.0

$0.035/imagem

qwen-image-2.0-pro

$0.075/imagem

Modelos de geração de vídeo – Wan

Modelos de geração de vídeo Wan ajustados:
  • Implantação do modelo: Gratuita
  • Invocação do modelo: Cobrada conforme a tarifa padrão do modelo base ajustado. Para mais detalhes, consulte preços de modelos

FAQ

P: Quando começa o faturamento pela implantação do modelo?

R: O faturamento começa quando o status do modelo muda para Running. Não há cobranças durante Deploying, Overdue Payment ou Deployment Failed.

P: Sou cobrado se eu cancelar um job de treinamento?

R: Sim. Se você cancelar o treinamento manualmente, os tokens já consumidos ainda serão enviados para faturamento. A taxa de treinamento é estimada com base nos tokens consumidos e a taxa final está sujeita à sua fatura. Para jobs de treinamento interrompidos por causas distintas do cancelamento manual, o Alibaba Cloud Model Studio não cobra taxa de treinamento.

P: Como vejo as estatísticas de invocação de um modelo implantado?

R: Acesse a página Monitoramento de Modelos (Singapura), Monitoramento de Modelos (Virgínia), Monitoramento de Modelos (Hong Kong) (Hong Kong oferece suporte apenas ao monitoramento padrão; o monitoramento avançado e os logs não estão disponíveis) ou Monitoramento de Modelos (Pequim). A página Monitoramento de Modelos permite filtrar por intervalo de tempo (3 horas, 6 horas, 12 horas, 24 horas, hoje, ontem, uma semana, personalizado) e por tipo de inferência. A área de resumo na parte superior exibe o número total de modelos, o total de invocações, o total de falhas, a duração média de invocação e o tempo médio até o primeiro pacote. A lista de modelos na parte inferior exibe métricas de cada modelo, como total de invocações, invocações com falha, taxa de falha, duração média de invocação e latência média do primeiro token. Clique em Monitoramento para ver dados detalhados de um único modelo.