विशेष

LLM Fine-Tuning Cost Calculator

Training Tokens

Epochs

Training Cost per 1M Tokens ($)

Monthly Inference Requests

Inference Cost per 1K Tokens ($)

What is LLM Fine-Tuning Cost Calculator?

▾

LLM फाइन-ट्यूनिंग कॉस्ट कॅल्क्युलेटर आपल्या विशिष्ट डेटावर पूर्व-प्रशिक्षित भाषा मॉडेल सानुकूलित करण्याच्या एकूण खर्चाचा अंदाज लावतो, प्रशिक्षण गणना, डेटा तयार करणे, प्रमाणीकरण आणि फाइन-ट्यून केलेले मॉडेल वापरण्याचा चालू अनुमान खर्च प्रीमियम समाविष्ट करतो. OpenAI GPT-4o-मिनी फाइन-ट्यूनिंगसाठी प्रति दशलक्ष प्रशिक्षण टोकन $8 आणि GPT-4o साठी $25 प्रति दशलक्ष शुल्क आकारते. प्रशिक्षण सामान्यत: तुमच्या डेटासेटवर 3 ते 4 युगांसाठी चालते, म्हणजे एकूण प्रशिक्षण टोकन तुमच्या डेटासेटच्या आकारमानाने युगांच्या संख्येने गुणाकार करतात. फाइन-ट्यूनिंग वापरले जाते जेव्हा केवळ प्रॉम्प्ट अभियांत्रिकी इच्छित आउटपुट स्वरूप, टोन किंवा डोमेन कौशल्य प्राप्त करू शकत नाही. सामान्य वापराच्या प्रकरणांमध्ये विशिष्ट आउटपुट स्कीमा फॉलो करण्यासाठी, ब्रँड व्हॉइसशी जुळण्यासाठी, कायदा किंवा औषध यासारख्या क्षेत्रात डोमेन-विशिष्ट शब्दावली हाताळण्यासाठी किंवा विशिष्ट वर्गीकरण कार्यांवर कार्यप्रदर्शन सुधारण्यासाठी प्रशिक्षण मॉडेल समाविष्ट असतात. फाईन-ट्यून करण्याचा निर्णय खर्च-लाभ विश्लेषणावर आधारित असावा ज्यामध्ये एक-वेळचे प्रशिक्षण खर्च आणि चालू असलेल्या अनुमान प्रीमियमची तुलना अनेक काही-शॉट उदाहरणांसह दीर्घ प्रॉम्प्ट्स वापरण्याच्या पर्यायाविरुद्ध केली पाहिजे. हे कॅल्क्युलेटर ML अभियंते आणि उत्पादन संघांना त्यांच्या वापरासाठी आर्थिकदृष्ट्या न्याय्य आहे की नाही हे ठरवण्यात मदत करते. फाईन-ट्यून केलेल्या GPT-4o-मिनी मॉडेलची किंमत $0.30 प्रति दशलक्ष इनपुट टोकन आणि $1.20 प्रति दशलक्ष आउटपुट टोकनसाठी, मूळ मॉडेलच्या किमतीच्या दुप्पट. जर फाइन-ट्यूनिंग तुम्हाला प्रत्येक विनंतीवरून 1,000-टोकन काही-शॉट प्रॉम्प्ट काढून टाकण्याची परवानगी देत असेल, तर कमी केलेले इनपुट टोकन्स प्रति-टोकन दर जास्त असूनही प्रति विनंती फाईन-ट्यून केलेले मॉडेल स्वस्त बनवू शकतात.

DigiCalcs delivers precision-engineered tools for engineers and STEM professionals.

सूत्र

▾

f(x)

एकूण फाइन-ट्यूनिंग खर्च = प्रशिक्षण डेटासेट टोकन x युग x प्रशिक्षण किंमत प्रति 1M टोकन / 1,000,000 + प्रमाणीकरण खर्च + डेटा तयार करण्याचे श्रम. उदाहरणार्थ, 3 युगांपेक्षा अधिक 500,000 प्रशिक्षण टोकनसह GPT-4o-mini फाइन-ट्यूनिंग: प्रशिक्षण खर्च = 500,000 x 3 x $8.00 / 1,000,000 = $12.00. जर डेटा तयार करण्यासाठी $75/तास 10 तास लागले, तर एकूण प्रकल्प खर्च = $12 + $750 = $762.

Variable Legend

▾

प्रतीक	नाव	एकक	वर्णन
D	प्रशिक्षण डेटासेट आकार	tokens	JSONL डेटासेटमधील सर्व प्रशिक्षण उदाहरणांमध्ये एकूण टोकन संख्या, प्रत्येक उदाहरणामध्ये सिस्टम, वापरकर्ता आणि सहाय्यक संदेश टोकनची बेरीज म्हणून गणना केली जाते.
E	प्रशिक्षण युग	epochs	फाइन-ट्यूनिंग दरम्यान प्रशिक्षण डेटासेटमधून पूर्ण उत्तीर्णांची संख्या, सामान्यत: ओपनएआय मॉडेल्ससाठी 3 ते 4, लहान डेटासेटवर ओव्हरफिटिंगचा धोका असलेल्या अधिक युगांसह.
P_train	प्रशिक्षण किंमत प्रति दशलक्ष टोकन	USD per 1M tokens	प्रशिक्षण गणनेसाठी प्रति-टोकन किंमत, सध्या GPT-4o-mini साठी $8 प्रति दशलक्ष टोकन आणि GPT-4o फाइन-ट्यूनिंगसाठी $25 प्रति दशलक्ष टोकन.
P_inf	फाइन-ट्यून केलेले अनुमान किंमत	USD per 1M tokens	फाइन-ट्यून केलेल्या मॉडेलसाठी प्रति-टोकन अनुमान खर्च, जो सामान्यत: बेस मॉडेल दराच्या 2x आहे: फाईन-ट्यून केलेल्या GPT-4o-mini साठी $0.30/$1.20.
H	डेटा तयार करण्याचे तास	hours	प्रशिक्षण डेटा संकलित करण्यासाठी, स्वच्छ करण्यासाठी, स्वरूपित करण्यासाठी आणि पुनरावलोकन करण्यासाठी आवश्यक मानवी श्रम तास, जे सामान्यत: फाइन-ट्यूनिंग प्रकल्पांच्या सर्वात मोठ्या खर्चाच्या घटकाचे प्रतिनिधित्व करतात.
R	प्रायोगिक धावा	runs	उत्पादन गुणवत्तेपर्यंत पोहोचण्यापूर्वी फाइन-ट्यूनिंग प्रयोगांची संख्या, सामान्यत: 3 ते 5 डेटासेटसह आणि प्रत्येकामध्ये हायपरपॅरामीटर ऍडजस्टमेंटसह चालते.

How to LLM Fine-Tuning Cost Calculator

▾

1तुमचा प्रशिक्षण डेटासेट आवश्यक JSONL फॉरमॅटमध्ये सिस्टम, वापरकर्ता आणि सहाय्यक संदेश जोड्यांसह तयार करा. प्रत्येक उदाहरणाने आपण मॉडेलने शिकू इच्छित असलेले वर्तन प्रदर्शित केले पाहिजे. ओपनएआय किमान 10 उदाहरणांची शिफारस करते परंतु गुणवत्ता सुधारण्यासाठी 50 ते 100 सुचवते. उच्च-गुणवत्तेचे प्रशिक्षण डेटा तयार करण्यासाठी, पुनरावलोकन करण्यासाठी आणि प्रमाणित करण्यासाठी महत्त्वपूर्ण मानवी प्रयत्नांची आवश्यकता असते, जी बहुतेकदा फाइन-ट्यूनिंग प्रकल्पांची सर्वात मोठी छुपी किंमत असते.
2तुमच्या प्रशिक्षण डेटासेटची टोकन संख्या मोजा. प्रत्येक प्रशिक्षण उदाहरण टोकन केले जाते आणि सर्व उदाहरणांमधील एकूण तुमची प्रशिक्षणाची किंमत निर्धारित करते. 100 उदाहरणांचा डेटासेट सरासरी 500 टोकन प्रत्येकी एकूण 50,000 टोकन आहे. प्रशिक्षणाची किंमत देखील युगांच्या संख्येवर अवलंबून असते (डेटासेटमधून संपूर्ण पास), OpenAI 3 ते 4 युगांवर डीफॉल्ट करते. एकूण प्रशिक्षण टोकन समान डेटासेट टोकन युगांनी गुणाकार केला आहे.
3फाइन-ट्यूनिंगसाठी तुमचे बेस मॉडेल निवडा. GPT-4o-मिनी फाइन-ट्यूनिंगची किंमत प्रति दशलक्ष प्रशिक्षण टोकन $8 आहे आणि बहुतेक वापरासाठी योग्य आहे. GPT-4o फाइन-ट्यूनिंगची किंमत प्रति दशलक्ष प्रशिक्षण टोकन्ससाठी $25 आहे आणि सर्वोच्च मॉडेल क्षमता आवश्यक असलेल्या कार्यांसाठी राखीव आहे. निवड बेस मॉडेल (फाइन-ट्यूनिंगपूर्वी) योग्य प्रॉम्प्टिंगसह तुमच्या कार्यासाठी पुरेसे सक्षम आहे की नाही यावर आधारित असावी.
4फाइन-ट्यूनिंग जॉब सबमिट करा आणि प्रगतीचे निरीक्षण करा. डेटासेटच्या आकारानुसार प्रशिक्षण सामान्यत: 30 मिनिटांपासून अनेक तासांमध्ये पूर्ण होते. ओपनएआय केवळ प्रशिक्षण टोकन वापरल्या जाणाऱ्या, कोणत्याही अतिरिक्त गणना शुल्काशिवाय शुल्क आकारते. तुम्ही तुमच्या डेटासेटवर पुनरावृत्ती करण्यासाठी अनेक फाइन-ट्यूनिंग प्रयोग चालवू शकता, प्रत्येक रनसाठी संपूर्ण प्रशिक्षण खर्च येतो. उत्पादन गुणवत्तेपर्यंत पोहोचण्यापूर्वी 3 ते 5 प्रायोगिक रनसाठी बजेट.
5होल्ड-आउट चाचणी सेटच्या विरूद्ध उत्कृष्ट-ट्यून केलेल्या मॉडेलचे मूल्यांकन करा. काही-शॉट प्रॉम्प्टिंगसह बेस मॉडेलशी अचूकता, स्वरूप अनुपालन आणि आउटपुट गुणवत्तेची तुलना करा. जर फाईन-ट्यून केलेले मॉडेल प्रॉम्प्ट केलेल्या बेस मॉडेलपेक्षा लक्षणीय कामगिरी करत नसेल, तर प्रशिक्षण खर्च आणि चालू अनुमान प्रीमियम न्याय्य नाही. अंदाजे 30 ते 40 टक्के फाइन-ट्यूनिंग प्रकल्प चांगल्या प्रकारे तयार केलेल्या प्रॉम्प्टवर अर्थपूर्ण सुधारणा घडवून आणत नाहीत.
6चालू अनुमान खर्च प्रीमियमची गणना करा. बेस मॉडेलसाठी $0.15 आणि $0.60 च्या तुलनेत फाइन-ट्यून केलेल्या GPT-4o-मिनी मॉडेलची किंमत $0.30 प्रति दशलक्ष इनपुट टोकन आणि $1.20 प्रति दशलक्ष आउटपुट टोकन आहे. हे 2x प्रीमियम आउटपुट गुणवत्तेतील सुधारणा, कमी प्रॉम्प्ट लांबी (आणखी काही-शॉट उदाहरणे नाहीत) किंवा पोस्ट-प्रोसेसिंगसाठी कमी गरजेद्वारे ऑफसेट करणे आवश्यक आहे. पेबॅक कालावधी निर्धारित करण्यासाठी मासिक अनुमान किंमत फरक मॉडेल करा.
7एकूण ROI गणना करा. एक-वेळ प्रशिक्षण खर्च, डेटा तयार करण्याचे श्रम आणि चालू मासिक अनुमान खर्च फरक जोडा. लांब प्रॉम्प्टसह बेस मॉडेल वापरण्याच्या पर्यायाशी किंवा अधिक सक्षम (आणि महाग) बेस मॉडेलची तुलना करा. गुणवत्तेतील सुधारणा ग्राहकांचे समाधान, त्रुटी दर किंवा प्रक्रिया कार्यक्षमता यासारख्या व्यवसाय मेट्रिक्सवर मोजमापाने परिणाम करते तेव्हा फाइन-ट्यूनिंग गुंतवणूक न्याय्य असते.

Worked Examples

▾

Example 1ग्राहक ईमेल टोन फाइन-ट्यूनिंग

Given:GPT-4o-mini, 200, 600, 3, 8.0, 15, 75

परिणाम:एकूण $1,127.88 (प्रशिक्षण: $2.88, डेटा तयारी: $1,125)

360,000 प्रशिक्षण टोकनसाठी प्रशिक्षण गणना खर्च किमान $2.88 आहे. 200 उच्च-गुणवत्तेची ईमेल उदाहरणे तयार करण्यासाठी 15 तासांचा डेटा तयार करण्याची खरी किंमत आहे. हे फाइन-ट्यूनिंग प्रकल्पांचे वैशिष्ट्य आहे जेथे डेटा तयार करणे बजेटवर वर्चस्व गाजवते.

Example 2वैद्यकीय अहवालाची रचना

Given:GPT-4o, 500, 1200, 4, 25.0, 40, 100

परिणाम:एकूण $4,060.00 (प्रशिक्षण: $60.00, डेटा तयारी: $4,000)

वैद्यकीय डोमेन फाइन-ट्यूनिंगसाठी तज्ञ-पुनरावलोकन केलेल्या प्रशिक्षण डेटाची आवश्यकता असते, ज्यामुळे डेटा तयार करणे महाग होते. 1,200 टोकनवरील 500 उदाहरणे प्रत्येकी 4 युगांवरील 2.4 दशलक्ष प्रशिक्षण टोकन $25 प्रति दशलक्ष दराने वापरतात. उच्च प्रति-टोकन दर असूनही, डेटा तयार करण्यासाठी आवश्यक असलेल्या क्लिनिकल तज्ञांच्या वेळेनुसार प्रशिक्षण गणना खर्च अजूनही कमी आहे.

Example 3JSON आउटपुट स्वरूप अनुपालन

Given:GPT-4o-mini, 50, 400, 3, 8.0, 5, 75

परिणाम:एकूण $375.48 (प्रशिक्षण: $0.48, डेटा तयारी: $375)

साध्या स्वरूप अनुपालन कार्यांसाठी, 50 उदाहरणे पुरेशी असतात. प्रशिक्षण खर्च $1 पेक्षा कमी आहे. छान-ट्यून केलेले मॉडेल प्रत्येक विनंतीवरून 500-टोकन JSON स्कीमा प्रॉम्प्ट काढून टाकू शकते, GPT-4o-mini वर प्रति 1,000 विनंत्या $0.075 वाचवते. 100,000 मासिक विनंत्यांवर, दरमहा $7.50 ची अनुमानित बचत 50 महिन्यांत $375 गुंतवणुकीची परतफेड करते, त्यामुळे त्वरित अभियांत्रिकी येथे अधिक किफायतशीर आहे.

Real-World Applications

▾

🏗️

ई-कॉमर्स कंपन्या विशिष्ट ब्रँड व्हॉईस आणि फॉरमॅटमध्ये उत्पादनाचे वर्णन तयार करण्यासाठी GPT-4o-mini फाइन-ट्यून करतात. 50,000 उत्पादनांसह किरकोळ विक्रेता 200 उदाहरणे वर्णने तयार करतो, गणनेमध्ये $3 साठी फाइन-ट्यून आणि डेटा तयार करण्यासाठी कॉपीरायटर वेळेत $1,500, नंतर अंदाजे अंदाजे $10 साठी फाइन-ट्यून मॉडेल वापरून सर्व 50,000 वर्णने व्युत्पन्न करतो. प्रति उत्पादन $5 वर प्रत्येक वर्णन व्यक्तिचलितपणे लिहिण्याच्या पर्यायासाठी $250,000 खर्च येईल, ज्यामुळे 99.4 टक्के खर्च कमी होईल.

🔬

हेल्थकेअर कंपन्या SOAP (व्यक्तिनिष्ठ, उद्दिष्ट, मूल्यांकन, योजना) सारख्या प्रमाणित स्वरूपांमध्ये क्लिनिकल नोट्सची रचना करण्यासाठी मॉडेल ट्यून करतात. हेल्थ टेक स्टार्टअप 500 तज्ञ-पुनरावलोकन प्रशिक्षण उदाहरणे डॉक्टरांच्या वेळेत $5,000 च्या खर्चात तयार करते, $60 मध्ये ट्रेन करते आणि प्रति महिना 50,000 क्लिनिकल नोट्सवर प्रक्रिया करण्यासाठी मॉडेल तैनात करते. फाइन-ट्यून केलेले मॉडेल केवळ प्रॉम्प्ट अभियांत्रिकीच्या 78 टक्क्यांच्या तुलनेत 95 टक्के फॉरमॅटिंग अचूकता प्राप्त करते, गुंतवणुकीचे समर्थन करते.

📊

वित्तीय सेवा कंपन्या नियामक अनुपालन वर्गीकरणासाठी मॉडेल्सची छान रचना करतात, करार आणि पत्रव्यवहारातील विशिष्ट नियामक आवश्यकता ओळखण्यासाठी मॉडेलला प्रशिक्षण देतात. एक अनुपालन कार्यसंघ विश्लेषक वेळेत $12,000 च्या खर्चाने 4 आठवड्यांत 300 भाष्य उदाहरणे तयार करतो, $15 मध्ये ट्रेन करतो आणि प्रति महिना 200,000 संप्रेषणे स्क्रीन करण्यासाठी मॉडेल तैनात करतो. फाइन-ट्यून केलेले मॉडेल मानक प्रॉम्टिंगसह बेस मॉडेलपेक्षा 40 टक्के अधिक अनुपालन समस्या पकडते.

🏥

सॉफ्टवेअर कंपन्या त्यांच्या विशिष्ट फ्रेमवर्क कन्व्हेन्शन्स आणि कोडिंग मानकांमध्ये कोड जनरेट करण्यासाठी GPT-4o-mini फाईन-ट्यून करतात. एक प्लॅटफॉर्म कार्यसंघ त्यांच्या शैली मार्गदर्शक, $2 साठी फाइन-ट्यून, आणि त्यांच्या विकसक साधनांमध्ये मॉडेल समाकलित करून कोड परिवर्तनाची 150 उदाहरणे तयार करतो. डेव्हलपर AI-सुचवलेल्या कोडमध्ये 30 टक्के कमी शैली मार्गदर्शक उल्लंघनांची तक्रार करतात, प्रति पुल विनंती सरासरी 15 मिनिटांनी कोड पुनरावलोकन चक्र कमी करतात.

Special Cases

▾

बहु-भाषा समर्थनासाठी फाइन-ट्यूनिंग करताना, प्रशिक्षण डेटामध्ये सर्व लक्ष्य भाषांमधील उदाहरणे समाविष्ट करणे आवश्यक आहे.

केवळ इंग्रजी उदाहरणांवर उत्तम ट्यून केलेले मॉडेल इतर भाषांमध्ये शिकलेले वर्तन विश्वसनीयपणे लागू करणार नाही. 10-भाषेच्या उपयोजनासाठी, तुम्हाला प्रति भाषा अंदाजे 50 ते 100 उदाहरणे आवश्यक आहेत, डेटा तयार करण्याची किंमत 10x ने वाढवते. बहुभाषिक फाइन-ट्यूनिंगसाठी वचनबद्ध होण्यापूर्वी एक सुव्यवस्थित बहुभाषिक प्रणाली प्रॉम्प्ट शून्य प्रशिक्षण खर्चात तुलनात्मक परिणाम मिळवू शकेल का याचा विचार करा.

आरोग्यसेवा, वित्त किंवा कायदेशीर डोमेनमधील सुरक्षितता-गंभीर अनुप्रयोगांसाठी,

हेल्थकेअर, फायनान्स किंवा कायदेशीर डोमेनमधील सुरक्षितता-गंभीर अनुप्रयोगांसाठी, छान-ट्यून केलेल्या मॉडेल्सना तैनातीपूर्वी विस्तृत रेड-टीमिंग आणि प्रमाणीकरण आवश्यक आहे. या प्रमाणीकरण प्रक्रियेची किंमत ($100 ते $300 प्रति तास डोमेन तज्ञ पुनरावलोकनाचे 50 ते 200 तास) 10 ते 50 पटीने फाईन-ट्यूनिंग खर्चापेक्षा जास्त असू शकते. नियमन केलेल्या उद्योगांमधील कोणत्याही फाइन-ट्यूनिंग प्रकल्पाचा अनिवार्य घटक म्हणून या प्रमाणीकरणासाठी बजेट, पर्यायी ॲड-ऑन म्हणून नाही.

प्रॉम्प्ट लांबी कमी करण्यासाठी फाइन-ट्यूनिंग वापरताना (काही-शॉट उदाहरणे काढून टाकणे),

प्रॉम्प्ट लांबी कमी करण्यासाठी फाइन-ट्यूनिंग वापरताना (काही-शॉट उदाहरणे काढून टाकणे), ब्रेक-इव्हन पॉइंट काळजीपूर्वक मोजा. जर फाइन-ट्यूनिंगची एकूण किंमत $500 असेल आणि प्रत्येक विनंतीवरून काही-शॉट उदाहरणांचे 800 टोकन काढून टाकले, तर GPT-4o-mini वर प्रति-विनंती बचत इनपुट टोकनसाठी $0.00012 आहे. तुम्हांला सम खंडित करण्यासाठी 4.17 दशलक्ष विनंत्या किंवा एका वर्षात दरमहा सुमारे 347,000 विनंत्या आवश्यक आहेत. जर तुमचा व्हॉल्यूम या थ्रेशोल्डच्या खाली असेल तर, दीर्घ प्रॉम्प्ट असूनही काही-शॉट दृष्टीकोन अधिक किफायतशीर आहे.

OpenAI फाइन-ट्यूनिंग प्राइसिंग (2025)

▾

मॉडेल	प्रशिक्षण (प्रति 1M टोकन)	अनुमान इनपुट	अनुमान आउटपुट	बेस इनपुट	बेस आउटपुट
GPT-4o-mini	$८.००	$0.30/1M	$1.20/1M	$0.15/1M	$0.60/1M
GPT-4o	$२५.००	$3.75/1M	$15.00/1M	$2.50/1M	$10.00/1M
GPT-3.5-टर्बो	$८.००	$3.00/1M	$6.00/1M	$0.50/1M	$1.50/1M

Frequently Asked Questions

▾

मला किती प्रशिक्षण उदाहरणे आवश्यक आहेत?

OpenAI किमान 10 उदाहरणांची शिफारस करते परंतु अर्थपूर्ण गुणवत्ता सुधारण्यासाठी 50 ते 100 सुचवते. डोमेन-विशिष्ट सामग्री निर्मितीसारख्या जटिल कार्यांसाठी, 200 ते 500 उदाहरणे आवश्यक असू शकतात. 500 उदाहरणांपलीकडे, तुमच्या कार्यात फार उच्च परिवर्तनशीलता नसल्यास परतावा कमी होणे सामान्य आहे. 50 उदाहरणांसह प्रारंभ करा, गुणवत्तेचे मूल्यांकन करा आणि अतिरिक्त डेटासह मेट्रिक्स सुधारल्यासच अधिक जोडा.

प्रॉम्प्ट इंजिनीअरिंगच्या तुलनेत फाइन-ट्यूनिंग किमतीचे आहे का?

फाइन-ट्यूनिंग फायदेशीर ठरते जेव्हा: फाइन-ट्यून केलेले मॉडेल प्रत्येक प्रॉम्प्टमधून महागडी काही-शॉट उदाहरणे काढून टाकते (प्रशिक्षण खर्चापेक्षा दरमहा अधिक बचत करते), कार्याला सातत्य आवश्यक असते जे प्रॉम्प्ट अभियांत्रिकी साध्य करू शकत नाही किंवा गुणवत्ता सुधारणेचा थेट महसूलावर परिणाम होतो. जेव्हा प्रॉम्प्ट अभियांत्रिकी लक्ष्य गुणवत्तेच्या 90 टक्के किंवा त्याहून अधिक साध्य करते, जेव्हा कार्य सोपे वर्गीकरण असते किंवा जेव्हा चालू असलेल्या प्रीमियमचे समर्थन करण्यासाठी अनुमानांची मात्रा खूपच कमी असते तेव्हा ते फायदेशीर नसते.

फाइन-ट्यूनिंगला किती वेळ लागतो?

OpenAI फाइन-ट्यूनिंग सामान्यत: डेटासेट आकारानुसार 30 मिनिटांपासून 3 तासांमध्ये पूर्ण होते. प्रति उदाहरण 500 टोकन असलेला 100-उदाहरण डेटासेट एका तासाच्या आत पूर्ण होतो. प्रत्येकी 1,000 टोकन्ससह 1,000-उदाहरण डेटासेटला 2 ते 3 तास लागू शकतात. प्रशिक्षण पूर्ण झाल्यावर तुम्हाला ईमेल सूचना प्राप्त होते आणि विशिष्ट मॉडेल आयडेंटिफायरसह API द्वारे फाइन-ट्यून केलेले मॉडेल तात्काळ उपलब्ध होते.

मी प्रोप्रायटरी डेटा सुरक्षितपणे फाइन-ट्यून करू शकतो का?

होय, योग्य खबरदारी घेऊन. OpenAI त्यांच्या मॉडेलला प्रशिक्षण देण्यासाठी API डेटा वापरत नाही. प्रशिक्षण प्रक्रियेसाठी फाइन-ट्यूनिंग डेटा तात्पुरता संग्रहित केला जातो आणि नंतर हटविला जाऊ शकतो. कठोर डेटा गव्हर्नन्स आवश्यकता असलेल्या संस्थांसाठी, Azure OpenAI सेवेद्वारे फाइन-ट्यूनिंगचा विचार करा जे अतिरिक्त एंटरप्राइझ सुरक्षा नियंत्रणे, डेटा अलगाव आणि SOC 2 आणि HIPAA सह अनुपालन प्रमाणपत्रे देते.

फाइन-ट्यूनिंगमुळे गुणवत्ता सुधारली नाही तर काय होईल?

अंदाजे 30 ते 40 टक्के फाइन-ट्यूनिंग प्रयत्नांमध्ये अर्थपूर्ण सुधारणा होत नाहीत. सामान्य कारणांमध्ये अपुरा किंवा कमी-गुणवत्तेचा प्रशिक्षण डेटा, बेस मॉडेल क्षमतेसाठी खूप गुंतागुंतीची कामे आणि लहान डेटासेटवर ओव्हरफिटिंग यांचा समावेश होतो. तुमचा पहिला प्रयत्न अयशस्वी झाल्यास, प्रशिक्षण उदाहरणे 2 ते 3 वेळा वाढवून पहा, तज्ञांच्या पुनरावलोकनाद्वारे उदाहरणाची गुणवत्ता सुधारण्याचा प्रयत्न करा, युगांची संख्या समायोजित करा किंवा अधिक सक्षम बेस मॉडेलवर स्विच करा.

फाइन-ट्यून केलेले मॉडेल अनुमान किंमत कशी कार्य करते?

फाइन-ट्यून केलेल्या मॉडेलचे बिल बेस मॉडेल दराच्या अंदाजे 2x दराने केले जाते. फाइन-ट्यून केलेल्या GPT-4o-mini ची किंमत $0.30 प्रति दशलक्ष इनपुट टोकन आणि $1.20 प्रति दशलक्ष आउटपुट टोकन विरुद्ध $0.15 आणि $0.60 बेस मॉडेलसाठी आहे. Fine-tuned GPT-4o ची किंमत $3.75 प्रति दशलक्ष इनपुट आणि $15.00 प्रति दशलक्ष आउटपुट विरुद्ध $2.50 आणि $10.00 बेससाठी आहे. होस्ट केलेल्या फाइन-ट्यून मॉडेल्सना सक्रिय असताना प्रति-तास होस्टिंग शुल्क देखील द्यावे लागते.

Common Mistakes to Avoid

▾

!प्रॉम्प्ट अभियांत्रिकी पर्याय थकवण्यापूर्वी फाइन-ट्यूनिंग:
!डेटा तयार करण्याच्या खर्चाला कमी लेखणे:
!चालू अनुमान खर्च प्रीमियम विसरणे:

💡

Pro Tip

पूर्ण फाइन-ट्यूनिंग प्रकल्पासाठी वचनबद्ध करण्यापूर्वी, फक्त 20 ते 30 उदाहरणांसह एक द्रुत प्रयोग चालवा. या छोट्या डेटासेटसह तुमच्या चाचणी संचामध्ये फाईन-ट्यून केलेले मॉडेल मोजता येण्याजोगे सुधारणा दाखवत असल्यास, ते सूचित करते की फाइन-ट्यूनिंग ही तुमच्या कार्यासाठी व्यवहार्य धोरण आहे. जर 30 उदाहरणांमध्ये कोणतीही सुधारणा होत नसेल, तर अधिक डेटा जोडल्याने मदत होण्याची शक्यता नाही आणि तुम्ही बेस मॉडेलची क्षमता पुरेशी आहे की नाही किंवा टास्क व्याख्येला परिष्कृत करणे आवश्यक आहे का ते तपासले पाहिजे.

⭐

Did you know?

100 उच्च-गुणवत्तेच्या उदाहरणांवर GPT-4o-मिनी फाइन-ट्यून करण्यासाठी गणना खर्च अंदाजे $0.24 आहे, एका वेंडिंग मशीनच्या एका गमबॉलच्या खर्चापेक्षा कमी. वास्तविक खर्च ही 100 उदाहरणे तयार करण्यासाठी मानवी कौशल्याची आवश्यकता असते, ज्याची किंमत सामान्यत: गणनेपेक्षा 500 ते 2,000 पट जास्त असते. हे क्षुल्लक गणना खर्च असूनही मानवी-श्रम-केंद्रित AI तंत्रांपैकी एक फाइन-ट्यूनिंग करते.

Regional Guides

▾

North America▾

यूएस-आधारित संघांना थेट API द्वारे ओपनएआय फाइन-ट्यूनिंगचा सर्वात सोपा प्रवेश आहे. Azure OpenAI सेवा अतिरिक्त एंटरप्राइझ सुरक्षा वैशिष्ट्यांसह यूएस क्षेत्रांमध्ये उत्कृष्ट ट्यूनिंग देखील देते. उत्तर अमेरिकेतील डेटा तयार करण्याचा खर्च डोमेन तज्ञांसाठी सामान्यत: $50 ते $150 प्रति तास चालतो, ज्यामुळे ते उत्कृष्ट-ट्युनिंग प्रकल्पांच्या श्रम-केंद्रित डेटा क्युरेशन टप्प्यासाठी सर्वात महाग क्षेत्र बनते.

Europe▾

प्रशिक्षण डेटासाठी GDPR अनुपालन राखण्यासाठी युरोपियन संस्था अनेकदा EU प्रदेशांमध्ये तैनात केलेल्या Azure OpenAI फाइन-ट्यूनिंगचा वापर करतात. EU AI कायद्याला आरोग्यसेवा आणि वित्त यांसारख्या उच्च-जोखीम श्रेणींमध्ये तैनात केलेल्या उत्कृष्ट-ट्यून मॉडेलसाठी अतिरिक्त दस्तऐवज आणि पारदर्शकतेच्या उपायांची आवश्यकता असू शकते. डेटा तयार करण्याचा खर्च कमी करण्यासाठी काही युरोपियन कंपन्या पूर्व युरोपमध्ये $20 ते $40 प्रति तास डेटा भाष्य सेवांसह भागीदारी करतात.

Asia-Pacific▾

आशिया-पॅसिफिकमध्ये, CJK भाषांसाठी फाइन-ट्यूनिंगसाठी टोकनायझेशन फरकांकडे काळजीपूर्वक लक्ष देणे आवश्यक आहे. चीनी आणि जपानी मजकूर इंग्रजीपेक्षा प्रति वर्ण जास्त टोकन वापरतो, समतुल्य शब्दार्थ सामग्रीसाठी प्रशिक्षण खर्च 50 ते 100 टक्क्यांनी वाढतो. भारत, फिलीपिन्स आणि व्हिएतनाममधील डेटा भाष्य सेवा सामान्य फाईन-ट्यूनिंग डेटा तयार करण्यासाठी प्रति तास $10 ते $25 च्या स्पर्धात्मक दरांची ऑफर देतात, जरी डोमेन-विशिष्ट तज्ञ उच्च दरांचे आदेश देतात.

References

📖Difficulty:Advanced

Accuracy-checked

Reviewed October 2026

Our methodology

साप्ताहिक गणित टिप्स मिळवा

दर आठवड्याला कॅल्क्युलेटर टिपा मिळवणाऱ्या १२,०००+ सदस्यांमध्ये सामील व्हा.

🔒

१००% मोफत

कधीही नोंदणी नाही

✓

अचूक

सत्यापित सूत्रे

⚡

त्वरित

टाइप करताना निकाल

📱

मोबाइल तयार

सर्व डिव्हाइस