최종 업데이트: 2026-06-22

파인튜닝 비용

관리형 파인튜닝 API는 수행 작업량, 곧 모델이 읽는 학습 토큰 수로 요금을 매깁니다. 그 수는 데이터셋 크기에 통과 횟수를 곱한 값이므로, 파인튜닝 작업의 비용은 작업이 시작되기 전에 미리 읽어낼 수 있습니다. 이 계산기는 데이터셋 크기(백만 토큰 단위), 에폭 수, 제공업체의 백만 학습 토큰당 가격으로부터 그 비용을 추정합니다.

파인튜닝의 청구 방식

관리형 파인튜닝 서비스는 기반 하드웨어를 드러내는 대신 학습 중 처리한 토큰에 요금을 매깁니다. 1 에폭은 데이터셋의 모든 토큰을 한 번 읽고, 여러 에폭을 돌리면 데이터셋 전체를 그만큼 여러 번 읽습니다. 따라서 청구되는 전체 토큰은 데이터셋 크기에 에폭 수를 곱한 값이고, 청구액은 그 총량에 제공업체가 제시하는 토큰당 요금을 곱한 값입니다. 덕분에 GPU 종류, 배치 크기, 작업 소요 시간을 몰라도 데이터셋만으로 비용을 예측할 수 있습니다.

계산식

데이터셋이 $D$백만 토큰, 에폭이 $e$회, 백만 토큰당 가격이 $p$일 때 처리한 전체 토큰 $M$과 전체 비용 $C$는 다음과 같습니다.

데이터셋 크기와 가격은 대부분의 제공업체가 그 단위로 제시하므로 둘 다 백만 토큰 단위로 표현합니다. 비용은 모든 입력에 선형이어서 데이터셋을 두 배로, 에폭을 두 배로, 요금을 두 배로 늘리면 각각 청구액이 두 배가 됩니다.

계산 예시

천만 토큰 데이터셋을 백만 토큰당 8.00에 3 에폭 동안 학습하는 경우를 살펴봅니다.

이 작업은 3천만 토큰을 처리하며 240의 비용이 듭니다. 2 에폭으로 줄이면 2천만 토큰을 처리해 160이 들고, 3 에폭을 유지하되 요금이 4.00인 모델을 쓰면 청구액이 120으로 절반이 됩니다. 가격 등급이 달라도 토큰 수는 같으므로, 기반 모델과 학습 방식의 선택은 전적으로 백만 토큰당 요금에 나타납니다.

한계

이 추정값은 선택한 에폭에 걸쳐 데이터셋의 학습 토큰만 셉니다. 제공업체가 별도로 청구하는 경우의 검증 토큰, 데이터를 준비하고 정제하는 비용, 결과 모델을 호스팅하는 요금은 제외합니다. 모든 가중치를 갱신하는 전체 파인튜닝은 저랭크 적응 같은 어댑터 방식보다 보통 비싸게 책정되므로, 입력하는 요금은 실제로 선택한 방식에 맞춰야 합니다. 관리형 API가 아니라 임대 하드웨어에서 돌리는 작업은 청구액이 토큰이 아니라 GPU 시간을 따릅니다. 결과 모델을 사용할 때의 토큰당 경제성은 토큰 비용 계산기가 다루고, 자체 관리 학습의 임대 쪽은 GPU 클라우드 비용 계산기가 다룹니다.