- 综合排序
- 最热优先
- 最新优先
沉没成本模型
沉没成本模型 一、原理 沉没成本模型原理基于经济学中的沉没成本概念，它指的是已经发生且无法回收的成本，如过去的投资、决策或行为所消耗的资源（如时间、金钱、精力等）。 在决策过程中，理性的决策者应当排除沉没成本的干扰，仅基于当前和未来的信息进行决策。 二、出处 沉没成本模型的概念主要源于微观经济学和管理会计，是一个在经济学和商业决策中广泛使用的概念。 三、定义 沉没成本是指由于过去的决策已经发生了的，而不能由现在或将来的任何决策改变的成本。换句话说，它是已经投入且无法回收的成本。 缺点：在实践中，人们往往难以完全摆脱沉没成本的干扰，尤其是当沉没成本较大时，人们可能会因为害怕损失而继续坚持原本不合适的决策。 六、使用场景 投资决策：在评估一个项目的投资价值时，应当排除沉没成本的干扰，仅基于项目未来的收益和成本进行决策。
36700编辑于 2025-04-05机会成本模型
原理 机会成本模型原理基于一个核心概念：在面临多方案择一决策时，被舍弃的选项中的最高价值者是本次决策的机会成本。 出处 机会成本模型最初由奥地利经济学家弗里德里希·冯·维塞尔（Friedrich von Wieser）在其《自然价值》一书中提出。后来，这一概念被广泛应用于经济学和其他学科中。 引伸义 机会成本的引伸义在于提醒我们，在做决策时不仅要考虑当前选择的直接成本和收益，还要考虑因选择当前方案而放弃的其他可能方案的成本和收益。 优缺点 优点： 全面评估：机会成本模型考虑了所有可能的选择方案，从而能够更全面地评估决策的优劣。 理性决策：通过比较不同方案的机会成本，可以帮助决策者做出更理性的选择。 使用场景 机会成本模型适用于各种需要做出选择的场景，包括但不限于： 投资决策：在投资选择中，机会成本可以帮助投资者比较不同投资项目的预期收益和风险，从而选择最优的投资方案。
46700编辑于 2025-04-05- 来自专栏算法一只狗
DeepSeek V3把训练大模型的成本给干下来了
用训练一个模型所花费的钱来说，训练一个DeepSeek V3只需要花费557.6万美元，相比之下，一个简单的7B Llama 3模型则需要花费76万美元。 总成本：2788K（278.8 万）GPU 小时，总费用为 557.6 万美元。比起动辄几百亿人民币都训练不出来一个好用的大模型，DeepSeek V3的训练简直颠覆了大家的想象。 这里训练这么省钱当然主要是因为该模型原生就是FP8，还有在模型架构上做了一些优化导致模型训练成本很低。模型效果惊为天人从发布的效果来看，这个开源模型在多个数据集上的效果都能够赶上最前沿的几个大模型。 从价格上来看，DeepSeek V3真的是太便宜的，便宜到我都怀疑这个公司还能不能赚到钱。而如果要平衡性能和成本，它就成了DeepSeek官方绘图中唯一进入“最佳性价比”三角区的模型。 总的来说，DeepSeek V3的发布，只用了较低的成本就可以超越现有的一些大模型，并且能够和GPT-4o和Claude 3.5相媲美，确实是一个杰出的工作。
6.3K20编辑于 2024-12-29 - 来自专栏云成本管理
云成本管理方法论（一）——云成本管理模型
就目前想到的，作者计划按如下大纲来完成这一系列文章： 一、《云成本管理模型》 —— 建立云成本管理基本分析框架 二、《云成本管理之使用管理模型》 —— 具体化使用管理场景下的云成本管理模型 三、《云成本管理之优化管理模型 》 —— 具体化优化管理场景下的云成本管理模型 四、《云成本优化效果测量模型》 —— 分析云成本优化效果不同测量模型及其优缺点 五、《计算资源云成本管理分析》 —— 根据不同云平台下不同类型计算资源的共性及差异 [3]。 基于上面的思路，引入我们的云成本管理模型： 在此管理模型中，云成本管理活动由四个维度决定，它们分别是： 管理对象 管理时点 判定规则 管理措施 这样，可以将云成本管理定义为： 云成本管理是预先定义管理对象 这样才可以使云成本管理活动形成一个持续的正向反馈闭环。 云成本管理流程 在云成本管理模型中，我们定义了三个管理时点：事前、事中和事后。
4.1K120发布于 2018-04-11 - 来自专栏机器之心
仅需Llama3 117的训练成本，Snowflake开源128x3B MoE模型
Arctic 在开源 LLM 中达到了顶级的「企业智能」水平，而且是在大约不到 200 万美元的训练计算成本（少于 3K GPU 周）的情况下做到的。 这意味着 Arctic 比其他使用类似计算成本训练的开源模型能力更强。 更重要的是，即使与那些使用远高于其的计算成本训练的模型相比，Arctic 在企业智能方面也表现出色。 如图 1 所示，Arctic 在企业智能指标上与 LLAMA 3 8B 和 LLAMA 2 70B 不相上下，而使用的训练计算成本不到一半。 并且，尽管仅使用 1/17 倍的计算成本，Arctic 在编码（HumanEval + 和 MBPP+）、SQL（Spider）和指令遵循（IFEval）等指标上可与 Llama3 70B 媲美，即 Arctic 推理效率 推理效率也是模型高效的一个重要方面，影响到模型是否可以在低成本下进行实际部署。
53410编辑于 2024-04-26 精调模型削减文档AI成本90%
为何通用模型可能变得不可靠当某机构于2025年11月推出Gemini 3时，该模型在推理和编码方面创下新纪录，但它移除了像素级图像分割（边界框掩码）。 但这仅在该机构废弃该模型之前有效。某机构已废弃GPT-3、GPT-4-32k及多个GPT-4变体。另一机构已终止Claude 2.0和2.1。 突然有3%的文档需要人工复核。批处理时间延长。月底结账期限延误。稳定的91%在运营上优于不稳定的94%，因为你可以围绕已知的错误率构建可靠的流程。 将5-10%的异常文档（不寻常格式、缺失字段、模糊内容）路由到前沿模型API或人工审核。这既保持了成本效率，又维持了对边缘情况的覆盖。精调一个轻量级的270亿参数模型如今成本低于10美元。 在自有硬件上进行推理，其成本随处理量增加而增加的边际成本仅为电费。一个每日处理10,000份文档的系统，本地部署的年成本约为5千美元，而使用前沿模型推理则为5万美元。最后思考前沿模型将持续改进。
5510编辑于 2026-04-09- 来自专栏张善友的专栏
Semantic Kernel 通过 LocalAI 集成本地模型
本文是基于 LLama 2是由Meta 开源的大语言模型，通过LocalAI 来集成LLama2 来演示Semantic kernel（简称SK） 和 本地大模型的集成示例。 SK 可以支持各种大模型，在官方示例中多是OpenAI 和 Azure OpenAI service 的GPT 3.5+。今天我们就来看一看如何把SK 和 本地部署的开源大模型集成起来。 它允许你在消费级硬件上本地或者在自有服务器上运行 LLM（和其他模型），支持与 ggml 格式兼容的多种模型家族。不需要 GPU。LocalAI 使用 C++ 绑定来优化速度。 可参考官方 Getting Started 进行部署，通过LocalAI我们将本地部署的大模型转换为OpenAI的格式，通过SK 的OpenAI 的Connector 访问，这里需要做的是把openai 我们想使用Azure，OpenAI中使用Microsoft的AI模型，以及我们LocalAI 集成的本地大模型，我们可以将它们包含在我们的内核中。
1.1K10编辑于 2024-01-26 - 来自专栏产品能力
K3cloud成本计算Demo
业务描述 用于制药品种法的成本计算， 逻辑要点：1. 自定义开发人工单耗，计算人工工资的PV差异。 2. 制造费用根据产线、车间、公司 3种比例使用价值法进行分摊费用。 3. 材料按实际对应产品的成本进行计算，联查生产订单进行产品的定位。 [公司编码]) update #KD_XS set [产品产值]=[产品产量][上年度实际成本(瓶/支)] update #KD_XS set [产线产值]=[产线产量][上年度实际成本(瓶/支)] update #KD_XS set [车间产值]=[车间产量][上年度实际成本(瓶/支)] update #KD_XS set [总产值]=[总产量][上年度实际成本(瓶/支)] –计算分摊比例 wld on dden.FMATERIALID=wld.FMATERIALID left join T_BD_MATERIALGROUP fz on substring(wla.fnumber,0,3)
37010编辑于 2023-12-02 - 来自专栏数字孪生
WebGL开发3D软件的成本
开发基于WebGL的3D软件的成本估计取决于多个因素，包括项目的规模、复杂性、所需的功能、开发团队的规模和经验、以及开发周期等。以下是一些可能影响成本的关键因素。1. 项目规模和复杂性小型项目：简单的3D展示或应用，成本通常较低。中型项目：具有中等复杂度的3D应用，成本适中。大型项目：高度复杂的功能和大量的3D内容，成本较高。2. 功能需求基本功能（如简单的3D模型展示）的成本低于高级功能（如物理模拟、多人交互、高级动画等）。3. 开发团队内部团队：如果公司有自己的开发团队，成本将包括工资和福利。 以下是一个粗略的成本估计指南：小型项目（例如，简单的3D模型展示）10万-30万中型项目（例如，具有交互功能的3D应用）30万-100万大型项目（例如，复杂的3D游戏或模拟）100万以上请注意，这些数字仅供参考 许可和版权：使用的3D模型、纹理和其他资源可能需要购买许可。市场营销和推广：将软件推向市场也需要一定的预算。在进行成本估计时，最好与开发团队或潜在的外包合作伙伴详细讨论项目需求，以获得更准确的预算。
23510编辑于 2025-03-13 - 来自专栏AI 大数据
DeepSeek 模型的成本效益深度解析：低成本、高性能的AI新选择
摘要在人工智能领域，成本效益分析是开发者在选择模型时的重要考量因素。本文将从模型训练、部署、维护等全生命周期的角度，对DeepSeek模型的成本效益进行详细分析，并与其他模型进行对比。 DeepSeek模型的成本效益分析模型训练成本DeepSeek模型在训练过程中，通过以下创新实现了成本的显著降低：高效模型架构设计：DeepSeek采用了优化的模型架构，减少了计算资源的消耗。 相比传统模型，DeepSeek的单位token训练成本下降了78%，显著提升了成本效益。 A2：企业可以考虑在本地部署DeepSeek模型，或与DeepSeek团队合作，确保数据传输和存储的安全性。Q3：DeepSeek模型的学习曲线如何？ A3：由于技术支持和社区资源相对有限，开发者可能需要投入更多时间学习和适应DeepSeek模型。总结DeepSeek模型在成本效益方面表现出色，适合资源有限的企业和开发者。
1.3K00编辑于 2025-03-19 - 来自专栏AI分享
GPU实战：低成本运行多模态大模型
随着多模态大模型（如视觉-语言模型、文本-音频生成模型等）的快速发展，企业对高效、低成本的算力需求日益迫切。 无服务器 GPU 服务结合其弹性扩展和按需付费的特性，为开发者提供了部署多模态大模型的理想平台。本文将从实战角度，探讨如何基于 无服务器 GPU 基础设施，低成本运行多模态大模型。 平台还提供自动化的模型蒸馏服务，支持将千亿参数模型压缩至原体积的 1/10 并保持 98% 的精度，显著降低推理成本。 推荐使用NCv3系列虚拟机（建议选择Standard_NC6s_v3型号，搭载NVIDIA Tesla V100 GPU），该配置在计算性能与成本效益间取得平衡，特别适合大模型推理场景。 无服务器 GPU 通过弹性资源、精细化成本控制和多模态工具链，为开发者提供了高效运行大模型的解决方案。
4.5K11编辑于 2025-04-14 - 来自专栏AI SPPECH
大模型进入“推理成本时代“
通过OpenAI GPT-5级模型的推理开销分析，本文将指导读者构建个人成本估算模型，对齐一线云厂商招聘中的"成本意识"需求。 1. Hybrid Cache架构：支持DRAM+SSD的混合缓存架构，在不显著增加延迟的情况下，将模型推理的显存成本降低了50%以上。 3. 技术深度拆解与实现分析 3.1 推理成本的核心构成 推理成本主要由以下几个部分构成： 成本构成 占比 主要影响因素 显存占用 90% 模型规模、上下文长度、Batch Size 计算资源 7% 模型复杂度 、推理速度 通信开销 3% 分布式部署、MoE模型 从表格中可以看出，显存占用是推理成本的主要驱动因素，而KVCache则是显存占用的核心组成部分。 每层占用2字节） kv_cache_per_request_gb = (context_length * 2 * 2) / (1024 ** 3) # 2层（K+V），每Token2字节
86610编辑于 2026-01-19 任务分解与小模型如何降低AI成本
任务分解与小型语言模型如何让AI更经济生成式AI应用的广泛使用增加了对准确、经济高效的大型语言模型需求。 LLM的成本因其规模差异显著，通常以参数数量衡量：切换到更小规模的模型通常可节省70%-90%成本。 成本与复杂度的思维模型决定是否使用任务分解的一个有用思维模型是考虑应用程序的估计总拥有成本。随着用户群的增长，基础设施成本变得主导，而任务分解等优化方法可以降低TCO，尽管存在前期工程和科学成本。 对于较小的应用程序，选择大型模型等更简单的方法可能更合适且更具成本效益。平衡创新与简化任务分解和使用小型LLM创建代理工作流可能以牺牲更强大模型通常展示的新颖性和创造性为代价。 使用多个、更小、精细调整的LLM进行任务分解为提高复杂AI应用的成本效率提供了一种有前景的方法，与使用单一大型前沿模型相比，可能提供显著的基础设施成本节约。
21710编辑于 2025-10-17- 来自专栏云云众生s
Kubernetes+大模型：Cast AI解决成本难题
Cast AI 利用其在 Kubernetes 自动化方面的专业知识，使 DevOps 和 AIOps 团队能够找到性能和成本最佳的 AI 模型。 该供应商在四月推出了其 AI 优化器服务，该服务通过与任何与 OpenAI 兼容的 API 端点集成并识别 LLM（商业和开源）来自动降低部署大型语言模型 (LLM) 的成本，从而为最低的推理成本提供最佳性能 在一篇博文 中，该公司产品营销总监指出，OpenAI 的 LLM 模型的定价页面 有 10 页长，至少有 20 种不同的模型，用于不同的用例和定价模型。 仪表板和Playground AI Enabler包含一个用于监控成本的仪表板，并创建一个报告，比较使用默认LLM与利用其他模型的支出。 他写道：“LLM代理智能地选择最优的LLM模型来处理用户查询，确保组织以最低的成本获得最佳性能。”“这种方法通过选择和执行具有较低推理成本的优化LLM来实现最大限度的节省。”
30710编辑于 2024-11-28 - 来自专栏Oracle数据库技术
Oracle优化器成本的估算（10053 Trace中基于CPU成本模型的内容解析）
优化器成本的估算（基于CPU成本模型） 对于优化器成本的估算是一个复杂的过程，涉及到大量的的理论和内部操作。 Oracle对于成本的预估模型，也可以分为两种： CPU成本模型 ：参考系统统计信息进行成本估算。 I/O成本模型 ：仅通过I/O的次数进行成本估算。 成本模型的选择通过_optimizer_cost_model隐含参数控制。 - CHOOSE:默认值，这时候如果有系统统计信息的话会使用CPU成本模型 ，如果没有系统统计信息的话会使用I/O成本模型 。 - IO ：使用基于I/O成本模型 。 - CPU ：使用基于CPU成本模型 。 对于我们这个例子，是有系统统计信息的，并且使用的是没有负载的系统统计信息（NOWORKLOAD），所以使用的是基于CPU的成本模型计算访问表的成本。
87520编辑于 2022-08-22 多租户模型推理成本追踪方案解析
多租户模型推理成本追踪方案解析技术背景通过AI应用服务多租户的组织面临共同挑战：如何跨客户细分跟踪、分析和优化模型使用。 某机构的基础模型(FMs)通过Converse API提供强大能力，但真正的商业价值在于将模型交互与特定租户、用户和使用场景关联。 管道处理调用日志自动分类失败日志到专用存储桶使用爬虫程序更新数据目录分析层：基于Amazon QuickSight构建可视化仪表盘支持按租户/部门/时间等多维度分析实现token用量、延迟等关键指标监控权限控制：通过IAM实现细粒度数据访问管理确保租户数据隔离关键功能成本分配 ：精确追踪每个租户的模型使用成本性能优化：识别不同租户的使用模式差异异常检测：监控异常使用行为和突发流量实施建议从核心租户标识开始实施元数据跟踪逐步扩展分析维度（部门/项目/地域）建立自动化预算告警机制定期优化数据转换逻辑架构优势无需修改核心应用逻辑即可实现细粒度追踪支持从数十到数百万租户的弹性扩展提供实时和历史数据分析能力该方案已在实际业务场景中验证 ，可帮助组织降低15-30%的AI运营成本，同时提升资源分配效率。
21510编辑于 2025-08-10- 来自专栏周拱壹卒
PS3 HDMI 芯片损坏低成本修复
很久没开机的 PS3，开机时发现没有图像，绿灯常亮。 换 HDMI 线、口、电视，分别出现无图像、雪花、只能输出 480p 分辨率情况。 480p 分辨率下虽然能凑合玩，但游戏中文字等内容辨识困难。 在看了 hdmi端口坏了的替代品 帖子中内容后，觉得可以一试，某宝等平台上搜 ps2色差转hdmi 感觉是跟帖子里一样的转换器，但问卖家，都说 PS3 不能用，且商品参数中写明的支持分辨率为 480i、 实际玩了几个游戏，感觉画面偏暗，都需要将亮度调到最亮，才能勉强看清画面的一些细节，不过跟 480p 比起来还是要强太多了：） gow3-1 gow3-2 另外，转换器上面还带了一个耳机孔，可以电视和耳机同时输出音频 PS3 手柄长时间不用可能会出现充不进去电的情况，可以用牙签长按手柄背面的复位孔，就能重新激活手柄电池正常使用了。 但我的两个手柄重新激活之后，也只能在连接 PS3 主机时才能充电，插在主机以外的 USB 接口时依然不能充电，这很不科学……
1.2K10编辑于 2024-04-09 - 来自专栏自然语言处理(NLP)论文速递
上交| 提出一致性大模型：CLLMs，提升3倍生成速度，降低内存成本！
实验结果表明，使用该研究团队所提出的方法获得的CLLMs非常有效，在生成速度上显示出该方法获得了2.4倍至3.4倍的改进，与其他快速推断技术如Medusa2和Eagle相媲美甚至更好，且在推断时不需要额外的内存成本来容纳辅助模型组件 图3：Jacobi解码示意图：将n -token序列馈送到LLM中，并进行迭代直至收敛。 因此，多数Jacobi迭代只能为n -token的序列获得一个校正，导致如图3左侧所示的较长轨迹。 结果显示：「CLLM比预训练模型快得多，并且与Medusa相比实现了可比较的加速，但在推断时没有额外的成本。」 然而，CLLM具有更高的适应性和内存效率，因为它不需要对目标模型的原始架构进行修改，也不需要辅助组件。 训练成本： CLLMs的微调成本是适度的。
94910编辑于 2024-05-11 - 来自专栏腾讯数据中心
Google对数据中心成本模型的分析——下
（接上文《Google对数据中心成本模型的分析——上》） 三、案例分析 虽然变量繁多，但通过观察不同行业的小部分数据中心案例，仍有助于我们理解这些成本因素的影响大小。 图2 案例B的每年TCO分布图 需要注意到，即便电价和服务器的功耗更高，案例B数据中心的3年总TCO还是要低于案例A的3年总TCO（案例B的总成本$6774对比案例A的总成本$11683），因为服务器的价格很低 四、实际数据中心成本分析 实际上，现实世界里的数据中心成本会都比前面模型中的成本更高，因为前面模型中的数据中心负荷都跑到了100%设计功率，服务器的CPU利用率也非常高，但实际情况是现实生活中这些条件很难同时发生 五、部分负载数据中心的成本模型 对于部分负载数据中心的TCO 建模，我们通过空置率来调整数据中心成本模型中各子项 的占比。 图3 案例C的每年TCO分布图 服务器CPU利用率非满载运行也正面会影响数据中心运营成本，因为服务器的实际运行功耗减少了。
5.8K82发布于 2018-03-16 - 来自专栏为了不折腾而去折腾的那些事
中文版大模型 Token 成本计算器
分享一个轻量的小工具，10MB 左右，能够帮助你直观的了解大模型 Token 的计算方法。希望能够帮助到想了解或者正在规划模型 API 使用成本的你。 使用 Docker 运行程序我们也可以通过 Docker 来运行这个程序，相比较直接下载程序，镜像只比原始之心程序最多大 3MB，镜像整体在 10MB 尺寸。 也只需执行下面的命令就好啦：docker stop token-calcDocker Compose相比使用命令，如果你更喜欢使用配置，可以使用下面的 docker-compose.yml 配置文件：version: "3" 关于模型 Token 的计算方式关于 Token，虽然不同的模型有不同的计算（计费）方式，但常见的终归是这么四种：gpt2、p50k_base、p50k_edit、r50k_base、cl100k_base ，Token 的计算方式了，某种程度上来看，也是我们的模型 API 使用成本的计算方式。
2.3K00编辑于 2023-12-28
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号