- 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 云成本管理模型 对于云成本的管理，我们的基本思路是，要管理或控制某一因素，必须先制定出相应的规则来判定此因素是否符合期望，如果不符合期望，就需要对此因素实施既定的处理措施。 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
XLNet训练成本6万美元，顶5个BERT，大模型「身价」惊人
机器之心从原论文出发统计了大模型的训练成本，下面让我们仔细算一算这笔账。 1. 语言模型 BERT：1.2 万美元 GPT-2：4.3 万美元 XLNet：6.1 万美元 2. 机器之心制图 这几种都是比较有代表性的大模型，如果读者也算过大模型训练成本，欢迎留言对比呀。 计算力到底有多贵？ 不过这样计算也有一丢丢不公平，因为 TPU v3 慢了 47 分钟，时间也是一种成本。 大模型到底有多贵？ 自然语言到视觉，大模型的训练费用越来越高，但具体高到什么程度很少有量化对比。 这样算起来，128×8×24×2.5=61440 美元，没想到 XLNet 训练一次的费用比 GPT-2 还高，达到了 BERT 的 5 倍。 我们拿视觉领域比较有代表性的大模型 BigGAN 和 StyleGAN 来算一笔账。 BigGAN 视觉模型中，常见高成本任务就是训练高分辨率的 GAN 了。
1.6K30发布于 2019-07-12 - 来自专栏云计算D1net
关于混合云成本的5个误解
如果企业没有明智的成本计划，当月度账单到来时，则可能会面临高昂的费用。因此需要考虑专家提出的有关如何管理混合云成本的建议。 混合云战略具有很大的吸引力，但“免费”并不是其中的一部分。 更确切地说，从财务角度来看，这种吸引力通常与按使用付费模式有关，这一模式使企业能够将IT支出从资本支出模式(无论未来使用情况如何，都可以预先购买硬件、软件和其他服务)转移到运营支出模式，在这个模型中，企业为其实际消耗的资源支付费用 正如Haff在上面提到的，数据传输成本是潜在被忽视的成本的一个主要例子，通过适当的规划和设计可以降低成本，但不能忽视数据出口成本，将数据移出特定云计算环境相关的费用是一个需要注意的重要问题。 同样，衡量云计算的投资回报率不仅仅是资本支出与运营成本的严格定量问题，尤其是如果企业忽略了次级成本(例如自己运营的数据中心中的日常维护或升级)时尤其如此。 (5)只为使用的资源付费 云计算通常基于这一原则，而且从根本上说是正确的。另一方面，如果只是为了防止可能需要一些额外的容量，在数据中心方面进行大规模的投资通常是不可行或不明智的。
73920发布于 2020-09-17 - 来自专栏量子位
0代码微调大模型火了，只需5步，成本低至150块
明敏 发自 凹非寺 量子位 | 公众号 QbitAI 0代码微调一个大模型，成本不到20美元（人民币约144元）？ 过程也非常简单，只需5步。 如LLaMA、GPT、StableLM等爆火的开源生成式模型，都能搞定。 这就是Monster API，一个最新火起来的API平台。 具体过程如下： 第一步，选择一个模型进行微调。 比如LLaMA-7B、GPT-J-6B、StableLM-7B等，Monster API提供了至少10个基础大模型。 第二步，选择或创建微调任务。 除了微调以外，Monster API还提供各种生成式AI的API接口，并表示成本比其他方案低80%。 兄弟俩表示在经过多轮技术迭代后，他们优化了消费级GPU在机器学习任务上的性能，使得运行Whisper AI模型的成本相较于AWS平台降低了90%，所以他们就想着为什么不利用这个方法来帮助数以万计的开发者们
31820编辑于 2023-08-05 精调模型削减文档AI成本90%
停止为你不会用到的人工智能付费：精调模型的价值每日通过GPT或Claude处理10,000份文档，年成本为5万美元。精调模型：5千美元。相同准确率。更低延迟。数据永不离开你的控制。 继续使用前沿模型当： 工作流是低容量、高风险的推理，模型能力比成本更重要。按每小时400美元计费的法律合同分析，其彻底性证明了API支出的合理性。单次查询运行数分钟可接受的战略研究。 混合架构： 将90-95%符合标准模式的文档路由到你基础设施上部署的精调模型。这些模型以低成本和高速处理已知模式。 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 - 来自专栏云计算D1net
避免云混淆：成本控制的5个误区
现在是时候制定出必要的做法，以确保云计算技术的成功部署：节约成本，可扩展性和灵活性。由于企业用户可以推出新的服务和应用程序时绕过它，控制成本已成为一个重要的挑战。 误区1：基于消费的模式成本会进行自我调节 许多传统的IT企业将成本分配回他们的用户一些类型的服务成本核算的方法，他们所分配的直接和间接成本会以公平合理的方式将成本分摊给他们的消费者。 许多猜测工作都涉及到这种方法，特别是对间接成本，不能很容易地追溯到消费者的服务。有关此类模型的一个抱怨是，它鼓励不负责任的行为，由消费者的IT服务变成一个“随便吃”的自助餐。 IT融资通常更感兴趣的是成本，而IT操作更感兴趣的是性能。归根结底，这是相同的数据（使用情况和成本信息来自己云计算提供商）。唯一不同的就是如何使用这些信息。 误区5：所有的云成本和优化工具良好处理多云环境 虽然大多数厂商声称他们可以使用相同的工具很好地管理不同的云计算，但事实是，大多数不能。为什么？因为它实际上是一个很难解决的问题。
87290发布于 2018-03-26 - 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。 这些措施使得DeepSeek的推理成本仅为行业平均水平的1/5，极大地降低了部署成本。模型维护成本在维护方面，DeepSeek通过自动化运维系统，减少了人工干预，提高了运维效率。 与其他模型的对比与其他主流模型相比，DeepSeek在成本效益方面具有明显优势。例如，OpenAI的模型训练成本高达数百万美元，而DeepSeek通过优化，仅需不到600万美元即可完成训练。
1.3K00编辑于 2025-03-19 - 来自专栏云计算D1net
云存储成本分析的5大技巧
仔细分析这些费用将有助于回答一个与许多企业有关的问题：“云存储的成本是多少?。” 通过云迁移清单，人们可以估计从传统的内部部署数据中心的存储库迁移到云端的成本。 通常，它包括组织普遍预期的透明成本和隐藏的成本，直到合同签订才会变得明显。 ? 为了便于说明，采用亚马逊云存储定价作为一个例子，因为这个公共云提供商并不隐瞒其价格。 (1)带宽成本 从存储库中传输数据也需要支付费用，当对带宽收费时，许多提供商采用滑动比例定价。对于AWS，用户需要从内部存储库传送数据的成本为每GB 0.01美元，而在某些情况下，它是免费的。 尽管事实上，这些数字似乎是合理的，如果一个用户需要每月发送大量的数据，那么就会成本上涨。 (5)专业厂商协助 在大多数情况下，云存储成本分析需要专门领域的专业知识，否则组织可能会忽视一些虽小却重要的情况。 根据实际情况，组织可能会增加一大笔费用，并提高了数据迁移的总成本。
1.6K80发布于 2018-03-28 - 来自专栏BestSDK
云存储成本分析的5大技巧
仔细分析这些费用将有助于回答一个与许多企业有关的问题：“云存储的成本是多少？。” 通过云迁移清单，人们可以估计从传统的内部部署数据中心的存储库迁移到云端的成本。 通常，它包括组织普遍预期的透明成本和隐藏的成本，直到合同签订才会变得明显。 为了便于说明，采用亚马逊云存储定价作为一个例子，因为这个公共云提供商并不隐瞒其价格。 对于AWS，用户需要从内部存储库传送数据的成本为每GB 0.01美元，而在某些情况下，它是免费的。 尽管事实上，这些数字似乎是合理的，如果一个用户需要每月发送大量的数据，那么就会成本上涨。 （5）专业厂商协助 在大多数情况下，云存储成本分析需要专门领域的专业知识，否则组织可能会忽视一些虽小却重要的情况。 根据实际情况，组织可能会增加一大笔费用，并提高了数据迁移的总成本。 这就是为什么最好转向可靠的服务提供商的原因，因为专业厂商将对预期成本提供彻底和正确的计算。
2K70发布于 2018-03-02 - 来自专栏新智元
新一代芯片TPU v5e炸场，大模型训练飙升5倍，成本砍半
谷歌也不甘示弱，在昨晚披露了公司新一代的AI芯片：Cloud TPU v5e。 Cloud TPU v5e专为提供大中型训练与推理所需的成本效益和性能而设计。 与Cloud TPU v4相比，TPU v5e可为大语言模型和生成式AI模型提供每美元花费中高达2倍的训练性能和2.5倍的推理性能。 Cloud TPU v5e的成本不到TPU v4的一半，但可以让更多企业训练和部署更大、更复杂的AI模型。 用户可以根据自身的需求选择合适的配置，Cloud TPU v5e可以为各种大语言模型和生成式AI模型提供服务。 根据速度基准测试，在Cloud TPU v5e上训练和运行人工智能模型的速度提高了5倍。
1.1K20编辑于 2023-09-09 - 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。 、服务评分（1-5星）、改进建议的三维分析报告，大幅提升服务质量评估效率。 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. 这一转变的核心原因在于： 大模型规模爆炸：GPT-5、Qwen-2 720B等超大规模模型的出现，使得单次推理的计算资源需求呈指数级增长。 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 5. 技术报告 NVIDIA Hopper 架构白皮书 附录（Appendix）： 推理成本估算示例 # 示例：GPT-5级模型（10T参数，模型大小约20GB）的推理成本估算 model_size_gb =
86710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 - 来自专栏新智元
大模型混入0.001%假数据就「中毒」，成本仅5美元！NYU新研究登Nature子刊
为外科、神经外科和药物三个医学子领域创建了5万篇假文章，并将其嵌入HTML中，以隐藏恶意文本。 如果换成更大规模的4B参数的领域模型，如果用虚假信息替换100亿训练token中的100万个（虚假信息比例为0.001%），即通过注入仅花费5美元生成的2000篇恶意文章，就会导致有害内容增加4.8%。 如果模型再大一些，进行数据污染攻击的成本也会更大，但投入产出比依旧十分可观。 针对在2万亿token上训练的7B参数LLaMA 2进行类似的数据攻击需要4万篇文章，成本低于100美元。 如果按比例扩大以匹配使用高达15万亿token训练的当前最大的LLM，中毒数据的总成本也能保持在1000美元以下。 花费5美元产生的2000篇虚假论文，就足以让模型输出的虚假信息显著增多。 想象一下，未来的专有大模型提供商之间商战，或许就是朴实无华的数据污染，让对手的下一版大模型「中毒」。
33110编辑于 2025-02-15 GLM-5已发布，大模型商业路殊途同归，请做好AI成本上涨的准备！
同时，它引入了DeepSeek同款的Sparse Attention (DSA)，也就是一种上下文稀疏注意力机制，从而解决了超大规模模型在长上下文时的推理成本问题。 而GLM-5打破了这一惯例，它首次在中国走了类似Anthropic、xAI的路线，即不计成本的训练顶级智能，包括但不限于： 1）不计算力成本，采用了名为“slime”的新型强化学习框架，提升了训练吞吐量 2）不计规模成本，首次跳出中国模型训练的渐进式惯例，直接通过堆参数来提升新一代模型的能力。 3）不计价格影响，通过提价来挑选用户，让只有付得起钱的人群才能使用得起最好的模型。 而glm-5首次展现了中国模型的暴力规模化参数，以往国产模型大多在百亿或千亿（300B 左右）参数徘徊，以追求推理成本的极致压缩，而GLM-5 选择了 744B 总参数、40B 激活参数的庞大架构。 而这种路线的变化，很有可能会在国内其他厂商看到甜头后开始跟进，成为中国模型厂商在商业化上追赶海外厂商的一个契机。不过，对于用户而言，则要做好模型涨价成本上升的准备。
87211编辑于 2026-03-03
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