Estimador de tokens de datasets de fine-tuning
El fine-tuning (ajuste fino) suele facturarse por los tokens que procesa el entrenamiento: los tokens de tu dataset por el número de épocas. Introduce el número de ejemplos, los tokens medios de los mensajes de sistema, entrada y salida y las épocas, y si quieres un precio por millón de tokens de entrenamiento, para estimar los tokens y el coste. También puedes pegar una pequeña muestra JSONL, que se resume localmente en tu navegador, para rellenar los promedios.
Resultado
Estimación
Introduce el número de ejemplos y los tokens medios para estimar los tokens de entrenamiento.
- Tokens por ejemplo
- Tokens del dataset (una pasada)
- Tokens de entrenamiento (× épocas)
- Coste por época
- Coste total estimado
Aritmética exacta sobre tus promedios. Los promedios tomados de una muestra son estimaciones y un proveedor cuenta con su propio tokenizador, así que su cifra facturada puede diferir.
Ejemplos
Ejemplos resueltos (3 o 2 épocas, con un precio de ejemplo de 5 USD por millón de tokens de entrenamiento):
| Conjunto de datos | Ejemplos | Tokens por ejemplo | Épocas | Tokens de entrenamiento | Coste al precio de ejemplo |
|---|---|---|---|---|---|
| Respuestas de soporte | 500 | 350 | 3 | 525.000 | 2,63 USD |
| Clasificación corta | 10.000 | 85 | 3 | 2.550.000 | 12,75 USD |
| Redacción de texto largo | 2.000 | 1.700 | 2 | 6.800.000 | 34,00 USD |
Referencia de precios de fine-tuning
Estos son los precios de entrenamiento que hay detrás de los valores predefinidos de este estimador. Proceden de los mismos datos que usa el estimador, y cada fila indica el día en que se comparó por última vez su valor con la página de precios del propio proveedor.
Los precios están en USD por 1.000.000 (un millón) de tokens de entrenamiento. Solo se incluyen los modelos que OpenAI cobra por token de entrenamiento: algunos modelos de razonamiento cobran el entrenamiento por hora, algo que una estimación de tokens no puede valorar.
| Modelo | Precio de entrenamiento | Verificado |
|---|---|---|
| gpt-4.1-2025-04-14 | 25,00 USD | |
| gpt-4.1-mini-2025-04-14 | 5,00 USD | |
| gpt-4o-mini-2024-07-18 | 3,00 USD |
Fuente oficial: Página de precios de la API de OpenAI
Cómo leer estos precios
- OpenAI indica en su página de precios que está retirando progresivamente su plataforma de fine-tuning, que ya no está abierta a usuarios nuevos. Su página de obsolescencias señala que los clientes activos actuales no podrán crear nuevos trabajos de fine-tuning a partir del 6 de enero de 2027. Estos precios solo importan a las organizaciones que aún pueden entrenar.
- Los precios cambian a menudo. La página de precios del propio proveedor es siempre la referencia: confirma allí un precio antes de fiarte de él.
- El entrenamiento es solo una parte del coste de un fine-tuning: el uso del modelo ajustado se cobra aparte, con sus propias tarifas, que no se muestran aquí.
- Estas cifras sirven para planificar. Un precio que introduzcas tú en el estimador siempre tiene prioridad sobre un valor predefinido.
- ToolQuarter es independiente. No está afiliado a OpenAI ni cuenta con su respaldo o patrocinio; su nombre solo sirve para indicar de quién son los precios que se muestran.
Fuente oficial: página de obsolescencias de OpenAI ()
Fórmula y metodología
La aritmética es exacta para los números que introduces:
tokens por ejemplo = sistema + entrada + salida + sobrecarga de formatotokens del dataset = ejemplos × tokens por ejemplotokens de entrenamiento = tokens del dataset × épocascoste = tokens de entrenamiento × precio por millón ÷ 1.000.000Conviene saber
- Los proveedores suelen facturar el entrenamiento por los tokens procesados: los tokens de tu dataset por las épocas. Consulta la documentación de tu proveedor, porque algunos modelos facturan el entrenamiento por tiempo y algunos programas cambian la tarifa.
- La pérdida se calcula sobre la salida del asistente, pero la facturación suele contar todos los tokens del archivo, incluidos los mensajes de sistema y de entrada.
- Los proveedores tokenizan con su propio tokenizador y añaden formato a los mensajes, así que su recuento puede diferir de una estimación. Usa las cifras de uso de un trabajo real para el dato final.
- Las épocas puedes fijarlas tú o elegirse automáticamente, y los datasets pequeños suelen recibir más pasadas. Un archivo de validación añade sus propios tokens.
- Esto estima solo el coste de entrenamiento. Ejecutar después el modelo ajustado tiene sus propios precios de inferencia.
Cómo usar
- Introduce el número de ejemplos y los tokens medios de sistema, entrada y salida, o pega una muestra JSONL y usa sus promedios.
- Fija las épocas y, si quieres, una sobrecarga de formato.
- Si quieres, introduce el precio por millón de tokens de entrenamiento o rellénalo con un preajuste.
- Lee los tokens por ejemplo, los tokens del dataset y de entrenamiento y el coste estimado.
Preguntas frecuentes
¿Cómo estimo los tokens de un dataset de fine-tuning?
Multiplica el número de ejemplos por los tokens medios por ejemplo (sistema, entrada y salida juntos). Eso es una pasada por el dataset. Multiplica por las épocas para obtener los tokens de entrenamiento.
¿Cómo suele fijarse el precio del fine-tuning?
La mayoría de los proveedores cobran un precio por millón de tokens de entrenamiento, aplicado a los tokens de tu archivo por el número de épocas. Algunos modelos se facturan por tiempo de entrenamiento. Confírmalo siempre en la página de precios del proveedor.
¿Por qué importa tanto el número de épocas?
Cada época reprocesa todo el dataset, así que los tokens y el coste crecen de forma lineal: tres épocas cuestan el triple que una.
¿Se envía a algún sitio el dataset que pego?
No. La muestra se analiza y tokeniza en tu navegador, y nada de lo que pegas se sube, se guarda ni se envía a analítica. Las líneas mal formadas se omiten y se cuentan en lugar de romper la página.
¿Qué precisión tiene la estimación del coste?
La aritmética es exacta, pero solo es tan buena como tus promedios y tu precio. Los promedios basados en una muestra son estimaciones y un proveedor cuenta con su propio tokenizador. Usa la estimación para planificar y el informe de uso del propio trabajo para la cifra real.
Última actualización: