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.

Procesado localmente en tu navegador. Tus datos no se suben a nuestros servidores.

Ejemplos de entrenamiento (líneas de tu archivo JSONL).

Promedio de tokens del mensaje de sistema. 0 si no tienes.

Promedio de tokens del mensaje del usuario o del prompt.

Promedio de tokens de la respuesta del asistente o de la finalización.

Opcional: marcadores de rol y separadores que el proveedor añade alrededor de los mensajes. Es un supuesto; 0 lo ignora.

Estimar promedios a partir de una muestra JSONL (opcional)

Pega unas líneas de tu archivo de entrenamiento. Se leen en tu navegador y nunca se suben.

Se admiten el formato de chat ({"messages":[…]}) y las líneas prompt/completion. Los recuentos de tokens son estimaciones.

Cuántas pasadas se dan al dataset. Los proveedores pueden elegirlo automáticamente.

Un preajuste solo rellena el precio. Puedes editarlo.

Déjalo vacío para ver solo los tokens. Los precios varían según el modelo y el proveedor.

Los precios predefinidos son los precios estándar de entrenamiento por millón de tokens, leídos de la página de precios de OpenAI y verificados por última vez el 2026-10-19. Los proveedores cambian los precios a menudo y algunos modelos facturan el entrenamiento por tiempo en lugar de por tokens: confírmalo en la página del proveedor. La página de obsolescencias de OpenAI indica que el fine-tuning autoservicio está cerrado a las organizaciones que no lo habían usado antes, que los trabajos nuevos terminan para los clientes existentes el 6 de enero de 2027 y que estos modelos base dejan de estar disponibles el 14 de enero de 2027: confirma que aún puedes entrenar antes de fiarte de un preajuste.

Fuentes de los precios:

Resultado

Estimación

Introduce el número de ejemplos y los tokens medios para estimar los tokens de entrenamiento.

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 datosEjemplosTokens por ejemploÉpocasTokens de entrenamientoCoste al precio de ejemplo
Respuestas de soporte5003503525.0002,63 USD
Clasificación corta10.0008532.550.00012,75 USD
Redacción de texto largo2.0001.70026.800.00034,00 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.

OpenAI: precio de entrenamiento de fine-tuning (USD por 1 M de tokens de entrenamiento)
ModeloPrecio de entrenamientoVerificado
gpt-4.1-2025-04-1425,00 USD
gpt-4.1-mini-2025-04-145,00 USD
gpt-4o-mini-2024-07-183,00 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 ÷ 1.000.000

Conviene 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

  1. Introduce el número de ejemplos y los tokens medios de sistema, entrada y salida, o pega una muestra JSONL y usa sus promedios.
  2. Fija las épocas y, si quieres, una sobrecarga de formato.
  3. Si quieres, introduce el precio por millón de tokens de entrenamiento o rellénalo con un preajuste.
  4. 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: