All Products
Search

This Product

    Realtime Compute for Apache Flink:Penagihan layanan AI (pay-as-you-go)

    Document Center

    Realtime Compute for Apache Flink:Penagihan layanan AI (pay-as-you-go)

    Last Updated:Sep 19, 2026

    Pemanggilan inferensi ke model bawaan dikenai biaya pemanggilan model yang ditagih berdasarkan penggunaan—seperti token, durasi audio dan video, serta jumlah gambar—terpisah dari biaya sumber daya komputasi CU ruang kerja.

    Ikhtisar Penagihan

    • Sumber Daya Komputasi (CU): Sumber daya komputasi yang diperlukan untuk eksekusi pekerjaan, ditagih dengan cara yang sama seperti penagihan CU yang sudah ada.

    • Biaya Pemanggilan Layanan AI: Biaya yang timbul akibat pemanggilan model bawaan, ditagih secara terpisah berdasarkan penggunaan seperti token, durasi audio dan video, serta jumlah gambar.

    Untuk penagihan produk cloud terkait, lihat Item yang Dapat Ditagihkan.

    Aturan Penagihan

    • Unit Penagihan:

      • Ditagih per token: mencakup model generasi teks, sintesis suara, penyematan, dan rerank. Harga dalam CNY per 1.000 token di situs Tiongkok daratan dan USD per 1.000 token di situs internasional. Token input dan token output ditagih secara terpisah.

      • Ditagih per durasi: mencakup model generasi video dan pengenalan suara. Harga dalam CNY per detik di situs Tiongkok daratan dan USD per detik di situs internasional.

      • Ditagih per jumlah gambar: mencakup model generasi gambar. Harga dalam CNY per gambar di situs Tiongkok daratan dan USD per gambar di situs internasional.

    • Siklus Penagihan: Diselesaikan sekali per menit (berdasarkan waktu UTC+8), menghasilkan tagihan dan memotong biaya, dengan latensi penagihan sekitar 1 hingga 10 menit.

    • Dimensi Penagihan: Ditagih berdasarkan kombinasi Wilayah × Model × Rentang Input atau Spesifikasi Output × Jenis Penggunaan. Biaya per menit = Σ(penggunaan aktual per jenis × harga satuan).

    • Tier Gratis: 1 juta token pertama per akun utama per wilayah per bulan kalender (berdasarkan waktu UTC+8) gratis (input dan output digabung). Penggunaan yang melebihi akan ditagih sesuai harga yang tercantum. Untuk model yang tidak ditagih per token, penggunaannya dikonversi menjadi token berdasarkan aturan berikut dan dihitung terhadap tier gratis:

      • Model generasi gambar (seperti qwen-image-3.0-pro dan qwen-image-3.0): setiap gambar menghabiskan 10.000 token dari tier gratis.

      • Model generasi video (seperti happyhorse-1.1-t2v, happyhorse-1.1-i2v, dan happyhorse-1.1-r2v): setiap detik menghabiskan 30.000 token dari tier gratis.

      • Model pengenalan suara (seperti qwen-audio-3.0-asr-flash-filetrans, qwen-audio-3.0-asr-flash, dan fun-asr): setiap detik menghabiskan 10 token.

    Ditagih per token

    Untuk model yang ditagih per token, biaya setiap permintaan diukur berdasarkan jenis berikut:

    • Token Input Standar: Ditagih dengan harga satuan input dasar.

    • Token Output Standar: Ditagih dengan harga satuan output dasar.

    • Token Input Hit Cache Implisit: Kecuali ditentukan lain, ditagih sebesar 20% dari harga input dasar.

    • Token Input Pembuatan Cache Eksplisit: Kecuali ditentukan lain, ditagih sebesar 125% dari harga input dasar.

    • Token Input Hit Cache Eksplisit: Kecuali ditentukan lain, ditagih sebesar 10% dari harga input dasar.

    Biaya permintaan per menit = Σ(token usage per jenis × harga satuan). Harga satuan token jenis cache = harga satuan input dasar × koefisien penagihan.

    Ditagih per durasi

    Untuk model yang ditagih per durasi, biaya setiap permintaan diukur berdasarkan jenis berikut:

    • Durasi input: ditagih dengan harga satuan input.

    • Durasi output: ditagih dengan harga satuan output.

    Biaya permintaan per menit = Σ(durasi yang ditagih per jenis × harga satuan). Durasi yang ditagih bervariasi tergantung model: beberapa model hanya ditagih berdasarkan durasi input, beberapa hanya berdasarkan durasi output, dan beberapa berdasarkan keduanya. Untuk detailnya, lihat tabel harga.

    Ditagih per jumlah gambar

    Untuk model yang ditagih per jumlah gambar, biaya setiap permintaan diukur berdasarkan jenis berikut:

    • Jumlah gambar input: ditagih dengan harga satuan input.

    • Jumlah gambar output: ditagih dengan harga satuan output.

    Biaya permintaan per menit = Σ(jumlah gambar per jenis × harga satuan). Jumlah gambar yang ditagih bervariasi tergantung model: beberapa model hanya ditagih berdasarkan gambar input, beberapa hanya berdasarkan gambar output, dan beberapa berdasarkan keduanya. Untuk detailnya, lihat tabel harga.

    Harga

    Penting

    Harga aktual mengacu pada laporan penagihan.

    Harga Dasar

    Tabel berikut menunjukkan harga satuan dasar untuk token input/output standar, durasi, dan jumlah gambar. Token jenis cache ditagih berdasarkan harga dasar dikalikan dengan koefisien yang sesuai. Untuk detailnya, lihat Koefisien Penagihan Token Cache.

    • Tiongkok daratan: seperti Tiongkok (Hangzhou) dan Tiongkok (Beijing).

    • Luar Tiongkok daratan: mencakup semua wilayah di luar Tiongkok daratan, seperti Tiongkok (Hong Kong), Singapura, dan AS.

    Untuk daftar wilayah, lihat Wilayah yang Didukung.

    Qwen

    Tiongkok daratan

    Model

    Rentang input (1K token)

    Input (USD/1K token)

    Output (USD/1K token)

    qwen3.8-max

    0~1.000

    0,00198

    0,005941

    qwen3.7-max

    0–1.000

    0,00198

    0,005941

    qwen3.7-plus

    0~256

    0,00033

    0,00132

    256~1.000

    0,00099

    0,003961

    qwen3.6-plus

    0~256

    0,00033

    0,00198

    256–1.000

    0,00132

    0,007921

    qwen3.5-plus

    0~128

    0,000132

    0,000792

    128~256

    0,00033

    0,00198

    256~1.000

    0,00066

    0,003961

    qwen3.7-flash

    0~32

    0,000033

    0,000132

    32~256

    0,000099

    0,000396

    256–1.000

    0,000198

    0,000792

    qwen3.6-flash

    0~256

    0,000198

    0,001188

    256–1.000

    0,000792

    0,004753

    qwen3.5-flash

    0~128

    0,000033

    0,00033

    128~256

    0,000132

    0,00132

    256~1.000

    0,000198

    0,00198

    qwen3.5-omni-plus

    0~1.000

    Text/image/video tokens: 0,001155;

    Audio tokens: 0,008746

    Text tokens: 0,006601;

    Audio tokens: 0,03515

    qwen3.5-omni-flash

    0~1.000

    Text/image/video tokens: 0,000363;

    Audio tokens: 0,00297

    Text tokens: 0,002195;

    Audio tokens: 0,011882

    qwen3.5-ocr

    0–1.000

    0,000083

    0,00033

    qwen-vl-ocr

    0~1.000

    0,00005

    0,000083

    qwen-mt-plus

    0~1.000

    0,000297

    0,000891

    qwen-mt-flash

    0~1.000

    0,000116

    0,000322

    Luar Tiongkok daratan

    Model

    Rentang input (1K token)

    Input (USD/1K token)

    Output (USD/1K token)

    qwen3.8-max

    0~1.000

    0,002473

    0,00742

    qwen3.7-max

    0~1.000

    0,003093

    0,009276

    qwen3.7-plus

    0~256

    0,000495

    0,001979

    256~1.000

    0,001484

    0,005936

    qwen3.6-plus

    0~256

    0,000619

    0,00371

    256–1.000

    0,002474

    0,007421

    qwen3.5-plus

    0~128

    0,000485

    0,002906

    128~256

    0,000485

    0,002906

    256~1.000

    0,000606

    0,003634

    qwen3.7-flash

    0~32

    0,000037

    0,000161

    32~256

    0,000124

    0,000495

    256~1.000

    0,000247

    0,000989

    qwen3.6-flash

    0~256

    0,000309

    0,001855

    256~1.000

    0,001236

    0,004947

    qwen3.5-flash

    0~128

    0,00012

    0,000485

    128~256

    0,00012

    0,000485

    256–1.000

    0,000198

    0,000485

    qwen3.5-omni-plus

    0~1.000

    Text/image/video tokens: 0,001731;

    Audio tokens: 0,013605

    Text tokens: 0,010265;

    Audio tokens: 0,054416

    qwen3.5-omni-flash

    0~1.000

    Text/image/video tokens: 0,000495;

    Audio tokens: 0,00371

    Text tokens: 0,002721;

    Audio tokens: 0,014717

    qwen-vl-ocr

    0–1.000

    0,000085

    0,000194

    qwen-mt-plus

    0~1.000

    0,00298

    0,008926

    qwen-mt-flash

    0~1.000

    0,000194

    0,000593

    Untuk detail tentang cara teks, gambar, video, dan audio seri Qwen-Omni dikonversi menjadi token, lihat Qwen-Omni: aturan konversi audio, gambar, dan video menjadi token.

    DeepSeek

    Tiongkok daratan

    Model

    Rentang input (1K token)

    Input (USD/1K token)

    Output (USD/1K token)

    deepseek-v4-pro

    0~1.000

    0,00198

    0,003961

    deepseek-v4-flash-0731

    0~1.000

    0,000165

    0,00033

    Luar Tiongkok daratan

    Model

    Rentang input (1K token)

    Input (USD/1K token)

    Output (USD/1K token)

    deepseek-v4-pro

    0–1.000

    0,002968

    0,005936

    deepseek-v4-flash-0731

    0~1.000

    0,000247

    0,000495

    GLM

    Tiongkok daratan

    Model

    Rentang input (1K token)

    Input (USD/1K token)

    Keluaran (USD/1.000 token)

    glm-5.2

    0~1.000

    0,00132

    0,004621

    Luar Tiongkok daratan

    Model

    Rentang input (1K token)

    Input (USD/1K token)

    Output (USD/1K token)

    glm-5.2

    0–1.000

    0,001731

    0,005442

    Embedding

    Tiongkok daratan

    Model

    Jenis input

    Input (USD/1K token)

    qwen3.7-text-embedding

    Text

    0,000083

    text-embedding-v4

    Text

    0,000083

    qwen3-vl-embedding

    Text

    0,000116

    Image

    0,000297

    Luar Tiongkok daratan

    Model

    Jenis input

    Input (USD/1K token)

    text-embedding-v4

    Text

    0,000085

    Rerank

    Tiongkok daratan

    Model

    Jenis input

    Input (USD/1K token)

    qwen3-rerank

    Text

    0,000083

    qwen3-vl-rerank

    Text

    0,000116

    Image

    0,000297

    Luar Tiongkok daratan

    Model

    Jenis input

    Input (USD/1K token)

    qwen3-rerank

    Text

    0,000124

    Qwen-Audio-TTS

    Model sintesis suara ditagih berdasarkan penggunaan token input. 1 karakter = 1,5 token.

    Tiongkok daratan

    Model

    Input (USD/1K token)

    qwen-audio-3.0-tts-plus

    0,015402

    qwen-audio-3.0-tts-flash

    0,011002

    Luar Tiongkok daratan

    Model

    Input (USD/1K token)

    qwen-audio-3.0-tts-plus

    0,01649

    qwen-audio-3.0-tts-flash

    0,012367

    CosyVoice

    Model sintesis suara ditagih berdasarkan penggunaan token input. 1 karakter = 1,5 token.

    Tiongkok daratan

    Model

    Masukan (USD/1K token)

    cosyvoice-v3.5-plus

    0,016503

    cosyvoice-v3.5-flash

    0,008801

    Qwen-Audio-ASR

    Model pengenalan suara ditagih berdasarkan durasi audio input.

    Tiongkok daratan

    Model

    Input (USD/detik)

    qwen-audio-3.0-asr-flash-filetrans

    0,000036

    qwen-audio-3.0-asr-flash

    0,000036

    Luar Tiongkok daratan

    Model

    Input (USD/detik)

    qwen-audio-3.0-asr-flash-filetrans

    0,000043

    qwen-audio-3.0-asr-flash

    0,000043

    Fun-ASR

    Model pengenalan suara ditagih berdasarkan durasi audio input.

    Tiongkok daratan

    Model

    Input (USD/detik)

    fun-asr

    0,000036

    Luar Tiongkok daratan

    Model

    Input (USD/detik)

    fun-asr

    0,000043

    Qwen-Image

    Model generasi gambar ditagih berdasarkan jumlah gambar input dan output.

    Tiongkok daratan

    Model

    Spesifikasi output

    Input (USD/gambar)

    Output (USD/gambar)

    qwen-image-3.0

    1k

    0,003301

    0,029705

    2k

    0,003301

    0,029705

    qwen-image-3.0-pro

    1k

    0,003301

    0,041256

    2k

    0,003301

    0,082513

    Luar Tiongkok daratan

    Model

    Spesifikasi output

    Input (USD/gambar)

    Output (USD/gambar)

    qwen-image-3.0

    1k

    0,00371

    0,037102

    2k

    0,00371

    0,037102

    qwen-image-3.0-pro

    1k

    0,00371

    0,049469

    2k

    0,00371

    0,092755

    HappyHorse

    Model generasi video ditagih berdasarkan durasi output.

    Tiongkok daratan

    Model

    Spesifikasi output

    Output (USD/detik)

    happyhorse-1.1-t2v

    480P

    0,074262

    720P

    0,148523

    1080P

    0,198031

    happyhorse-1.1-i2v

    480P

    0,074262

    720P

    0,148523

    1080P

    0,198031

    happyhorse-1.1-r2v

    480P

    0,074262

    720P

    0,148523

    1080P

    0,198031

    Luar Tiongkok daratan

    Model

    Spesifikasi output

    Output (USD/detik)

    happyhorse-1.1-t2v

    480P

    0,086571

    720P

    0,173143

    1080P

    0,222612

    happyhorse-1.1-i2v

    480P

    0,086571

    720P

    0,173143

    1080P

    0,222612

    happyhorse-1.1-r2v

    480P

    0,086571

    720P

    0,173143

    1080P

    0,222612

    Koefisien Penagihan Token Cache

    Biaya token cache = harga satuan input dasar model yang bersangkutan × koefisien penagihan × penggunaan token. Untuk informasi lebih lanjut, lihat Context Cache.

    Kecuali ditentukan lain, koefisien penagihan token cache adalah sebagai berikut:

    Jenis token

    Koefisien penagihan

    Deskripsi

    Implicit cache hit

    ×0,2

    Ditagih sebesar 20% dari harga input dasar

    Explicit cache creation

    ×1,25

    Ditagih sebesar 125% dari harga input dasar

    Explicit cache hit

    ×0,1

    Ditagih sebesar 10% dari harga input dasar

    Contoh Penagihan

    Skema: Menggunakan qwen3.6-plus di wilayah Tiongkok Utara 2 (Beijing) (rentang input 0–256K token), dengan konsumsi kumulatif 5.000K token input dan 1.200K token output.

    Perhitungan Biaya:

    • Biaya input: 5.000 × 0,00033 = 1,65 USD

    • Biaya output: 1.200 × 0,00198 = 2,376 USD

    • Total: 4,026 USD

    Skema (ditagih per jumlah gambar): Menggunakan qwen-image-3.0 di wilayah Tiongkok Utara 2 (Beijing) (spesifikasi output 1k), dengan 20 gambar referensi diunggah dan 100 gambar dihasilkan.

    Perhitungan Biaya:

    • Biaya gambar input: 20 × 0,003301 = 0,06602 USD

    • Biaya gambar output: 100 × 0,029705 = 2,9705 USD

    • Total: 3,03652 USD

    Skema (ditagih per durasi – generasi video): Menggunakan happyhorse-1.1-t2v di wilayah Tiongkok Utara 2 (Beijing) (spesifikasi output 720P) untuk menghasilkan sepuluh video berdurasi 5 detik, dengan total durasi output 50 detik.

    Perhitungan Biaya:

    • Biaya generasi video: 50 × 0,148523 = 7,42615 USD

    • Total: 7,42615 USD

    Skema (ditagih per durasi – pengenalan suara): Menggunakan qwen-audio-3.0-asr-flash di wilayah Tiongkok Utara 2 (Beijing) untuk mengenali audio, dengan total durasi pengenalan 3.600 detik.

    Perhitungan Biaya:

    • Biaya pengenalan suara: 3.600 × 0,000036 = 0,1296 USD

    • Total: 0,1296 USD

    Detail Tagihan

    Tagihan dirinci berdasarkan wilayah, ID ruang kerja, jenis penggunaan Flink, model, jenis token atau jenis penggunaan, serta rentang input atau spesifikasi output.

    Unduh Tagihan

    1. Masuk ke halaman Detail Tagihan dan pilih periode penagihan.

    2. Atur Product ke Realtime Compute for Apache Flink, dan atur Product Name ke Realtime Compute for Apache Flink_AI_PAYG_International, lalu klik Search.

    3. Klik ikon ekspor di pojok kanan atas daftar tagihan untuk mengunduh tagihan.

    4. Buka file tagihan dan temukan kolom ID Instance (granularitas penagihan). Kolom ini dipisahkan oleh titik koma (;) dalam format berikut:

      1. Model yang ditagih per token:

        Region;Workspace ID;Project Name;Flink Usage;Model;Token Type;Input Range

        Segmen

        Deskripsi

        Region

        Wilayah ruang kerja

        Workspace ID

        Identifikasi unik ruang kerja Flink

        Project Name

        Saat ini kosong; bidang cadangan

        Flink Usage

        Skema penggunaan model; nilai valid: ai_function atau flink_agents

        Model

        Nama LLM yang dipanggil

        Token Type

        Input Token atau Output Token

        Input Range

        Penanda batas atas rentang token input, seperti 128, 256, 1000, dll.

      2. Model yang ditagih per durasi atau jumlah gambar:

        Region;Workspace ID;Project Name;Flink Usage;Model;Output Specification;Usage Type

        Segmen

        Deskripsi

        Region

        Wilayah ruang kerja

        Workspace ID

        Identifikasi unik ruang kerja Flink

        Project Name

        Saat ini kosong; bidang cadangan

        Flink Usage

        Skema penggunaan model; nilai valid: ai_function atau flink_agents

        Model

        Nama LLM yang dipanggil

        Output Specification

        Untuk model yang ditagih per jumlah gambar: resolusi gambar, seperti 1k, 2k, atau 4k.

        Untuk model yang ditagih per durasi: resolusi video untuk model generasi video, seperti 480P, 720P, atau 1080P. Model pengenalan suara (ASR) tidak membedakan spesifikasi output dan ditandai sebagai all.

        Usage Type

        Untuk model yang ditagih per jumlah gambar: gambar input dan gambar output.

        Untuk model yang ditagih per durasi: durasi input dan durasi output.

    Pembayaran Tertunda

    • Setelah terjadi pembayaran tertunda, layanan dihentikan dan semua pekerjaan yang menggunakan model bawaan tidak dapat memanggil model.

    • Layanan akan dipulihkan secara otomatis setelah Anda mengisi ulang akun Anda.

    • Permintaan pemanggilan model selama periode tertunda tidak diproses, dan pekerjaan yang bersangkutan mungkin gagal.

    Hentikan Penagihan

    Untuk menghentikan penagihan layanan AI, klik Disable Service pada halaman Layanan AI di Konsol. Setelah Anda menonaktifkan layanan:

    • Semua pekerjaan tidak akan dapat memanggil layanan model bawaan.

    • Tidak akan ada biaya pemanggilan layanan AI tambahan yang dikenakan.

    • Biaya sumber daya komputasi CU ruang kerja tidak terpengaruh.

    Penting

    Sebelum menonaktifkan layanan AI, pastikan tidak ada pekerjaan yang bergantung pada model bawaan. Jika tidak, pekerjaan mungkin gagal saat runtime.