Alibaba Cloud Model Studio:Penerapan model

Penagihan berbasis waktu (Provisioned Throughput)

Biaya = Durasi Penggunaan × (Harga Satuan TPM Input × TPM Input + Harga Satuan TPM Output × TPM Output)

Untuk metode bayar sesuai penggunaan, penggunaan ditagih per jam, dan harga satuan berdasarkan tarif per jam pada tabel di bawah. Untuk metode langganan, penggunaan ditagih harian, dan harga satuan berdasarkan tarif harian pada tabel di bawah.

• Pesanan langganan langsung berlaku setelah pembayaran. Langganan N hari berlaku hingga pukul 23.59 pada hari ke-N. Jika pesanan dilakukan setelah pukul 22.00, tanggal kedaluwarsa diperpanjang satu hari secara otomatis.

• Setelah pesanan langganan kedaluwarsa, layanan dihentikan setelah periode tenggang 2 jam. Setelah layanan dihentikan, resource dipertahankan selama 14 jam lalu dilepas.

• Pesanan langganan tidak dapat dihentikan lebih awal.

• Untuk metode bayar sesuai penggunaan, jika akun Anda memiliki pembayaran tertunda, resource yang diterapkan dipertahankan dan terus ditagih selama 24 jam, di mana layanan tetap tersedia. Setelah 24 jam, sistem menghentikan penagihan, dan penerapan model memasuki status tertunda. Resource dasar dihapus, tetapi tugas penerapan model dipertahankan. Setelah Anda melunasi pembayaran tertunda, sistem mengalokasikan ulang resource, memulihkan layanan, dan melanjutkan penagihan. Untuk menghentikan biaya, Anda harus menghapus tugas penerapan model. Penagihan berhenti setelah tugas berhasil dihapus.

Jika input model melebihi maksimum token input atau TPM yang dibeli, panggilan secara otomatis beralih ke mode bayar sesuai penggunaan untuk model tersebut. Dalam kasus ini, performa inferensi mungkin menurun dan akan tunduk pada pengendalian trafik publik model snapshot saat ini di ruang kerja. Biaya dikenakan berdasarkan standar pemanggilan model (bayar sesuai penggunaan).

• Dalam kasus ini, panggilan API mengembalikan header yang berisi x-dashscope-ptu-overflow:true.

• Untuk melihat statistik TPM, buka Pemantauan Model.

Untuk aturan pengembalian dana spesifik dalam skenario scale-in (menurunkan spesifikasi), lihat Aturan pengembalian dana untuk downgrade.

Penagihan berbasis waktu (Model Unit)

Biaya = Durasi Penggunaan (jam) × Jumlah Unit Model × Harga Unit Model

Untuk metode bayar sesuai penggunaan, "Harga Unit Model" adalah "Harga per Jam" dari tabel di bawah. Untuk metode langganan bulanan, rumusnya adalah: Jumlah Bulan × Jumlah Unit Model × Harga Bulanan.

• Untuk langganan, jika Anda berhenti berlangganan dalam bulan pertama, harga satuan harian (≈ harga satuan bulanan / 30) dikenai tarif 1,2 kali tarif standar. Penggunaan kurang dari satu hari ditagih sebagai satu hari penuh.

Berdasarkan penggunaan token model

Biaya = Jumlah Token Input × Harga Satuan Input + Jumlah Token Output × Harga Satuan Output (Unit penagihan minimum: 1 token)

• Penagihan berdasarkan penggunaan token model hanya didukung setelah Anda menyelesaikan Supervised Fine-Tuning (SFT) untuk model dasar berikut dan mendapatkan model kustom.

DashScope

import os
import dashscope

messages = [
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "Who are you?"},
]
dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'
response = dashscope.Generation.call(
    # Jika variabel lingkungan belum dikonfigurasi, ganti baris berikut dengan: api_key="sk-xxx",
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model="qwen3-max-xxx-xxx",  # Ganti dengan kode yang dihasilkan setelah model berhasil diterapkan
    messages=messages,
    result_format="message",
    enable_thinking=False,
)
print(response)

Antarmuka kompatibel OpenAI

import os
from openai import OpenAI


client = OpenAI(
    # Jika variabel lingkungan belum dikonfigurasi, ganti baris berikut dengan: api_key="sk-xxx",
    api_key=os.getenv('DASHSCOPE_API_KEY'),
    base_url="https://dashscope-intl.aliyuncs.com/compatible-mode/v1",
)

completion = client.chat.completions.create(
    model="qwen3-max-xxx-xxx",  # Ganti dengan kode yang dihasilkan setelah model berhasil diterapkan
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Who are you?"},
    ],
    extra_body={"enable_thinking": False},
)
print(completion)