Calculatrice Fine-Tuning 2026 : Tarifs Entraînement + Inférence Servi Chez Tous les Fournisseurs

Deux lignes de facturation, parfois trois. L'entraînement est mesuré par 1M tokens d'entraînement, où « tokens d'entraînement » égale (tokens d'entrée + tokens de sortie dans votre ensemble de données) × (nombre d'epochs d'entraînement). Un ensemble de données avec 100k exemples, 1 000 tokens par exemple et 3 epochs d'entraînement facture 300M tokens d'entraînement.

L'inférence servi est mesurée par 1M tokens d'entrée et 1M tokens de sortie, tout comme le modèle de base — mais à une majoration. OpenAI facture 1,5x l'entrée de base et 1,5x la sortie de base pour l'inférence du modèle fine-tuné. Google, Mistral et Together facturent généralement à proximité ou en parité avec la base. Anthropic via Bedrock applique une majoration de 1,5x similaire à OpenAI.

Les frais d'hébergement s'appliquent chez quelques fournisseurs. Mistral facture un forfait mensuel par fine-tune ($2-4/mois). Anthropic via Bedrock facture à la seconde pour l'unité de modèle déployée (généralement $0,0001/sec ou environ $260/mois à 24h/24 en continu). OpenAI, Google et Together incluent l'hébergement dans le prix d'inférence.

La formule complète :

``` training_cost = (dataset_tokens × epochs / 1,000,000) × training_price serve_cost = (monthly_input_tokens / 1,000,000) × ft_input_price + (monthly_output_tokens / 1,000,000) × ft_output_price hosting = frais par jour ou par mois (le cas échéant) total_monthly = serve_cost + hosting + (training_cost / amortization_months) ```

Ensemble de données de référence : 10 000 exemples, 800 tokens par exemple (prompt + complètement), 3 epochs = 24M tokens d'entraînement.

OpenAI gpt-5.4-mini : 24 × $8 = $192. OpenAI gpt-5.4 : 24 × $25 = $600. OpenAI gpt-4.1-nano : 24 × $1,50 = $36. Google Gemini 2.5 Flash : 24 × $3 = $72. Mistral Small : 24 × $1 = $24. Together Llama 3.3-70B : 24 × $0,90 = $21,60. Together Llama 4 Scout : 24 × $2,50 = $60. Anthropic Claude Haiku 4.5 (Bedrock) : 24 × $10 = $240.

Le coût d'entraînement est minime comparé aux factures d'inférence typiques à l'échelle de la production. Pour une charge de travail qui tourne à $5 000/mois en inférence, un coût d'entraînement de $192 s'amortit en quelques jours. La décision tourne rarement sur le coût d'entraînement ; elle tourne sur le fait que l'inférence servi est moins chère que la base + ingénierie de prompts, et si la qualité s'améliore suffisamment pour justifier la complexité opérationnelle.

Le fine-tuning open-source sur Together est le leader des prix à $0,90/1M pour Llama 3.3-70B. Si vous pouvez répondre à ce niveau de qualité, entraîner un ensemble de données de 24M tokens pour $21,60 est essentiellement gratuit à l'échelle de la production.

Charge de travail mensuelle de référence : 100k appels API × 1 000 tokens d'entrée + 500 tokens de sortie = 100M tokens d'entrée + 50M tokens de sortie.

Base gpt-5.4-mini : 100 × $0,75 + 50 × $4,50 = $75 + $225 = $300/mois. Fine-tuné gpt-5.4-mini : 100 × $1,13 + 50 × $6,75 = $113 + $337,50 = $450,50/mois. La majoration fine-tuné coûte +$150,50/mois.

Pour que le fine-tuning soit moins cher en net que la base + ingénierie de prompts, le modèle fine-tuné doit soit éliminer suffisamment de tokens d'entrée pour compenser la majoration, soit remplacer un modèle de base plus cher. Concrètement : si le fine-tuning de gpt-5.4-mini vous permet d'arrêter d'utiliser gpt-5.5 ($5/$30), vous économisez 100 × ($5 - $1,13) + 50 × ($30 - $6,75) = $387 + $1 162,50 = $1 549,50/mois par rapport à gpt-5.5 en base. Même après la majoration de $150,50 par rapport à gpt-5.4-mini en base, c'est un gain net de $1 400+/mois.

Open-source via Together à parité d'inférence : 100 × $0,88 + 50 × $0,88 = $132/mois. Considérablement moins cher que fine-tuné OpenAI tier moyen à $450, bien que vous troquez les fonctionnalités de l'écosystème et la simplicité opérationnelle.

Cinq cas canoniques où le fine-tuning paie. Premièrement, les tâches de classification ou extraction où un petit modèle fine-tuné correspond à la qualité d'un modèle de base de niveau moyen — cas typique 2026 : fine-tuning de gpt-5.4-nano sur 5 000 exemples étiquetés pour correspondre à la qualité de gpt-5.4-mini sur une tâche d'extraction spécifique. Le coût d'inférence chute 3x.

Deuxièmement, la cohérence de style ou de voix que les prompts few-shot ne peuvent pas capturer complètement — le fine-tuning d'un petit modèle sur 1 000 exemples de voix de marque produit une sortie plus fortement alignée à la marque qu'un prompt 10-shot même sur un modèle de base.

Troisièmement, la rigueur du format de sortie. Adhérence JSON schema, DSL personnalisé, ordre des champs déterministe — le fine-tuning produit une sortie structurée plus fiable que les prompts guidés par schéma sur la plupart des tâches.

Quatrièmement, réduction des tokens d'entrée à haut volume. Un modèle fine-tuné avec les instructions intégrées dans les poids peut servir la même tâche avec un prompt de 50 tokens qu'un modèle de base nécessite 1 500 tokens pour. À 10M appels/mois, les économies surpassent la majoration d'inférence.

Cinquièmement, les connaissances propres au domaine que l'augmentation ne peut pas résoudre proprement — fine-tuning sur un corpus de conversations Slack internes ou de terminologie spécifique à l'entreprise, où la récupération manque la queue longue.

Cas anti- : tâches où un modèle de base premier atteint déjà la barre de qualité (la majoration ne rembourse jamais), tâches avec très bas volume (le coût d'entraînement domine), tâches où les données sous-jacentes changent chaque semaine (vous devriez retravailler constamment), et tâches où la diversité de sortie compte (le fine-tuning réduit la variance).

Propriétaire (OpenAI, Anthropic, Google, Mistral) vous donne la facilité d'utilisation — chargez un fichier JSONL, attendez une heure, obtenez un modèle personnalisé. Pas de provisioning GPU, pas de décisions de mise à l'échelle. Le compromis est la majoration sur les tarifs d'inférence de base et le manque de portabilité des poids.

Open-source sur Together, Modal, RunPod ou auto-hébergé vous donne une inférence à parité quasi totale (vous payez à peu près la même chose que l'inférence de base, puisque vous contrôlez le déploiement) et une portabilité complète — vous possédez l'adaptateur LoRA ou les poids complets et pouvez changer de fournisseurs. Le compromis est la complexité opérationnelle et le besoin de gérer vos propres évaluations, déploiements et mise à l'échelle.

Pour une charge de travail de production typique de 1-5M appels/mois, le fine-tuning propriétaire se résout généralement comme moins cher au niveau du coût en ingénierie quand vous incluez les opérations. Pour les charges de 10M+ appels/mois, la majoration d'inférence commence à dépasser le coût des opérations ; open-source devient le leader des coûts.

Le modèle hybride qui fonctionne bien en 2026 : utilisez le fine-tuning propriétaire pour lancer rapidement, basculez vers open-source sur Together une fois que le volume dépasse le seuil où le coût des opérations s'amortit. La migration est simple quand les deux côtés s'entraînent sur le même format JSONL.

Au-delà de l'entraînement et de l'inférence, trois coûts opérationnels surprennent les équipes.

Coût d'évaluation. Les modèles fine-tunés ont besoin d'une barre de qualité continue. Le motif standard est un ensemble de test retenu de 100-1 000 exemples étiquetés, noté à chaque fois que vous déployez une nouvelle version. Si vous notez avec un LLM-as-judge utilisant gpt-5.5, c'est 100-1 000 appels LLM par passage d'évaluation à $0,02/appel = $2-$20. Multipliez par le nombre de versions et la cadence hebdomadaire.

Coût de dérive. Le monde change. Un modèle fine-tuné en janvier sur des tickets de support client se dégrada à mesure que de nouvelles fonctionnalités produits se déploient, la terminologie évolue et les modèles de tickets se décalent. Planifiez un passage de retraînement tous les 60-90 jours, ce qui signifie que le coût d'entraînement est annualisé — multipliez votre nombre d'entraînement de $192 par 4-6 retraînages par an.

Coût de gestion des versions. Vous aurez plusieurs modèles fine-tunés en production simultanément (actuel, candidat, retour en arrière). Chez les fournisseurs avec frais d'hébergement par mois cela multiplie la facture ; chez les fournisseurs avec hébergement inclus c'est gratuit. Prenez cela en compte lors du choix d'un fournisseur.

Conclusion : le coût total de possession pour un modèle fine-tuné est 1,5-3x les mathématiques brutes d'entraînement + inférence quand vous incluez les opérations. Cela vaut la peine quand les économies ou le gain de qualité le justifient ; coûteux quand ce n'est pas le cas.

Presque tous les fine-tunes en 2026 sont soit une LoRA (Low-Rank Adaptation) soit un fine-tune complet, et le choix crée un écart de coût de 5-20x avant même de choisir un fournisseur. LoRA gèle les poids du modèle de base et entraîne un petit adaptateur — généralement 1-5% du nombre de paramètres — qui s'insère dans les couches d'attention et de projection. Le fine-tuning complet met à jour tous les poids du modèle de base et produit un checkpoint personnalisé autonome. Les deux produisent un modèle que vous pouvez servir ; les coûts, les plafonds de qualité et les formes opérationnelles se présentent très différemment.

Sur le coût d'entraînement l'écart est important. Un adaptateur LoRA pour Llama 3.3-70B s'entraîne en environ 3-5 heures GPU sur un cluster H100 pour un job de 24M tokens ; sur le point de terminaison LoRA géré de Together cela revient à environ $21,60 (24 × $0,90/1M) — le même nombre utilisé dans l'exemple détaillé ci-dessus, car le tarif principal de Together est le tarif LoRA. Un fine-tune complet du même modèle de 70B sur les mêmes 24M tokens s'exécute environ 35-60 heures H100 sur un cluster RunPod ou Modal auto-géré. Au tarif ~$2,49/hr de RunPod pour une H100 80GB SXM en juin 2026, c'est $87-$150 en pur coût de location GPU, plus frais d'orchestration et quelques exécutions échouées à prévoir, débarquant le coût réel du fine-tune complet à $200-$300. L'écart de 10x entre LoRA de $22 et fine-tune complet $200+ est le nombre principal à retenir.

Les différences de qualité sont plus petites que l'écart de coût ne le suggère. Dans les benchmarks publiés de 2026 — MMLU-Pro, GSM8K, HumanEval et la plupart des tâches de classification — le fine-tuning complet surpasse une LoRA bien accordée par 1-3 points de pourcentage. Cet écart s'élargit quand la tâche exige un décalage important de style ou de format par rapport à la distribution de pré-entraînement du modèle de base : sortie exclusivement SQL, une langue non anglaise à ressources faibles, un DSL propre au domaine, ou une réécriture de style de maison stricte peuvent repousser l'écart à 5-8 points. Pour la plupart des tâches de classification de production, extraction et de style assistant, la pénalité de qualité LoRA est dans le bruit de votre harnais d'évaluation, et vous ne le verriez pas en production à moins que vous mesurer spécifiquement pour cela.

L'exposition du fournisseur diffère fortement. OpenAI, Anthropic et Google facturent par tarif de token d'entraînement et ne vous disent jamais quelle méthode ils utilisent sous le capot — les fuites internes et le profilage de latence d'inférence suggèrent qu'OpenAI utilise des adaptateurs de style LoRA pour les fine-tunes gpt-4.1-nano et gpt-5.4-mini et ne fait le fine-tuning complet que pour le tier flagship, mais ils ne confirment ni n'exposent le choix. Vous payez le tarif publié et obtenez un ID de modèle. Les plateformes open-source exposent explicitement le choix. Together AI liste des SKU LoRA et fine-tune complet séparés — Llama 3.3-70B LoRA à $0,90/1M d'entraînement est le titre ; le fine-tuning complet de la même base liste à environ $5,40/1M, une prime de 6x. Modal et RunPod vous laissent louer les GPUs et exécuter chaque chemin avec des frameworks comme Unsloth, Axolotl ou torchtune ; vous mangez le coût d'orchestration mais obtenez le contrôle complet.

La portabilité est où l'avantage structurel de LoRA se manifeste. Un adaptateur LoRA 70B pèse 50-500MB selon le rang (généralement rang 16-64 dans les configurations de production 2026) — assez petit pour être versionné dans le stockage d'objets, échangé à la requête et tester A/B cinq variantes à partir d'un modèle de base chargé sur un seul GPU. vLLM et SGLang supportent tous deux la servitude multi-LoRA en 2026, vous permettant de garder dix adaptateurs chauds par modèle de base et d'acheminer les requêtes par tenant, tâche ou expérience. Un fine-tune complet d'un modèle 70B produit 140GB de poids float-16 ; vous avez besoin d'un déploiement séparé par variante, chacun consommant sa propre mémoire GPU, et les tests A/B coûtent N fois autant que la servitude d'un seul modèle.

L'histoire de portabilité compte aussi quand le modèle de base se fait déprécier. Llama 3.1 était l'état de l'art 18 mois avant ce guide ; il est maintenant supercédé par 3.3 et Llama 4 Scout. Une LoRA entraînée contre 3.1 peut généralement être re-entraînée contre 3.3 en quelques heures sur le même ensemble de données — votre pipeline de données, ensemble d'évaluation et sweep d'hyperparamètres se reportent tous. Un fine-tune complet est soudé à sa base ; le seul chemin vers une base plus récente est un cycle complet de retraînement. Pour les équipes tournant sur un cycle de retraînement de modèle de base de 6-12 mois, LoRA réduit le coût de retraînement récurrent de 5-10x.

Quand le fine-tuning complet est toujours le bon appel : charges de travail où l'écart de qualité de 1-3 points se traduit en revenu mesurable ou en risque (classification à haut volume où 1% de précision déplace une ligne P&L, filtrage critique à la sécurité, extraction réglementée avec exigences de format codées en dur), tâches avec très grandes corpora d'entraînement (>100M tokens) où la décomposition de faible rang de LoRA commence à perdre d'informations, et servitude à un seul tenant à haut volume où la surcharge de mémoire par GPU d'un modèle complet est amortie sur des millions d'appels par jour. Dans ces cas l'écart de $200 vs $22 est irrélévant — il s'amortit en heures d'économies d'inférence.

Une ligne de coût supplémentaire qui compte : surcharge à la requête. Un adaptateur LoRA ajoute 1-3% de latence par rapport à l'inférence du modèle de base quand servi via le chemin multi-LoRA optimisé de vLLM en 2026 — effectivement gratuit à l'échelle de la production. Un fine-tune complet a zéro surcharge d'inférence par définition, mais prend un slot GPU séparé. Sur une seule H100 vous pouvez servir une base Llama 3.3-70B avec dix adaptateurs LoRA chargés à ~$2,49/hr ; servir dix fine-tunes complets de la même base nécessite dix déploiements séparés à environ $25/hr en pur coût de location GPU. Pour les charges de travail SaaS multi-tenant où chaque client obtient un adaptateur personnalisé, cet écart de coût se compose — LoRA peut garder le coût par tenant en centimes tandis que les fine-tunes complets tarif la même architecture hors viabilité en dessous du tier entreprise.

Règle net pour 2026 : défaut vers LoRA. Entraînez-le sur Together à $22 par passage de 24M tokens, déployez-le derrière un point de terminaison vLLM multi-adaptateur, exécutez une évaluation retenue, et n'escaladez vers un fine-tune complet que si l'écart de qualité se manifeste dans votre métrique commerciale. Le défaut attrape 80% des cas de production au dixième du coût ; le chemin d'escalade est ouvert si vous le nécessitez.

Étape 1 : estimez le coût du modèle de base sur votre charge de travail actuelle en utilisant notre calculatrice de coût GPT vs Claude vs Gemini. Les chiffres sous $500/mois justifient rarement la surcharge opérationnelle d'un fine-tune ; les chiffres au-dessus de $5 000/mois le font souvent.

Étape 2 : essayez d'abord l'ingénierie de prompts. Des exemples few-shot, des schémas de sortie structurés, des prompts chain-of-thought, et une nouvelle perspective sur le prompt système ferment généralement 60-80% de l'écart entre la base et la qualité fine-tunée à zéro coût opérationnel.

Étape 3 : si l'ingénierie de prompts plafonne en dessous de votre barre de qualité, construisez un ensemble de données étiqueté de 500-1 000 exemples. Utilisez un modèle de base plus fort (gpt-5.5 ou Sonnet 4.6) pour amorcer les étiquettes ; vérifiez ponctuellement 10-20% d'entre elles à la main.

Étape 4 : entraînez un petit fine-tune ($20-$200) sur un petit modèle de base (gpt-5.4-nano, gpt-5.4-mini, Gemini 2.5 Flash, ou Llama 3.3-70B via Together). Comparez contre le tier moyen de base sur votre ensemble de test retenu.

Étape 5 : si le petit modèle fine-tuné correspond au tier moyen de base sur la qualité, déployez-le — vous avez probablement juste réduit le coût d'inférence de 3-5x. S'il ne le fait pas, soit le modèle de base de tier moyen est la bonne réponse, soit l'écart est dans les données (plus d'exemples, meilleures étiquettes) plutôt que la technique.