RFT-യുടെ ബില്ലിംഗ് എങ്ങനെ പ്രവർത്തിക്കുന്നു

റീഇൻഫോഴ്‌സ്‌മെന്റ് ഫൈൻ-ട്യൂണിംഗ് (RFT) റീഇൻഫോഴ്‌സ്‌മെന്റ് ലേണിംഗ് ഉപയോഗിച്ച് OpenAI-യുടെ റീസണിംഗ് മോഡലുകളുടെ പ്രകടനം മെച്ചപ്പെടുത്താൻ നിങ്ങളെ സഹായിക്കുന്നു. ട്രെയിനിംഗ് ഡാറ്റാസെറ്റിലെ ടോക്കണുകളുടെ എണ്ണത്തെ അടിസ്ഥാനമാക്കി ബിൽ ചെയ്യുന്ന ഞങ്ങളുടെ സൂപ്പർവൈസ്ഡ് അല്ലെങ്കിൽ പ്രിഫറൻസ് ഫൈൻ-ട്യൂണിംഗ് സേവനങ്ങളിൽ നിന്ന് വ്യത്യസ്തമായി, നിങ്ങളുടെ ട്രെയിനിംഗ് റൺ പ്രധാന മെഷീൻ ലേണിംഗ് ജോലികൾ നിർവഹിക്കാൻ ചെലവഴിക്കുന്ന സമയത്തെ അടിസ്ഥാനമാക്കിയാണ് RFT-യുടെ ബില്ലിംഗ്.

നിരക്കുകൾ

• കമ്പ്യൂട്ടേഷൻ: o4-mini-2025-04-16-ന്റെ പ്രധാന പരിശീലന ലൂപ്പിൽ ചെലവഴിക്കുന്ന യഥാർഥ സമയത്തിന് മണിക്കൂറിന് $100. നിരക്കുകൾ സെക്കൻഡ് അടിസ്ഥാനത്തിൽ ആനുപാതികമായി കണക്കാക്കുകയും ഇൻവോയ്‌സിൽ രണ്ട് ദശാംശ സ്ഥാനങ്ങളിലേക്ക് റൗണ്ട് ചെയ്യുകയും ചെയ്യും (ഉദാ., 2.55 മണിക്കൂർ).

• മോഡൽ ഗ്രേഡറിന്റെ ഉപയോഗം: പരിശീലനത്തിനിടെ ഔട്ട്‌പുട്ടുകൾ "ഗ്രേഡ് ചെയ്യാൻ" നിങ്ങൾ ഒരു OpenAI മോഡൽ ഉപയോഗിക്കുകയാണെങ്കിൽ, ആ ഗ്രേഡിങ് കോളുകൾ ഉപയോഗിക്കുന്ന ടോക്കണുകൾക്ക് പരിശീലനം പൂർത്തിയായശേഷം ഞങ്ങളുടെ സാധാരണ API നിരക്കിൽ പ്രത്യേകം ബിൽ നൽകും.

നിങ്ങളുടെ മോഡലിനെ യഥാർഥത്തിൽ അപ്‌ഡേറ്റ് ചെയ്യുന്ന പരിശീലന ജോലിക്ക് മാത്രമാണ് ഞങ്ങൾ നിരക്ക് ഈടാക്കുന്നത്. ഇതിനെയാണ് ഞങ്ങൾ "രേഖപ്പെടുത്തിയ മുന്നേറ്റം" എന്ന് വിളിക്കുന്നത്.

ഞങ്ങൾ ബിൽ ചെയ്യുന്നത് എന്തിന്

നിങ്ങളുടെ പരിശീലന വർക്കർ നിങ്ങളുടെ മോഡലിനെ സജീവമായി പരിശീലിപ്പിക്കാൻ ചെലവഴിക്കുന്ന സമയത്തിനാണ് ഞങ്ങൾ ബിൽ ചെയ്യുന്നത്, പ്രത്യേകിച്ച്:

• ഫൈൻ-ട്യൂണിംഗ് പ്രക്രിയയിൽ നിങ്ങളുടെ മോഡലിൽ നിന്ന് സാമ്പിളുകൾ സൃഷ്ടിക്കൽ (“റോളൗട്ടുകൾ” എന്ന് അറിയപ്പെടുന്നു)

• ജോബിൽ നിങ്ങൾ നിർവചിച്ചിട്ടുള്ള ഒന്നോ അതിലധികമോ ഗ്രേഡറുകൾ ഉപയോഗിച്ച് ആ ഔട്ട്‌പുട്ടുകൾ വിലയിരുത്തൽ (ഗ്രേഡറുകളെക്കുറിച്ച് കൂടുതലറിയുക)

• ഗ്രേഡുകളെ അടിസ്ഥാനമാക്കി വെയ്റ്റ് അപ്‌ഡേറ്റുകൾ കണക്കാക്കി പ്രയോഗിക്കൽ (ബാക്ക്‌പ്രൊപ്പഗേഷൻ).

• നിങ്ങൾ കോൺഫിഗർ ചെയ്തിട്ടുള്ള ഏതെങ്കിലും സാധൂകരണ (മൂല്യനിർണയ) ഘട്ടങ്ങൾ പ്രവർത്തിപ്പിക്കൽ.

മിക്ക ഗ്രേഡറുകളും പ്രവർത്തിപ്പിക്കാൻ “സൗജന്യമാണ്”; അതായത് കോർ പരിശീലന ലൂപ്പിലേക്ക് അവ സംഭാവന ചെയ്യുന്ന സമയത്തിന് പുറമേ അവയുടെ ഉപയോഗത്തിന് ഞങ്ങൾ അധിക നിരക്ക് ഈടാക്കുന്നില്ല. ഇതിന് അപവാദം മോഡൽ ഗ്രേഡറുകളാണ്; മുകളിലെ പ്രവർത്തനങ്ങളിൽ ആ ഗ്രേഡറുകൾ ഉപയോഗിക്കുന്ന ടോക്കണുകളും ഞങ്ങൾ കണക്കാക്കും. ഈ ടോക്കണുകൾ നിങ്ങളുടെ ഇൻവോയ്സിൽ പ്രത്യേക ലൈൻ ഇനമായി പ്രത്യക്ഷപ്പെടും. മോഡൽ ഗ്രേഡറുകൾ ഉപയോഗിക്കുന്ന ടോക്കണുകൾ സാധാരണ ഇൻഫറൻസ് നിരക്കുകളിൽ ബിൽ ചെയ്യും (OpenAI നിരക്കുകൾ).

ഞങ്ങൾ ബിൽ ചെയ്യാത്തത്.

താഴെ പറയുന്ന കാര്യങ്ങൾക്കായി ചെലവഴിക്കുന്ന സമയത്തിന് ഞങ്ങൾ ചാർജ് ചെയ്യുന്നില്ല.

• പരിശീലനം ആരംഭിക്കുന്നതിന് മുമ്പ് നിങ്ങളുടെ ഡാറ്റാസെറ്റ് വാലിഡേറ്റ് ചെയ്യുകയോ പരിശോധിക്കുകയോ ചെയ്യുന്നത്.

• നിങ്ങളുടെ ഡാറ്റാസെറ്റിലെ സുരക്ഷാ പരിശോധനകൾ.

• കംപ്യൂട്ട് വിഭവങ്ങൾക്കായി queue-യിൽ കാത്തിരിപ്പ്.

• മോഡൽ weights അല്ലെങ്കിൽ ഡാറ്റാസെറ്റുകൾ ഡൗൺലോഡ് ചെയ്യുന്നത്.

• ഞങ്ങളുടെ പരിശീലന ഫോർമാറ്റിലേക്ക് നിങ്ങളുടെ ഡാറ്റാസെറ്റ് തയ്യാറാക്കുന്നത് (render ചെയ്യുന്നത്).

• നിങ്ങളുടെ fine-tuned മോഡലിന്റെ post-training സുരക്ഷാ മൂല്യനിർണയങ്ങൾ.

ഞങ്ങളുടെ ഭാഗത്തെ ഒരു പിശക് മൂലം പരിശീലന പ്രവർത്തനം നഷ്ടപ്പെട്ടാൽ (ഉദാഹരണത്തിന്, ഒരു worker crash ചെയ്യുകയും മുൻ checkpoint-ലേക്ക് roll back ചെയ്യേണ്ടിവരികയും ചെയ്താൽ), നഷ്ടപ്പെട്ട compute സമയത്തിനോ grader ടോക്കണുകൾക്കോ നിങ്ങൾക്ക് ചാർജ് ഉണ്ടാകില്ല. ഇതിനെക്കുറിച്ചുള്ള കൂടുതൽ വിശദാംശങ്ങൾ അടുത്ത വിഭാഗത്തിലുണ്ട്.

Captured forward progress ഉം billing event-ുകളും.

പരിശീലനം നിങ്ങളുടെ മോഡലിലേക്കുള്ള നിരവധി ചെറിയ അപ്‌ഡേറ്റുകൾ ഉൾക്കൊള്ളുന്നു. ഇവയിൽ എത്ര അപ്‌ഡേറ്റുകൾ വിജയകരമായി പൂർത്തിയാകുന്നു എന്ന് ഞങ്ങൾ ട്രാക്ക് ചെയ്യുന്നു. ഈ വിജയകരമായ അപ്‌ഡേറ്റുകളുമായി ബന്ധപ്പെട്ട compute സമയവും grader ടോക്കണുകളും അടിസ്ഥാനമാക്കിയാണ് ചാർജുകൾ.

താഴെപ്പറയുന്ന “billing event-ുകളിൽ” ഒന്ന് സംഭവിക്കുമ്പോൾ ഞങ്ങൾ ചാർജ് നൽകുന്നു.

• പരിശീലനം വിജയകരമായി പൂർത്തിയാകുന്നു.

• നിങ്ങൾ പരിശീലനം pause ചെയ്യുന്നു.

• നിങ്ങൾ പരിശീലനം cancel ചെയ്യുന്നു.

• പരിശീലനം പരാജയപ്പെടുന്നു.

ഓരോ ചാർജും അവസാന ചാർജിന് ശേഷമുള്ള incremental പ്രവർത്തനത്തെ ഉൾക്കൊള്ളുന്നു. ഉദാഹരണത്തിന്.

• നിങ്ങൾ ഒരു റൺ pause ചെയ്യുകയാണെങ്കിൽ, ഞങ്ങൾ ഒരു checkpoint സംരക്ഷിക്കുകയും അവസാന ചാർജിന് ശേഷം ഉപയോഗിച്ച compute സമയത്തിനും grader ടോക്കണുകൾക്കും നിങ്ങളോട് ചാർജ് ചെയ്യുകയും ചെയ്യും.

• നിങ്ങൾ resume ചെയ്യുമ്പോൾ, പരിശീലനം checkpoint-ൽ നിന്ന് തുടരുന്നു. അടുത്ത ചാർജ് (പൂർത്തിയാകൽ, മറ്റൊരു pause, cancellation, അല്ലെങ്കിൽ പരാജയം സമയത്ത്) resume ചെയ്തതിന് ശേഷമുള്ള അധിക പ്രവർത്തനത്തിനായി മാത്രം ആയിരിക്കും.

• നിങ്ങൾ ഒരു റൺ cancel ചെയ്യുകയാണെങ്കിൽ, cancellation വരെ ചെയ്ത ജോലിക്ക് ഞങ്ങൾ നിങ്ങളോട് ചാർജ് ചെയ്യും.

• പരിശീലനം പരാജയപ്പെടുകയും അവസാന ചാർജിന് ശേഷമുള്ള പ്രവർത്തനം നഷ്ടപ്പെടുകയും ചെയ്താൽ, നഷ്ടപ്പെട്ട ഭാഗത്തിന് നിങ്ങൾക്ക് ബിൽ ഉണ്ടാകില്ല.

ഈ “captured forward progress” സമീപനം നിങ്ങളുടെ മോഡലിൽ നിലനിൽക്കുന്ന അല്ലെങ്കിൽ നിങ്ങൾ ഉദ്ദേശ്യപൂർവ്വം ഉപേക്ഷിക്കുന്ന പ്രവർത്തനത്തിനാണ് മാത്രം നിങ്ങൾ പണം നൽകുന്നതെന്ന് ഉറപ്പാക്കുന്നു.

ജോലിയുടെ പുരോഗതി കാണൽ

RFT ജോലികളിൽ usage_metrics എന്നൊരു ഫീൽഡുണ്ട്. നിലവിലെ ഘട്ടം വരെയുള്ള ജോലിയുടെ മൊത്തം ഉപയോഗം ഇതിൽ രേഖപ്പെടുത്തിയിരിക്കുന്നു. പരിശീലനത്തിനായി ചെലവഴിച്ച സമയവും ജോലിയിലെ എല്ലാ മോഡൽ ഗ്രേഡറുകളും ഉപയോഗിച്ച ടോക്കണുകളും ഇതിൽ ഉൾപ്പെടുന്നു. API (GET /v1/fine_tuning/jobs/{job_id}) വഴിയോ ഫൈൻ-ട്യൂണിങ് ഡാഷ്‌ബോർഡ് വഴിയോ ഈ ഫീൽഡ് പരിശോധിക്കാം.

പരിശീലന സമയത്തെ സ്വാധീനിക്കുന്ന ഘടകങ്ങൾ

സമയത്തെ അടിസ്ഥാനമാക്കിയാണ് ബിൽ കണക്കാക്കുന്നത് എന്നതിനാൽ, നിങ്ങളുടെ കോൺഫിഗറേഷൻ തിരഞ്ഞെടുപ്പുകൾ ചെലവിനെ നേരിട്ട് ബാധിക്കും. പ്രധാന ഘടകങ്ങൾ ഇവയാണ്:

• പ്രശ്നത്തിന്റെ സങ്കീർണത: നിങ്ങളുടെ ഡാറ്റാസെറ്റിൽ ബുദ്ധിമുട്ടേറിയ പ്രശ്നങ്ങളാണുള്ളതെങ്കിൽ, ഓരോ പ്രശ്നത്തിലും റീസണിംഗ് നടത്താൻ മോഡൽ കൂടുതൽ സമയം ചെലവഴിച്ചേക്കാം. അതിനാൽ ഓരോ സാമ്പിളും സൃഷ്ടിക്കാൻ കൂടുതൽ സമയമെടുക്കും.

• കമ്പ്യൂട്ടേഷൻ തീവ്രത: ഓരോ പരിശീലന ഘട്ടത്തിലും എത്രമാത്രം കമ്പ്യൂട്ടേഷൻ നടത്തണമെന്ന് compute_multiplier ഹൈപ്പർപാരാമീറ്റർ നിയന്ത്രിക്കുന്നു. ഉയർന്ന മൂല്യങ്ങൾ ഓരോ ഡാറ്റാപോയിന്റിനെക്കുറിച്ചും കൂടുതൽ വിശദമായി റീസണിംഗ് നടത്താൻ മോഡലിനെ പ്രേരിപ്പിക്കുന്നു. അതിനാൽ ഓരോ ഘട്ടവും കൂടുതൽ സാവധാനത്തിലാകും.

• സാധൂകരണ ക്രമീകരണങ്ങൾ:

• ഗ്രേഡറിന്റെ പ്രകടനം:

• വലുതോ കൂടുതൽ ശേഷിയുള്ളതോ ആയ മോഡൽ ഗ്രേഡറുകൾ ഗ്രേഡ് നൽകാൻ ചെറിയവയെക്കാൾ കൂടുതൽ സമയമെടുക്കും. ഉദാഹരണത്തിന്, ഒരു റീസണിംഗ് മോഡൽ ഉപയോഗിച്ചുള്ള ഗ്രേഡിങ്ങിന് റീസണിംഗ് അല്ലാത്ത മോഡൽ ഉപയോഗിച്ചുള്ളതിനേക്കാൾ 10 മടങ്ങ് സമയമെടുത്തേക്കാം.

• സങ്കീർണമായ പൈത്തൺ ഗ്രേഡിങ് ഫങ്ഷനുകൾ പ്രവർത്തിക്കാൻ ലളിതമായവയെക്കാൾ കൂടുതൽ സമയമെടുക്കും.

ചെലവ്, വേഗം, മോഡലിന്റെ ഗുണനിലവാരം എന്നിവയ്ക്കിടയിൽ അനുയോജ്യമായ സന്തുലനം കണ്ടെത്താൻ ഈ ക്രമീകരണങ്ങൾ സഹായിക്കുന്നു. ഉദാഹരണത്തിന്, ഇടയ്ക്കിടെയുള്ള സാധൂകരണം പ്രശ്നങ്ങൾ നേരത്തേ കണ്ടെത്താൻ സഹായിക്കുമെങ്കിലും ചെലവ് വർധിപ്പിക്കും. കൂടുതൽ നൂതനമായ മോഡൽ ഉപയോഗിച്ചുള്ള ഗ്രേഡിങ് കൃത്യത ഗണ്യമായി മെച്ചപ്പെടുത്തുമെങ്കിലും ഓരോ ഗ്രേഡിങ് ഘട്ടത്തിന്റെയും വേഗം കുറയ്ക്കുകയും ജോലിയുടെ ചെലവ് വർധിപ്പിക്കുകയും ചെയ്യും.

ചെലവ് നിയന്ത്രിക്കൽ

നിങ്ങളുടെ ചെലവ് നിയന്ത്രിക്കാൻ:

• നിങ്ങളുടെ കോൺഫിഗറേഷൻ സമയത്തെ എങ്ങനെ ബാധിക്കുന്നുവെന്ന് മനസ്സിലാക്കാൻ ചെറിയ റണ്ണുകളിൽ ആരംഭിക്കുക.

• ഉചിതമായ എണ്ണം സാധൂകരണ ഉദാഹരണങ്ങളും eval_samples-ഉം ഉപയോഗിക്കുക. ആവശ്യത്തിലധികം തവണ സാധൂകരിക്കുന്നത് ഒഴിവാക്കുക.

• നിങ്ങളുടെ ഗുണനിലവാര ആവശ്യകതകൾ നിറവേറ്റുന്ന ഏറ്റവും ചെറിയ ഗ്രേഡർ മോഡൽ തിരഞ്ഞെടുക്കുക.

• ഇഷ്ടാനുസൃത പൈത്തൺ ഗ്രേഡറുകൾ കാര്യക്ഷമമായി നിലനിർത്തുക.

• കൺവേർജൻസ് വേഗവും ചെലവും സന്തുലിതമാക്കാൻ compute_multiplier ക്രമീകരിക്കുക.

• ഡാഷ്‌ബോർഡിലൂടെയോ API വഴിയോ നിങ്ങളുടെ റൺ നിരീക്ഷിക്കുക. എപ്പോൾ വേണമെങ്കിലും നിങ്ങൾക്ക് താൽക്കാലികമായി നിർത്തുകയോ റദ്ദാക്കുകയോ ചെയ്യാം.

ഉദാഹരണങ്ങൾ.

വിജയകരമായ പരിശീലന റൺ

ഈ സാഹചര്യത്തിൽ, മൊത്തം വാൾ-ക്ലോക്ക് സമയം 6 മണിക്കൂറാണ്, പക്ഷേ 4 മണിക്കൂർ മാത്രമാണ് ബിൽ ചെയ്യാവുന്നത്. ചെലവ് 4 മണിക്കൂർ × $100/മണിക്കൂർ = $400 ആയിരിക്കും.

പരാജയപ്പെട്ട ജോബിന്റെ ഉദാഹരണം

ഈ ഉദാഹരണത്തിൽ, റൺ 2 മണിക്കൂർ പരിശീലിപ്പിക്കുകയും, ഒരു ചെക്ക്പോയിന്റ് എഴുതുകയും, 1 മണിക്കൂർ കൂടി പരിശീലിപ്പിക്കുകയും ചെയ്യുന്നു, പക്ഷേ തുടർന്ന് പരാജയപ്പെടുന്നു. ചെക്ക്പോയിന്റ് വരെയുള്ള 2 മണിക്കൂർ പരിശീലനം മാത്രമാണ് ബിൽ ചെയ്യാവുന്നത്.

മൊത്തത്തിൽ 3 മണിക്കൂർ പരിശീലനത്തിന് ചെലവഴിച്ചെങ്കിലും, ഉപയോഗിക്കാവുന്ന ചെക്ക്പോയിന്റിൽ 2 മണിക്കൂർ മാത്രമാണ് "ക്യാപ്ചർ ചെയ്തിരിക്കുന്നത്", അതിനാണ് ബിൽ ചെയ്യുന്നത്. പരാജയം കാരണം നഷ്ടപ്പെട്ട ഒരു മണിക്കൂർ പരിശീലന ജോലിക്ക് നിങ്ങൾ ഉത്തരവാദിയല്ല. ചെലവ് 2 മണിക്കൂർ × $100/മണിക്കൂർ = $200 ആയിരിക്കും.

പതിവായി ചോദിക്കുന്ന ചോദ്യങ്ങൾ.

എപ്പോഴാണ് എന്നിൽനിന്ന് നിരക്ക് ഈടാക്കുന്നത്?

നിങ്ങളുടെ റൺ പൂർത്തിയാകുമ്പോഴോ താൽക്കാലികമായി നിർത്തുമ്പോഴോ റദ്ദാക്കുമ്പോഴോ പരാജയപ്പെടുമ്പോഴോ ഞങ്ങൾ ബിൽ നൽകും. മുൻ ബില്ലിനുശേഷം ചെയ്ത ജോലിക്കാണ് ഓരോ ബില്ലിലും നിരക്ക് ഈടാക്കുന്നത്.

ഒരു റൺ പരാജയപ്പെട്ടാൽ ഞാൻ പണം നൽകണോ?

ഞങ്ങളുടെ പിശക് കാരണം ഒരു റൺ പരാജയപ്പെടുകയും സമീപകാല പരിശീലന ജോലിയിൽ ഏതെങ്കിലും നഷ്ടപ്പെടുകയും ചെയ്താൽ, നഷ്ടപ്പെട്ട ഭാഗത്തിന് നിങ്ങളിൽ നിന്ന് നിരക്ക് ഈടാക്കില്ല. നിങ്ങൾ ഒരു റൺ റദ്ദാക്കിയാൽ, റദ്ദാക്കൽ വരെയുള്ള ജോലിക്ക് നിങ്ങളിൽ നിന്ന് നിരക്ക് ഈടാക്കും.

ഗ്രേഡർ മോഡൽ ടോക്കണുകൾ എങ്ങനെയാണ് ബിൽ ചെയ്യുന്നത്?

നിങ്ങൾ കോൺഫിഗർ ചെയ്യുന്ന ഏതെങ്കിലും മോഡൽ ഗ്രേഡറുകൾ ഉപയോഗിക്കുന്ന ടോക്കണുകൾ ഞങ്ങൾ കണക്കാക്കുന്നു. പരിശീലനം പൂർത്തിയായ ശേഷം, ആ ടോക്കണുകൾ ഞങ്ങളുടെ സാധാരണ ഓരോ-ടോക്കൺ നിരക്കുകളിൽ ഞങ്ങൾ ബിൽ ചെയ്യും.

എനിക്ക് ഒരു റൺ താൽക്കാലികമായി നിർത്തി പുനരാരംഭിക്കാമോ?

അതെ. നിങ്ങൾ താൽക്കാലികമായി നിർത്തുമ്പോൾ, ഞങ്ങൾ ഒരു ചെക്ക്പോയിന്റ് സംരക്ഷിക്കുകയും ഇതുവരെ ചെയ്ത ജോലിക്ക് നിരക്ക് ഈടാക്കുകയും ചെയ്യും. നിങ്ങൾ പുനരാരംഭിക്കുമ്പോൾ, പുനരാരംഭിച്ചതിന് ശേഷം ചെയ്ത അധിക ജോലിക്ക് മാത്രമേ നിങ്ങളിൽ നിന്ന് നിരക്ക് ഈടാക്കൂ.

Reinforcement Fine‑Tuning ബില്ലിംഗിനെക്കുറിച്ച് നിങ്ങൾക്ക് മറ്റ് ചോദ്യങ്ങളുണ്ടെങ്കിൽ, ഞങ്ങളുടെ പിന്തുണാ ടീമിനെ ബന്ധപ്പെടുക.