Llama es un modelo de pesos abiertos, así que su precio no se puede responder con una única tabla de precios. El 6 de julio de 2026, Meta cerró la vista previa pública de Llama API y la interfaz anterior devuelve un aviso de terminación; los pesos de Llama no se ven afectados y se siguen obteniendo en la página de descargas de Meta y en Hugging Face. En su aviso, Meta recomendó a los desarrolladores migrar a proveedores externos que soporten Llama.
Por eso, hoy "precio de Llama API" significa en realidad: qué ruta de integración eliges. El alojamiento de terceros cobra por token, la nube cobra por contrato y consumo, el autohospedaje cobra por hora de GPU y el gateway agregado descuenta de un saldo convertido. Las cuatro facturas tienen estructuras distintas, y comparar directamente "cuánto cuesta un millón de tokens" lleva a conclusiones equivocadas. Este artículo explica solo la estructura de costos y el método; los precios concretos se rigen por la página de cada plataforma y por precios de modelos.
Nota: Llama es una marca de Meta Platforms, Inc. Este artículo es solo una introducción técnica y no implica afiliación, representación ni relación con Meta. Las versiones de modelo, licencias y precios de cada plataforma cambian; verifica la página original antes de comprar.
1. Después del cierre de la Llama API de Meta, ¿qué rutas quedan?
La primera es una API de alojamiento de terceros. Plataformas de nube como AWS Bedrock, Azure AI Foundry y Google Cloud Vertex AI ofrecen modelos Llama; plataformas especializadas de inferencia como Together AI, Fireworks, DeepInfra, Novita y Parasail también ofrecen servicio facturado por token. Las versiones, longitudes de contexto, cuantizaciones y regiones disponibles no coinciden entre plataformas.
La segunda es el autohospedaje. Se descargan los pesos a GPU propias o alquiladas y se sirven con frameworks como vLLM, SGLang o TGI; para validaciones pequeñas también sirven llama.cpp u Ollama. Esta ruta compra capacidad de cómputo y operación, no cuota de API.
La tercera es un gateway agregado compatible con OpenAI. Plataformas como ZSQH AI Gateway unifican varios proveedores en una interfaz y una cuenta de saldo, y encajan con equipos que necesitan pago en moneda local y una vista unificada de consumo.
No hay rutas mejores o peores, solo rutas que encajan; antes de elegir, confirma el ciclo de vida de la versión, la estabilidad del volumen de llamadas y la capacidad de operación del equipo.
2. De qué se compone la factura de cada ruta
| Ruta | Unidad de facturación | Composición típica de la factura | Escenario adecuado | Costo que se suele pasar por alto |
|---|---|---|---|---|
| API de terceros | Tokens de entrada y salida por separado | Consumo de tokens, caché, procesamiento por lotes | Salir rápido a producción sin equipo de GPU | Crecimiento del contexto, reintentos, colas |
| Proveedor de nube | Tokens por consumo o capacidad aprovisionada | Consumo, compromiso de gasto, plan de soporte, red y almacenamiento | Contrato de nube existente y compras con cumplimiento | Consumo mínimo, tráfico entre regiones, retirada de versiones |
| Autohospedaje | Horas de GPU o tarifa mensual | Alquiler de GPU, almacenamiento, red, personal de operación | Utilización alta y estable, límites de datos estrictos | Capacidad ociosa, escalado, resolución de fallos |
| Gateway agregado | Consumo de tokens convertido | Saldo prepago, tipo de cambio y comisión de servicio | Pago en moneda local y gestión de varios modelos | Gestión del saldo, dependencia del proveedor |
Lo clave no es si el precio es alto o bajo, sino que la unidad de facturación es distinta. Una factura por token cambia con el consumo; una factura por hora de GPU avanza con el reloj; la capacidad aprovisionada se cobra aunque no se use. Comparar precios unitarios entre unidades distintas suele dar conclusiones poco fiables.
3. Facturación por token: lo caro no es el precio unitario, sino la estructura de uso
La factura de tokens tiene dos partes: entrada y salida. El prompt del sistema, el historial de conversación, las definiciones de herramientas y los documentos recuperados cuentan como entrada; el contenido que genera el modelo cuenta como salida. El precio de salida suele ser mayor que el de entrada, y las respuestas largas, las cadenas de razonamiento largas y un max_tokens alto elevan el costo.
El contexto es lo que más se subestima. En una conversación de varios turnos se reenvía el historial completo en cada turno, así que los tokens de entrada se acumulan; si se mete un documento entero en el contexto, una sola solicitud puede consumir decenas de miles de tokens. La caché alivia el costo de prefijos repetidos, pero solo si el prefijo es estable y la tasa de acierto es observable; no asumas que "activar la caché ahorra dinero".
Los reintentos también entran en el presupuesto. Un reenvío tras un 429, un timeout o un 5xx puede generar costo si el upstream ya procesó la solicitud; no des por hecho que "lo que falla es gratis". Las aplicaciones de tipo agente deben vigilar las llamadas en bucle: una tarea puede generar decenas de solicitudes al modelo, y la factura se acumula por solicitud.
El procesamiento por lotes sirve para tareas offline y suele costar menos que la llamada en línea, pero la latencia se mide en horas; el streaming mejora la experiencia y no cambia el total de tokens. Al presupuestar, separa primero las solicitudes en línea, offline y cacheables, y estima cada grupo por separado.
4. Nube y plataformas especializadas: la diferencia está en el contrato, no solo en el precio
La factura de nube no es solo el costo de tokens: también puede incluir capacidad aprovisionada, compromiso de gasto, plan de soporte, red entre regiones y almacenamiento de registros. La capacidad aprovisionada encaja con equipos de carga estable: una vez reservada, no se reembolsa el tiempo ocioso; si el tráfico fluctúa mucho, el pago por uso es más flexible.
Las plataformas especializadas de inferencia facturan de forma más directa, pero un modelo con el mismo nombre no siempre es el mismo producto. La precisión de cuantización, la ventana de contexto, el límite de concurrencia, la versión y el uso de instancias dedicadas afectan precio y resultados. Antes de contratar, confirma al menos cuatro puntos: versión del modelo, límite de contexto, reglas de limitación de tasa y condiciones de fallo y reembolso.
Al comparar, haz una prueba de poco tráfico con tus propias solicitudes y registra latencia, tasa de error, calidad de salida y cobro real; mirar solo las cifras de la página de precios deja fuera el costo de colas y reintentos.
5. Autohospedaje: se calcula la utilización de GPU, no el precio por token
El núcleo del autohospedaje no es el precio por token, sino "cuántos tokens útiles produce una máquina por hora":
Costo total por hora = precio hora de cada GPU × número de GPU + almacenamiento/red + personal de operación prorrateado
Tokens realmente procesados por hora = rendimiento máximo × utilización media
Costo por millón de tokens = costo total por hora ÷ tokens realmente procesados por hora × 1,000,000
La utilización es la clave. La misma GPU al 20% y al 80% de utilización puede producir un costo equivalente por token hasta cuatro veces distinto. En negocios de poco tráfico o con picos fuertes, la GPU pasa mucho tiempo ociosa y una API gestionada suele salir más rentable; en cargas altas y estables que aprovechan el procesamiento por lotes, el autohospedaje tiene ventaja.
También hay que contar la operación: actualización de modelos, ajuste de cuantización, monitoreo y alertas, conmutación por error, parches de seguridad y guardias. Un modelo del tamaño de Llama 4 Scout puede desplegarse en una sola GPU con INT4; el tamaño Maverick suele requerir varias GPU, según el esquema de cuantización, la longitud de contexto y el framework de inferencia. En licencias, la licencia comunitaria de Llama generalmente permite uso comercial, pero incluye una política de uso aceptable, umbrales de usuarios activos mensuales y requisitos de atribución; lee el texto original antes de implementar.
6. Seis pasos para presupuestar con precisión
- Exporta los registros de las últimas cuatro semanas: solicitudes, tokens de entrada y salida, contexto p95, tasa de reintentos y concurrencia máxima.
- Elige tres rutas candidatas y calcula el costo mensual en escenarios bajo, medio y alto con los precios actuales; no calcules un solo punto.
- Haz un análisis de sensibilidad de la tasa de acierto de caché, la proporción de procesamiento por lotes y la tasa de reintentos, y mira qué factor pesa más.
- Para autohospedaje, calcula con utilización de 30%, 60% y 85%, y añade personal, respaldo y escalado.
- Elige una ruta para dos semanas de despliegue gradual, registra la factura real, la latencia, la tasa de error y la calidad de salida, y luego decide si amplías.
- Revisa cada trimestre el ciclo de vida de las versiones, los precios y el contrato, para no quedar atado a un modelo retirado.
7. Orden de prioridad del control de costos
Primero elimina el consumo inútil y luego habla de precio unitario: recorta el prompt del sistema y los mensajes históricos, resume o recupera los documentos largos antes de enviarlos, limita max_tokens, usa salida estructurada para reducir aclaraciones de ida y vuelta, aplica retroceso exponencial ante 429 y timeouts, y separa claves por proyecto con alertas de presupuesto.
El segundo paso es elegir el modelo por nivel de tarea. Para clasificar, extraer o reescribir, usa modelos más pequeños o rápidos; para razonamiento complejo, sube a modelos mayores; no uses la gama más cara en todo el sitio. El tercer paso es la caché, el procesamiento por lotes y la negociación de contrato. Si inviertes el orden, suele acabar negociando descuentos para solicitudes que no deberían existir.
Cuando llamas a varios modelos, un gateway agregado unifica saldo y vista de consumo y reduce la conciliación. Puedes registrarte en ZSQH AI Gateway, validar una solicitud con poco saldo y luego separar claves por proyecto. Los precios concretos se rigen por precios de modelos y cambian con el upstream.
8. Preguntas frecuentes
¿Todavía se puede pagar a Meta para llamar a Llama API?
La vista previa pública de Llama API de Meta cerró el 6 de julio de 2026 y la interfaz anterior ya no presta servicio de inferencia. Los pesos del modelo se pueden seguir descargando; para llamar hay que usar un alojamiento de terceros, un proveedor de nube, autohospedaje o un gateway agregado.
¿Por qué el mismo modelo Llama tiene precios tan distintos entre proveedores?
Puede deberse a diferencias de versión, precisión de cuantización, ventana de contexto o política de limitación, o a la diferencia entre instancia dedicada e inferencia compartida. Compara con la misma versión, la misma longitud de contexto y las mismas condiciones de concurrencia.
¿El autohospedaje siempre es más barato que pagar por token?
No necesariamente. Solo una utilización alta y estable diluye el costo de GPU y personal; en negocios de poco tráfico o picos fuertes, la GPU ociosa dispara el precio unitario equivalente.
Si duplico el contexto, ¿se duplica la factura?
No necesariamente. Los tokens de entrada crecen de forma aproximadamente lineal con el contexto y también suben el riesgo de latencia y limitación; el aumento real depende además del peso de la salida, la caché y los reintentos.
¿Un reintento fallido se cobra dos veces?
Depende de si el upstream ya procesó la solicitud. Los reintentos tras limitación, timeout y 5xx pueden generar costo; conviene aplicar retroceso, idempotencia y un máximo de reintentos, y conciliar con el ID de solicitud.
Siguientes pasos
El precio de Llama depende de la ruta de integración y de la estructura de consumo. Primero calcula con tus propios registros la entrada, la salida, el contexto y los reintentos, y luego compara las facturas de alojamiento gestionado, nube, autohospedaje y gateway. Si necesitas saldo unificado, pago en moneda local y gestión de varios modelos, empieza por registrarte; los precios y reglas de facturación concretos están en precios de modelos.
Lecturas relacionadas:
