Llama est un modèle à poids ouverts : son prix ne se résume pas à un tableau tarifaire unique. Le 6 juillet 2026, Meta a retiré la préversion publique de l'API Llama ; les anciennes interfaces renvoient une notification de fin de service. Les poids des modèles ne sont pas affectés et restent disponibles depuis la page de téléchargement de Meta et Hugging Face. Meta recommande dans son annonce de migrer vers des fournisseurs tiers prenant en charge Llama.

Demander aujourd'hui « le prix de l'API Llama » revient donc à demander quelle route d'accès vous empruntez. L'hébergement tiers facture au token, le fournisseur cloud facture selon contrat et usage, l'auto-hébergement facture à l'heure de GPU, la passerelle agrégatrice déduit un solde converti. Les structures de facture diffèrent : comparer directement un « prix au million de tokens » conduit facilement à une conclusion erronée. Cet article traite de la structure et de la méthode, pas des montants ; les prix exacts suivent les pages de chaque plateforme et la page Tarifs des modèles.

Remarque : Llama est une marque de Meta Platforms, Inc. Cet article est purement technique et n'implique aucune affiliation, relation d'agence ou coopération avec Meta. Les versions de modèles, licences et tarifs de chaque plateforme évoluent : vérifiez les pages d'origine avant tout achat.

1. Après le retrait de l'API Llama de Meta, quelles routes restent ?

La première est l'API hébergée par un tiers. AWS Bedrock, Azure AI Foundry, Google Cloud Vertex AI et d'autres plateformes cloud proposent des modèles Llama ; Together AI, Fireworks, DeepInfra, Novita, Parasail et d'autres plateformes d'inférence spécialisées proposent aussi un service facturé au token. Les modèles disponibles, les longueurs de contexte, les quantifications et les régions varient.

La deuxième est l'auto-hébergement. Téléchargez les poids sur vos GPU ou sur des GPU loués et servez avec vLLM, SGLang, TGI ou un autre framework d'inférence ; pour une validation à petite échelle, llama.cpp ou Ollama suffisent. Cette route achète de la puissance de calcul et de l'exploitation, pas du quota API.

La troisième est une passerelle agrégatrice compatible OpenAI. Des plateformes comme ZSQH AI Gateway unifient plusieurs modèles derrière une interface et un solde, ce qui convient aux équipes en Chine ayant besoin de règlement en yuans et d'une vue d'usage unifiée.

Aucune route n'est supérieure en soi : il s'agit d'une adéquation. Avant de choisir, vérifiez le cycle de vie des modèles, la stabilité du volume d'appels et la capacité d'exploitation de l'équipe.

2. Ce qui compose la facture de chaque route

Route Unité de facturation Composition typique Scénario adapté Coût souvent oublié
API hébergée tierce Tokens d'entrée et de sortie séparés Usage de tokens, cache, traitement par lots Mise en ligne rapide, équipe sans GPU Gonflement du contexte, tentatives, file d'attente
Fournisseur cloud Tokens à l'usage ou débit provisionné Usage, engagement, plan de support, réseau et stockage Contrat cloud existant, achat conforme Consommation minimale, trafic inter-régions, retrait de modèle
Auto-hébergement Heure de GPU ou forfait mensuel Location GPU, stockage, réseau, exploitation Utilisation stable et élevée, frontière de données Machines inactives, montée en charge, incidents
Passerelle agrégatrice Consommation de tokens convertie Solde prépayé, change et frais de service Règlement en yuans, gestion multi-modèles Gestion du solde, dépendance au fournisseur

Le point clé n'est pas le niveau du prix, mais l'unité de facturation. Une facture au token varie avec l'usage ; une facture à l'heure de GPU s'écoule avec le temps ; un débit provisionné est facturé même sans utilisation. Comparer des prix unitaires exprimés dans des unités différentes produit généralement des conclusions peu fiables.

3. Facturation au token : le coût vient de la structure d'usage, pas du prix unitaire

Une facture de tokens se compose d'entrées et de sorties. Le prompt système, l'historique de conversation, les définitions d'outils et les documents récupérés comptent comme entrées ; le contenu généré compte comme sortie. Le prix de sortie est généralement supérieur à celui d'entrée ; les réponses longues, les chaînes de raisonnement longues et un max_tokens élevé augmentent le coût.

Le contexte est la partie la plus sous-estimée. À chaque tour, l'historique complet est renvoyé : les tokens d'entrée s'accumulent avec le nombre de tours. Un document entier injecté dans le contexte peut consommer des dizaines de milliers de tokens par requête. Le cache atténue le coût d'un préfixe répété, à condition que le préfixe soit stable et le taux de succès observable ; ne supposez pas que « activer le cache fait économiser ».

Les tentatives doivent aussi entrer dans le budget. Après un 429, un timeout ou un 5xx, une nouvelle tentative peut être facturée si l'amont a déjà traité la requête ; ne considérez pas « l'échec est gratuit » comme une règle par défaut. Les applications d'agents appellent souvent le modèle des dizaines de fois pour une tâche ; la facture s'additionne par requête.

Le traitement par lots convient aux tâches hors ligne, à un prix généralement inférieur à l'appel en ligne, mais avec une latence en heures ; le streaming améliore l'expérience sans changer le volume de tokens. Pour budgéter, classez d'abord les requêtes en ligne, hors ligne et cachable, puis estimez séparément.

4. Fournisseurs cloud et plateformes spécialisées : la différence est contractuelle autant que tarifaire

Une facture cloud ne contient pas que des tokens : elle peut inclure débit provisionné, engagement d'achat, plan de support, réseau inter-régions et stockage de journaux. Le débit provisionné convient aux charges stables : une fois la capacité réservée, elle n'est pas remboursée en période creuse ; en cas de forte variabilité, l'usage à la demande est plus souple.

La facturation des plateformes d'inférence spécialisées est plus directe, mais un même nom de modèle n'est pas forcément le même produit. La quantification, la fenêtre de contexte, la limite de concurrence, la version et l'éventuelle instance dédiée influent sur le prix et le résultat. Avant de signer, vérifiez au moins quatre points : version du modèle, limite de contexte, règles de limitation, clauses d'incident et de remboursement.

Pour comparer, testez à faible volume avec vos propres requêtes en relevant latence, taux d'erreur, qualité de sortie et facturation réelle ; les chiffres de la page tarifs masquent facilement les coûts de file d'attente et de tentative.

5. Auto-hébergement : raisonner en utilisation GPU, pas en prix du token

Le cœur de l'auto-hébergement n'est pas le prix unitaire du token, mais « combien de tokens utiles une machine produit-elle par heure » :

coût horaire total = prix horaire de la carte × nombre de cartes + stockage/réseau + quote-part d'exploitation
tokens réellement traités par heure = débit de pointe × utilisation moyenne
coût par million de tokens = coût horaire total ÷ tokens réellement traités par heure × 1 000 000

L'utilisation est décisive. Une même GPU à 20 % ou 80 % d'utilisation peut produire un coût équivalent par token quatre fois différent. Pour un faible trafic ou des pics marqués, le GPU tourne souvent à vide et l'API hébergée est souvent plus rentable ; l'auto-hébergement devient avantageux avec une concurrence élevée stable et un traitement par lots qui remplit la machine.

Ajoutez l'exploitation : mises à jour de modèles, optimisation de quantification, supervision et alertes, bascule, correctifs de sécurité, astreinte. Un modèle de la taille de Llama 4 Scout peut se déployer sur une carte en INT4 ; la taille Maverick demande généralement plusieurs cartes, selon la quantification, la longueur de contexte et le framework. Côté licence, la licence communautaire Llama autorise généralement l'usage commercial, avec une politique d'usage acceptable, un seuil d'utilisateurs actifs mensuels et des obligations d'attribution ; lisez le texte avant de déployer.

6. Six étapes pour établir un budget juste

  1. Exportez les journaux des quatre dernières semaines : requêtes, tokens d'entrée et de sortie, contexte P95, taux de tentative, concurrence de pointe.
  2. Choisissez trois routes candidates et calculez le coût mensuel en scénarios bas, moyen et haut, pas sur un seul point.
  3. Faites une analyse de sensibilité au taux de succès du cache, à la part du traitement par lots et au taux de tentative, pour identifier le facteur dominant.
  4. Pour l'auto-hébergement, calculez à 30 %, 60 % et 85 % d'utilisation, en ajoutant personnel, sauvegarde et montée en charge.
  5. Faites tourner une route pendant deux semaines en pilote, avec facture, latence, taux d'erreur et qualité réels, avant d'augmenter le volume.
  6. Revoyez chaque trimestre le cycle de vie des modèles, les prix et le contrat, pour ne pas rester bloqué sur un modèle retiré.

7. Ordre de priorité de la maîtrise des coûts

Commencez par éliminer l'usage inutile, puis discutez du prix unitaire : réduisez le prompt système et l'historique, résumez ou recherchez dans les documents longs avant injection, limitez max_tokens, utilisez des sorties structurées pour éviter les allers-retours de clarification, appliquez un backoff exponentiel aux 429 et timeouts, séparez les clés par projet avec alertes budgétaires.

Deuxième étape : choisir le modèle par niveau de tâche. Classification, extraction et réécriture passent par un modèle plus petit ou plus rapide ; le raisonnement complexe par un modèle plus grand. N'utilisez pas le modèle le plus cher partout. Troisième étape seulement : cache, traitement par lots et négociation contractuelle. Inverser l'ordre revient souvent à négocier une remise sur des requêtes inutiles.

En appelant plusieurs modèles, une passerelle agrégatrice unifie solde et vue d'usage et réduit le rapprochement. Vous pouvez d'abord créer un compte sur ZSQH AI Gateway, valider une requête à faible volume, puis séparer les clés par projet. Les prix exacts suivent la page Tarifs des modèles et évoluent avec les amonts.

Questions fréquentes

Peut-on encore payer Meta directement pour appeler l'API Llama ?

La préversion publique de l'API Llama de Meta a été retirée le 6 juillet 2026 et l'interface d'origine ne fournit plus d'inférence. Les poids restent téléchargeables ; l'appel passe par un hébergement tiers, un fournisseur cloud, l'auto-hébergement ou une passerelle agrégatrice.

Pourquoi les prix varient-ils autant pour un même modèle Llama ?

Cela peut venir de la version, de la quantification, de la fenêtre de contexte, de la politique de limitation, ou d'une instance dédiée face à une inférence partagée. Comparez à version, longueur de contexte et concurrence identiques.

L'auto-hébergement est-il toujours moins cher qu'un paiement au token ?

Non. Seule une utilisation stable et élevée amortit le GPU et le personnel ; pour un faible trafic ou des pics marqués, les GPU inactifs font grimper le coût équivalent.

Doubler le contexte double-t-il la facture ?

Pas nécessairement. Les tokens d'entrée croissent à peu près linéairement avec le contexte, et la latence comme le risque de limitation augmentent ; l'ampleur réelle dépend de la part de sortie, du cache et des tentatives.

Une nouvelle tentative après échec est-elle facturée deux fois ?

Cela dépend si la requête a déjà été traitée en amont. Les nouvelles tentatives après limitation, timeout ou 5xx peuvent être facturées ; prévoyez backoff, idempotence et plafond de tentatives, et rapprochez par identifiant de requête.

Pour aller plus loin

Le prix de Llama dépend de la route d'accès et de la structure d'usage. Calculez d'abord entrées, sorties, contexte et tentatives à partir de vos journaux, puis comparez les factures de l'hébergement, du cloud, de l'auto-hébergement et de la passerelle. Pour un solde unifié, un règlement en yuans et la gestion multi-modèles, commencez par créer un compte ; les tarifs et règles de facturation figurent sur la page Tarifs des modèles.

Articles liés :