Llama — модель с открытыми весами, и ответить на вопрос о её цене одной официальной таблицей нельзя. 6 июля 2026 года Meta закрыла публичную предварительную версию Llama API, и прежний интерфейс возвращает сообщение о прекращении сервиса; веса моделей Llama при этом не затронуты и по-прежнему доступны со страницы загрузки Meta и на Hugging Face. В объявлении Meta рекомендовала разработчикам перейти к сторонним поставщикам с поддержкой Llama.
Поэтому вопрос «сколько стоит Llama API» сегодня означает: какой маршрут подключения вы используете. Сторонний хостинг тарифицирует токены, облако — по договору и расходу, собственный сервер — по часам GPU, агрегирующий шлюз — по пересчитанному балансу. Структура счетов у четырёх маршрутов разная, и прямое сравнение «цены за миллион токенов» легко приводит к неверному выводу. Здесь описаны структура затрат и методика; конкретные цены — на страницах платформ и на странице цены на модели.
Примечание: Llama — товарный знак Meta Platforms, Inc. Статья носит технический характер и не подразумевает аффилированности, агентских или партнёрских отношений с Meta. Версии моделей, лицензии и цены платформ меняются; перед закупкой сверьтесь с исходной страницей.
1. Какие маршруты остались после закрытия Llama API от Meta
Первый — сторонний управляемый API. AWS Bedrock, Azure AI Foundry, Google Cloud Vertex AI и другие облака предоставляют модели Llama; Together AI, Fireworks, DeepInfra, Novita, Parasail и другие платформы инференса предлагают оплату по токенам. Набор моделей, длина контекста, квантование и регионы у платформ различаются.
Второй — собственный хостинг. Веса скачиваются на собственные или арендованные GPU, обслуживание идёт через vLLM, SGLang, TGI и подобные фреймворки; для небольшой проверки подойдут llama.cpp или Ollama. Здесь покупают вычисления и эксплуатацию, а не квоту API.
Третий — OpenAI-совместимый агрегирующий шлюз. Платформы вроде ZSQH AI Gateway сводят несколько моделей в один интерфейс и один баланс, что удобно китайским командам, которым нужны расчёты в юанях и единый обзор расхода.
У маршрутов нет «лучшего», есть подходящий; перед выбором проверьте жизненный цикл модели, стабильность объёма вызовов и способность команды к эксплуатации.
2. Из чего состоит счёт на каждом из четырёх маршрутов
| Маршрут | Единица тарификации | Типичные статьи счёта | Подходящий сценарий | Легко упустить |
|---|---|---|---|---|
| Сторонний управляемый API | Вход и выход по отдельности | Токены, кэш, пакетная обработка | Быстрый запуск, нет команды GPU | Разрастание контекста, повторы, очередь |
| Облачный провайдер | Токены по расходу или выделенная пропускная способность | Расход, обязательства, план поддержки, сеть и хранилище | Есть облачный договор и закупочный процесс | Минимальный расход, межрегиональный трафик, вывод модели |
| Собственный хостинг | Часы GPU или месячная аренда | Аренда GPU, хранилище, сеть, персонал | Стабильно высокая загрузка, границы данных | Простой, масштабирование, устранение сбоев |
| Агрегирующий шлюз | Пересчитанный расход токенов | Предоплата, курс, сервисная плата | Расчёты в юанях, единое управление моделями | Управление балансом, зависимость от поставщика |
Ключевое — не уровень цены, а разные единицы тарификации. Счёт по токенам меняется с расходом, счёт по часам GPU идёт со временем, выделенная пропускная способность тарифицируется и тогда, когда не используется. Сравнивать ставки разных единиц между собой обычно некорректно.
3. Оплата по токенам: дорого не в ставке, а в структуре расхода
Счёт за токены состоит из входа и выхода. Системный промпт, история диалога, определения инструментов и найденные документы считаются входом; сгенерированный текст — выходом. Выход обычно дороже входа, а длинные ответы, длинные цепочки рассуждений и высокий max_tokens повышают стоимость.
Контекст чаще всего недооценивают. В многораундовом диалоге вся история отправляется заново, и входные токены накапливаются с числом раундов; целый документ в контексте может дать десятки тысяч токенов на один запрос. Кэш снижает стоимость повторяющегося префикса, но только при стабильном префиксе и наблюдаемой доле попаданий; нельзя исходить из того, что «включили кэш — и стало дешевле».
Повторы тоже нужно закладывать в бюджет. Повторная отправка после 429, тайм-аута или 5xx может тарифицироваться, если запрос уже был обработан вышестоящей стороной; «неудача бесплатна» — не правило по умолчанию. В агентных приложениях учитывайте циклы: одна задача может породить десятки запросов к модели, и счёт складывается по запросам.
Пакетная обработка подходит для офлайн-задач, обычно дешевле онлайн-вызовов, но задержка измеряется часами; потоковый вывод улучшает опыт, но не меняет общий объём токенов. При планировании бюджета разделите запросы на онлайн, офлайн и кэшируемые и оценивайте каждую группу отдельно.
4. Облака и специализированные платформы: разница в договоре, а не только в ставке
Счёт облака включает не только токены, но и выделенную пропускную способность, обязательства по потреблению, план поддержки, межрегиональную сеть и хранение журналов. Выделенная пропускная способность подходит командам со стабильной нагрузкой: ёмкость фиксируется и не возвращается в часы простоя; при сильных колебаниях гибче оплата по расходу.
У платформ инференса тарификация проще, но модель с одинаковым названием не обязательно один и тот же товар. Точность квантования, окно контекста, предел параллелизма, версия и выделенные инстансы влияют на цену и результат. Перед договором уточните минимум четыре пункта: версию модели, предел контекста, правила лимитов, условия сбоев и возврата.
При сравнении цен проведите малый тест на собственных запросах и запишите задержку, долю ошибок, качество вывода и фактическое списание; глядя только на цифры страницы цен, легко упустить очередь и стоимость повторов.
5. Собственный хостинг: считают загрузку GPU, а не цену токена
В собственном хостинге главное — не цена за токен, а «сколько полезных токенов выдаёт одна машина за час»:
Общая стоимость часа = цена часа карты × число карт + хранилище/сеть + доля персонала
Фактически обработанных токенов в час = пиковая пропускная способность × средняя загрузка
Стоимость миллиона токенов = общая стоимость часа ÷ фактически обработанных токенов в час × 1 000 000
Загрузка — ключевой параметр. Одна и та же GPU при 20% и 80% загрузки может дать разницу в эквивалентной стоимости токена в четыре раза. При низком трафике или сильных пиках GPU много простаивает, и управляемый API часто выгоднее; собственный хостинг выигрывает при стабильно высокой параллельной нагрузке, которая хорошо заполняет пакетную обработку.
Не забудьте эксплуатацию: обновление моделей, настройку квантования, мониторинг и оповещения, переключение при сбоях, патчи безопасности, дежурство. Модель уровня Llama 4 Scout можно развернуть на одной карте в INT4, для уровня Maverick обычно нужно несколько карт — в зависимости от квантования, длины контекста и фреймворка. По лицензии: Llama Community License обычно разрешает коммерческое использование, но содержит политику допустимого использования, порог месячной аудитории и требования к указанию авторства; перед запуском прочитайте оригинал.
6. Шесть шагов для точного бюджета
- Выгрузите журналы за последние четыре недели: число запросов, входные и выходные токены, P95 контекста, долю повторов, пиковый параллелизм.
- Выберите три маршрута-кандидата и посчитайте месячную стоимость в низком, среднем и высоком варианте, а не одну точку.
- Проведите анализ чувствительности к доле кэша, доле пакетной обработки и доле повторов — определите, что влияет сильнее.
- Для собственного хостинга посчитайте три уровня загрузки — 30%, 60%, 85% — и добавьте персонал, резервирование и масштабирование.
- Выберите один маршрут для двухнедельного пилота, зафиксируйте реальный счёт, задержку, ошибки и качество, затем решайте о масштабировании.
- Раз в квартал пересматривайте жизненный цикл моделей, цены и договор, чтобы не оказаться запертыми на выведенной модели.
7. Приоритеты контроля затрат
Сначала устраните бесполезный расход, потом говорите о ставке: сократите системный промпт и историю, суммируйте или ищите по длинным документам, ограничьте max_tokens, используйте структурированный вывод, чтобы меньше уточнять, настройте экспоненциальную выдержку для 429 и тайм-аутов, разделите ключи по проектам и задайте бюджеты с оповещениями.
Второй шаг — выбор модели по уровню задачи. Классификация, извлечение и переписывание — на меньшей или более быстрой модели, сложные рассуждения — на большей; не используйте самый дорогой уровень для всего сайта. Третий шаг — кэш, пакетная обработка и переговоры по договору. Если порядок обратный, вы обычно выбиваете скидку на бесполезные запросы.
При одновременной работе с несколькими моделями агрегирующий шлюз унифицирует баланс и обзор расхода и упрощает сверку. Можно зарегистрироваться в ZSQH AI Gateway, прогнать один запрос на небольшой сумме и затем разделить ключи по проектам. Конкретные цены — на странице цены на модели; они меняются вслед за поставщиками.
8. Частые вопросы
Можно ли ещё платить Meta напрямую за вызовы Llama API?
Публичная предварительная версия Llama API от Meta закрыта 6 июля 2026 года; прежний интерфейс больше не предоставляет инференс. Веса моделей можно скачать, а вызовы идут через сторонний хостинг, облако, собственный сервер или агрегирующий шлюз.
Почему цены на одну и ту же Llama у разных поставщиков так различаются?
Возможны разные версии, точность квантования, окно контекста, политика лимитов, а также разница между выделенным инстансом и общим инференсом. Сравнивайте на одной версии, одной длине контекста и одинаковых условиях параллелизма.
Собственный хостинг всегда дешевле оплаты по токенам?
Не всегда. Только стабильно высокая загрузка распределяет стоимость GPU и персонала. При низком трафике или сильных пиках простаивающая GPU делает эквивалентную ставку очень высокой.
Если контекст удвоится, счёт удвоится?
Не обязательно. Входные токены растут примерно линейно с контекстом, а задержка и риск лимитов тоже увеличиваются; фактический рост зависит ещё от доли выхода, кэша и повторов.
Повтор после неудачи тарифицируется дважды?
Зависит от того, был ли запрос уже обработан вышестоящей стороной. Повторы после лимитов, тайм-аутов и 5xx могут стоить денег; настройте выдержку, идемпотентность и предел повторов и сверяйте по ID запросов.
Что дальше
Цена Llama зависит от маршрута подключения и структуры расхода. Сначала посчитайте по своим журналам вход, выход, контекст и повторы, затем сравните счета хостинга, облака, собственного сервера и шлюза. Если нужны единый баланс, расчёты в юанях и управление несколькими моделями, начните с регистрации; конкретные цены и правила тарификации — на странице цены на модели.
Связанные материалы:
