—
plataforma mais barata/mês—RunPod/mês
—Baseten / mês
—Modal/mês
Spread de custo – mesma taxa nominal de GPU em US$/hora
—
Detalhamento do faturamento, por plataforma
Mesmas entradas acima, aplicadas por meio da lógica de faturamento distinta de cada plataforma. Unidades faturadas/dia é a quantidade bruta pela qual cada plataforma realmente cobra – segundos para RunPod e Modal, minutos para Baseten.
Custo mensal por taxa de inicialização a frio (intermitência de tráfego)
Mesma duração, taxa e entradas de buffer acima, varridas pela taxa de inicialização a frio - quão espalhadas estão suas solicitações. A linha destacada está mais próxima da entrada atual da taxa de inicialização a frio. Veja como a plataforma mais barata pode mudar à medida que o tráfego fica mais intenso.
| Taxa de inicialização a frio | RunPod/mês | Baseten / mês | Modal/mês | Mais barato |
|---|
Como isso se conecta a outras ferramentas
Esta calculadora avalia uma questão específica e restrita: para tráfego de inferência BURSTY e de baixo QPS, como a mesma taxa nominal de $/GPU-hora se transforma em contas reais muito diferentes, dependendo da mecânica de faturamento de uma plataforma - por segundo, por minuto arredondado ou por segundo mais buffer para manter aquecido. Ele deliberadamente não modela o aluguel de GPU de taxa fixa e de alta utilização, onde você paga por horas contínuas, independentemente do padrão de solicitação - para esse enquadramento, consulte o Calculadora de custos de nuvem GPU e o Calculadora de custo de aluguel de GPU, que tratam o custo da GPU como $/hora × horas usadas. Essa ferramenta existe precisamente porque a matemática da taxa fixa é interrompida para cargas de trabalho esporádicas e propensas a inicialização a frio - uma ferramenta interna chamada algumas centenas de vezes por dia não se comporta nada como uma API ocupada fixando uma GPU em alta utilização, e a diferença de forma de faturamento entre plataformas só aparece quando você modela partidas a frio e tempo ocioso explicitamente, em vez de assumir uma taxa fixa multiplicada por horas.
Calculadora de custos de nuvem GPUCalculadora de custo de aluguel de GPULLM auto-hospedado vs calculadora APICalculadora de custos do servidor MCP
Como funciona esta calculadora
O Calculadora de faturamento da plataforma GPU sem servidor divide seu tráfego diário em dois intervalos usando o taxa de partida a frio: pedidos frios (solicitações por dia × taxa de inicialização a frio) são aquelas que chegam depois que o contêiner foi escalado para zero e devem pagar o valor integral duração da inicialização a frio mais o duração da inferência quente; pedidos calorosos (o restante) atinge um contêiner já carregado e paga apenas a duração da inferência. Cada plataforma então aplica sua própria lógica de faturamento a esses dois buckets. RunPod faturas por segundo para cada segundo em que o contêiner está ativo - frio ou quente - então sua fatura diária é simplesmente o total de segundos ativos ÷ 3.600 × seu Taxa horária de GPU. Baseten fatura por minuto e arredonda cada chamada até o próximo minuto completo, de modo que mesmo uma chamada calorosa de 3 segundos e uma chamada fria de 11 segundos consomem, cada uma, um minuto completo faturado; sua fatura diária é o total de minutos faturados ÷ 60 × a tarifa horária. Modal fatura por segundo como RunPod para a computação real, mas adiciona o buffer ocioso para manter aquecido como segundos extras cobrados em cada solicitação quente - o contêiner permanece ativo e cobrando por essa janela de buffer para que a próxima solicitação possa pular sua própria inicialização a frio.
O número que vale a pena assistir é o spread de custo mensal entre a plataforma mais barata e a mais cara - no padrão trabalhado da própria calculadora (200 solicitações/dia, 3s a quente, 8s a frio, 40% de taxa de inicialização a frio, US$ 2,49/h), esse spread é aproximadamente 9-10x entre RunPod e Baseten, exatamente na mesma taxa nominal de GPU por hora. Essa lacuna não é um truque de precificação — é o que acontece quando a duração típica da chamada de uma carga de trabalho (alguns segundos) colide com uma granularidade de faturamento criada para trabalhos mais longos (um minuto inteiro). Quanto mais curtas e esporádicas forem suas ligações, mais esse formato importa mais do que a taxa adesiva de $/hora. Esta ferramenta modela a MECÂNICA documentada publicamente por esses tipos de plataformas – faturamento por segundo, arredondamento por minuto, buffers de manutenção de calor – como uma aproximação para mostrar a forma da diferença; sempre verifique as páginas de preços atuais do fornecedor antes de se comprometer, pois as taxas exatas e as regras de arredondamento podem mudar.
Perguntas frequentes
Por que o Baseten custa mais que o RunPod para a mesma GPU?
Não porque a taxa de GPU subjacente seja diferente – nesta comparação, ambas são cobradas pelo mesmo $/hora – mas por causa de como cada plataforma funciona 24 horas por dia. O faturamento sem servidor do RunPod é por segundo: você paga exatamente pelos segundos em que o contêiner está ativo, incluindo o tempo de carregamento de inicialização a frio e nada mais. Baseten fatura por minuto e arredonda cada invocação até o próximo minuto completo. Uma chamada de inferência quente de 3 segundos ainda é cobrada como um minuto completo de 60 segundos, e uma chamada de inicialização a frio de 11 segundos também é cobrada como o mesmo minuto completo, porque ambas são arredondadas para 1. Para uma carga de trabalho intermitente e de baixo QPS, onde a maioria das chamadas individuais duram apenas alguns segundos, esse arredondamento é brutal: você está efetivamente pagando por 15 a 20 vezes mais tempo de computação do que realmente usou em cada chamada. A diferença não é um truque de preços, é puro arredondamento de granularidade de minuto aplicado a trabalhos muito curtos, e aumenta sempre que a carga de trabalho é tão curta e tão frequente.
O que é um “arranque a frio” e porque custa dinheiro?
Uma plataforma de GPU sem servidor não mantém um contêiner em execução (e cobrando você) quando nada está acontecendo — ela reduz o contêiner a zero após um período de inatividade para economizar dinheiro em tempo ocioso. A desvantagem é que a próxima solicitação após uma escala até zero terá que esperar que um contêiner totalmente novo seja iniciado: extrair a imagem do contêiner, carregar os pesos do modelo na GPU, inicializar o tempo de execução e só então iniciar a inferência real. Esse processo de carregamento é a "inicialização a frio" e, em cargas de trabalho de inferência ou LLM hospedadas em GPU, geralmente leva de vários segundos a dezenas de segundos, porque os pesos dos modelos podem ser de gigabytes e movê-los para a memória da GPU não é instantâneo. Crucialmente, esse tempo de carregamento não é tempo de computação gratuito sendo doado a você – a GPU é totalmente alocada e cobrada durante ele em todas as plataformas modeladas aqui, exatamente como seria durante a inferência real. Portanto, cada solicitação de inicialização a frio custa efetivamente os segundos de inicialização a frio MAIS os segundos de inferência reais, e quanto mais espalhado (intermitente) for o tráfego, mais solicitações atingirão um contêiner frio em vez de um ainda quente, e mais da sua conta total será pura sobrecarga de carregamento, em vez de computação útil.
Devo usar um buffer de manutenção para minha carga de trabalho de inferência?
Depende se você está otimizando a latência ou o custo, e esses dois objetivos seguem direções opostas para tráfego intenso. Um buffer keep-warm (modelado aqui como a abordagem do Modal) mantém o contêiner ativo e carregado para uma janela após a conclusão de cada solicitação, portanto, se a próxima solicitação chegar dentro dessa janela, ele ignora totalmente a inicialização a frio e responde rapidamente. Essa é uma verdadeira vantagem na experiência do usuário para tráfego sensível à latência. Mas você está pagando o preço integral da GPU ativa por cada segundo ocioso que o contêiner fica esperando, independentemente de outra solicitação chegar a tempo ou não - o modelo Modal da calculadora adiciona o buffer ocioso como segundos cobrados em cada solicitação que se beneficia de um contêiner quente. Para tráfego muito esporádico – intervalos longos e imprevisíveis entre chamadas – esse tempo ocioso é principalmente dinheiro desperdiçado, porque o buffer expira antes que a próxima solicitação apareça de qualquer maneira e você paga por ele de graça. Os buffers de manutenção de temperatura fazem mais sentido economicamente quando as lacunas de solicitação se aglomeram dentro da janela do buffer; para tráfego verdadeiramente aleatório ou raro, fazer uma inicialização a frio ocasional geralmente é mais barato do que pagar para manter uma GPU aquecida, caso a próxima chamada chegue em breve.
O faturamento da GPU por segundo ou por minuto é melhor para tráfego intenso?
Para tráfego intermitente e de curta duração, a cobrança por segundo é quase sempre melhor, e quanto mais curta for a chamada de inferência típica em relação a um minuto, maior será a vantagem. O faturamento por minuto arredondado (como o modelo de Baseten aqui) cobra um minuto inteiro, não importa se a computação real levou 3 segundos ou 55 segundos - a granularidade do faturamento é mais grosseira do que a carga de trabalho, portanto, chamadas curtas são mais tributadas em termos percentuais. O faturamento por segundo (como a parte de computação ativa do RunPod e do Modal aqui) cobra exatamente o que foi usado, portanto, uma chamada de 3 segundos custa aproximadamente um vigésimo de uma chamada de 60 segundos, em vez do mesmo valor. O único lugar onde o faturamento por minuto deixa de ser uma clara desvantagem é quando a duração típica da chamada já está próxima ou superior a um minuto – o desperdício de arredondamento diminui para zero à medida que a duração da chamada se aproxima da granularidade do faturamento. Para uma ferramenta interna ou API esporádica chamada algumas centenas de vezes por dia com respostas de vários segundos, o faturamento por minuto pode facilmente se tornar uma ordem de magnitude mais caro do que o faturamento por segundo com a mesma taxa nominal de GPU por hora.