在这个视频中，我想带你快速浏览一些例子，以建立对在软件应用中使用大型语言模型的实际成本的直观感受。让我们来看看。这是一些示例价格，用于从不同的大型语言模型获取提示和回应，这些模型对开发者可用。即，如果你在你的代码中调用这些大型语言模型。OpenAI/GPT3.5每1000个Token收费0.002美元。也就是每1000个Token 0.2美分。GPT4的成本要高得多，每1000个Token 6美分，而谷歌的PaLM 2和亚马逊的Titan Lite也相当便宜。我在这里展示的是生成不同数量Token的成本。技术上，这些大型语言模型也会对提示的长度收费，但提示的长度，有时称为输入Token，几乎总是比输出Token的成本便宜。
现在我们只关注输出Token的成本。你可能会想，什么是Token？事实证明，Token大致是一个单词或单词的一部分。因为这就是大型语言模型处理文本的方式。常见的单词如"the"或"example"在大型语言模型处理时会被计为一个单独的Token。或者我的名字Andrew，是一个相对常见的名字，所以也是一个单独的Token。但不太常见的词如"translate"可能会被大型语言模型分割为两个Token，"tran"和"slate"，因此生成"translate"将花费你两个输出Token。不像更常见的单词，只会花费你一个Token。或者"programming"，可能会被LLM分为"program"和"ming"，也花费两个Token。一个不那么频繁的词如"tonkotsu"可能会被分为四个Token，如"ton"和"k"、"ots"和"u"。
但在大量文本文档的平均水平上，大约每个Token是3/4个单词。如果你要生成300个单词，那将花费你大约400个Token。如果数学没有完全理解也没关系。但我希望你从中获得的直觉是，Token的数量大致等于单词的数量，但稍微多一点。事实证明，大约比单词的数量多33%。在下一张幻灯片上，我们将使用每1000个Token 0.2美分的成本进行这个计算。但当然，如果你使用不同的LLM选项，成本可能会更高或更低。
想象一下，你正在为自己的团队构建一个LLM应用，可能会生成对他们阅读有用的文本。让我们估计生成足够的文本以让你团队中的某人忙上一小时的成本。成年人的典型阅读速度可能是每分钟大约250个单词。为了让某人忙上一小时，你需要生成60*250个单词，即15000个单词，这是LLM输出的。但我们也需要提示LLM来生成这个输出。如果我们假设提示的长度与输出的长度相当，那可能会增加另外15000个单词。也就是说，如果我们需要总共提示15000个单词的输入，然后还要生成15000个单词的输出，以让某人忙上一小时。
当然，这是一个非常粗略的假设，但对于建立直觉来说已经足够好。总共我们需要支付3万个单词的费用。正如我们在上一张幻灯片上看到的，因为每个Token大约对应3/4个单词，3万个单词大约对应4万个Token。如果每1000个Token的成本是0.002美分，那么生成4万个Token的成本是0.002*40，即8美分。如果你的软件应用使用的是OpenAI、Azure、谷歌或AWS等提供的云托管LLM服务，那么让某人忙上一个小时的成本可能是8美分。我在这个计算中没有做很多假设，但这似乎相当便宜。在美国，许多地方的最低工资可能在每小时10-15美元左右，所以为某人密集阅读额外支付每小时8美分似乎是一个小的增量成本，特别是如果它帮助他们更高效。当然，如果你有一个百万用户正在使用的免费产品，那么8美分乘以一百万次，没有相关收入，可能会变得昂贵。但我发现，对于许多应用程序来说，使用LLM的成本比大多数人认为的要便宜。我希望这能给你提供一些关于LLM成本的有用直觉。让我们继续看下一个视频。我们将了解一些更先进的技术，它们可以使你的LLM变得更加强大。下一个视频见。
参考
https://www.coursera.org/learn/generative-ai-for-everyone/lecture/6BrQX/cost-intuition