
Ertas Builder 計劃($14.50/月):適合對象、包含內容、誠實評測
對 Ertas Builder 計劃的誠實分析。包含內容、適合誰、何時升級,以及早鳥定價與它取代的 API 費用相比如何。
Ertas Builder 計劃在早鳥期間為每月 14.50 美元——正常為 34.50 美元,預訂後以較低價格終身鎖定。這是對你能獲得什麼、適合誰、何時不夠用,以及相對於它通常取代的 API 費用,數字如何計算的詳細分析。
不加掩飾。如果 Builder 對你的情況不是正確的計劃,本評測會這麼說。
Builder 包含什麼
每月 100 個積分。 當你運行訓練工作時消耗積分。在 500 到 1,000 個訓練示例上對 7B 模型進行典型微調運行消耗 8 到 15 個積分。有了 100 個積分,你每月可以現實地運行 7 到 12 個訓練工作——足夠定期實驗、迭代改進,或維護 2 到 3 個每月重新訓練的活躍專案。
3 個專案。 專案保存特定使用案例或應用程式的資料集、訓練運行和匯出模型。3 個專案意味著你可以同時維護 3 個不同的微調模型——典型的獨立開發者有一個主要產品和幾個側面實驗。
最多 14B 參數的模型。 免費層上限為 7B。Builder 解鎖了 14B 模型(Qwen 2.5 14B、Llama 3.1 14B 等)。對於大多數窄任務應用,7B 已足夠。當你需要更好的推理或多語言能力,同時仍在中等規格 VPS 上本地運行時,14B 變得相關。
50 GB 存儲。 涵蓋你上傳的資料集和匯出的 GGUF 文件。微調的 7B GGUF(Q4 量化)大約 4 到 5 GB。50 GB 可以舒適地存儲 8 到 10 個匯出模型及產生它們的資料集。
資料集合成。 Ertas 可以從種子資料集或描述生成合成訓練示例。當你的真實世界資料有限時很有用。Builder 包含此功能;免費版不包含。
批量評估和自動評估。 針對測試資料集對你的微調模型運行評估基準。當你重新訓練時,自動評估標記回歸。對於隨資料集演變維護品質至關重要。
實際中的積分系統
| 模型大小 | 資料集大小 | 每次運行大概積分 |
|---|---|---|
| 7B 模型 | 200-500 個示例 | 5-8 積分 |
| 7B 模型 | 500-1,500 個示例 | 8-12 積分 |
| 7B 模型 | 1,500-3,000 個示例 | 12-18 積分 |
| 14B 模型 | 200-500 個示例 | 8-15 積分 |
| 14B 模型 | 500-1,500 個示例 | 15-25 積分 |
每月 100 個積分,你可以根據模型大小和資料集運行大約 6 到 12 個訓練工作。對於每月重新訓練一個微調模型的典型獨立開發者,這是相當大的空間。
Builder 適合誰
替換 OpenAI API 帳單的獨立開發者。 你有一個 SaaS 應用程式,目前每月花費 80 到 400 美元在 API 呼叫上。你想在你的領域上微調模型、匯出 GGUF、在本地運行。Builder + 每月 26 美元的 Hetzner VPS,總費用為每月 40.50 美元取代了那個帳單——由於你的推理成本現在為零,節省額隨使用量增長。
有 1 到 3 個活躍專案的獨立建設者。 你正在為不同的使用案例實驗微調、每 1 到 2 週運行訓練實驗、維護 2 到 3 個活躍模型。Builder 的 3 個專案和每月 100 個積分符合這種模式。
添加 AI 功能的非技術創始人。 你沒有 ML 工程師。Ertas 的視覺介面讓你無需代碼就能微調。Builder 解鎖了你認真做這件事(而非只做一次)所需的工具(資料集合成、評估)。
驗證微調使用案例的人。 你還不確定微調是否適合你的應用程式。Builder 讓你運行多個實驗、比較結果,並在承諾基礎設施投資之前評估品質。
使用案例:替換 OpenAI API 的獨立開發者
以下是具體情景的計算。
情況: 你用 OpenAI API 建了一個寫作助理應用程式。在 800 個用戶時,你每月在 API 費用上花費 130 美元(大約每月 200 萬個令牌)。你預計在 6 個月內達到 3,000 個用戶,屆時 API 帳單將達到每月 480 美元。
遷移:
- 第 1 個月:從你的 OpenAI API 日誌匯出 600 個輸入/輸出對作為 JSONL。上傳到 Ertas,微調 Qwen 2.5 7B。使用了 8 個積分。
- 第 2 個月:對照測試集測試微調模型。品質匹配 GPT-3.5,接近你特定任務的 GPT-4。在 Hetzner VPS 上部署(每月 26 美元)。
- 第 3 個月:將應用程式中的 API 端點從 OpenAI 切換到本地 Ollama。取消(或減少)OpenAI 訂閱。
經濟效益:
| 之前(OpenAI API) | 之後(Builder + VPS) | |
|---|---|---|
| 800 個用戶的 AI 費用 | 每月 130 美元 | 每月 40.50 美元 |
| 3,000 個用戶的 AI 費用 | 每月 480 美元 | 每月 40.50 美元 |
| 10,000 個用戶的 AI 費用 | 每月 1,600 美元 | 每月 66.50 美元(更大的 VPS) |
| 盈虧平衡 | — | 約 1.5 個月 |
3,000 個用戶的月節省:439.50 美元。10,000 個用戶的月節省:1,533.50 美元。Builder 在第一個月就能自付成本。
Builder 何時不夠用
你有超過 3 個活躍的客戶模型。 如果你在做機構工作,同時為多個客戶管理模型,你需要 Agency 計劃(10 個客戶專案、5 個席位,早鳥價每月 69.50 美元)。
你需要大於 14B 的模型。 14B 涵蓋了大多數生產微調使用案例。如果你在使用 30B 到 70B 模型或需要前沿微調能力,你需要 Agency Pro 或企業版。
你需要團隊存取。 Builder 是單用戶計劃。如果兩個或更多人需要訪問相同的專案(例如開發人員 + 資料人員),你需要 Agency 來分配席位。
你每月的訓練需求超過 100 個積分。 如果你在運行許多實驗或維護許多需要頻繁重新訓練的模型,Builder 的積分可能會不足。在第一個月追蹤你的使用情況進行評估。
你需要白標輸出。 用於客戶交付的品牌 GGUF 文件需要 Agency Pro 或以上。
免費版 vs Builder:升級值得嗎?
| 功能 | 免費版 | Builder(每月 14.50 美元) |
|---|---|---|
| 每月積分 | 30(每天 5 個) | 100 |
| 專案 | 1 | 3 |
| 最大模型大小 | 7B | 14B |
| 存儲 | 5 GB | 50 GB |
| 資料集合成 | 否 | 是 |
| 批量評估 | 否 | 是 |
| 自動評估 | 否 | 是 |
免費版對於學習微調和測試工作流程非常有用。它受每日積分上限(每天 5 個)和單個專案的限制,這使得它對需要多個實驗或多個模型的真實世界使用案例不切實際。如果你有一個真實的使用案例——替換 API 帳單、構建產品功能、為客戶微調——Builder 是正確的層級。
早鳥鎖定
Builder 在早鳥期間為每月 14.50 美元(正常為每月 34.50 美元)。預訂終身鎖定這個價格。
- 12 個月節省:240 美元
- 24 個月節省:480 美元
- 36 個月節省:720 美元
早鳥是預訂——你按月付款、隨時取消、退款保證。終身價格鎖定是有價值的部分。微調工具變得越來越有能力,而非更便宜;在推出之前鎖定當前定價與任何基礎設施預合約的邏輯相同。
如何知道你已準備好使用 Builder
如果你符合以下條件,你已準備好使用 Builder:
- 你有一個特定的使用案例(而非「我想嘗試微調」)
- 你有或可以生成 300 個以上 JSONL 格式的訓練示例
- 你目前每月在窄任務的 API 呼叫上花費超過 40 美元
- 你有 VPS 或願意為本地推理啟動一個
如果你還沒有達到這個階段,使用免費層直到你達到為止。Builder 是當你有真實問題需要解決時使用的。
Ship AI that runs on your users' devices.
Ertas early bird pricing starts at $14.50/mo — locked in for life. Plans for builders and agencies.
延伸閱讀
- Fine-Tune AI Without Code — 微調工作流程從頭到尾如何工作
- Indie Dev AI Model Costs 2026 — API 成本懸崖以及在不同用戶數量下的費用
- 7B Model Beats API Call — 微調的小型模型何時優於雲端 API
- Running AI Models Locally — 設置 Ollama 用於本地推理
- Ertas Agency Plan Review — 何時升級超出 Builder
Ship AI that runs on your users' devices.
Early bird pricing starts at $14.50/mo — locked in for life. Plans for builders and agencies.
Keep reading

Ertas Agency Plan ($69.50/mo Early Bird): 10 Client Projects, 5 Seats — Is It Worth It?
An honest review of the Ertas Agency plan. What's included, who it's for, the ROI math for small AI agencies, and when to upgrade to Agency Pro.

Discovery Call to Production Pipeline: The Ertas Engagement Model
The full Ertas engagement journey from initial discovery call through scoping, forward deployment, pipeline build, validation, and handoff to production.

Ertas vs Replicate for Fine-Tuning: Cost, Workflow, and GGUF Export Compared
Side-by-side comparison of Ertas and Replicate for fine-tuning language models. Covers workflow, pricing, GGUF export, data privacy, and when to choose each platform.