Ertas Pro 方案評測（$50/月）：200 點數、100 GB
對 Ertas Pro 方案的誠實評測。包含什麼、適合誰、小型 AI 機構的 ROI 計算，以及何時升級到 Business。
Ertas Pro 方案每月 $50。它面向持續訓練模型而非偶爾訓練的進階使用者與小型團隊，包括同時承接多個客戶工作的顧問與機構。
這是一份關於該方案包含什麼、為誰設計、ROI 計算如何運作，以及何時不夠用的誠實分析。
Pro 包含什麼
每月 200 點數。 是 Builder 100 點數的兩倍。視資料集與模型大小而定，大約相當於每月 12 到 25 次訓練執行，足以覆蓋幾個活躍模型的月度重訓週期，並為那些沒跑通的實驗留出餘裕。
100 GB 模型成品儲存空間。 每次完成的執行都會在 Hub 留下一個 LoRA 適配器，若你啟用了匯出，還會留下一個 GGUF 檔案。7B 的 Q4 GGUF 約 4 到 5 GB，14B 的約 8 到 9 GB，所以 100 GB 可以容納 12 到 20 個匯出模型及其適配器。
5 GB 資料集儲存空間。 與模型配額分開計算，按帳號統計，涵蓋你上傳的 JSONL、CSV、parquet 與文字檔案，以及從 Hugging Face 鏡像進來的資料。
優先 GPU 佇列。 佇列繁忙時，你的執行會排在 Free、Lite 與 Builder 之前，這決定了重訓是現在開始還是午餐後才開始。
新功能搶先體驗。 Pro 帳號會比較低價方案更早拿到 Studio 的新能力。
更高階的 GPU。 更好的訓練硬體，讓更大的模型與更長的訓練執行變得可行，而不只是更快。
完整模型匯出，以及在其之上繼續訓練。 在 Training Config 裡打開 "Export full model"，執行會交給你一份已合併的 16 位元 safetensors 檢查點，而不只是 LoRA 適配器。這份檢查點可以直接進入推論服務堆疊，量化留給你決定；它也是你再次訓練的起點："Continue from your models" 會拿你已經訓練好的模型作為下一次執行的基礎。對客戶交付來說，這是「在上個季度的模型之上繼續」和「從零重來」的差別。
專案實際上是怎麼運作的
理解專案模型對判斷 Pro 是否契合你的工作流程很重要，因為它並不是大家通常以為的多租戶結構。
專案是 Model Studio 分頁內的一個工作區。每個專案有自己的畫布、自己的訓練執行歷史與自己的名稱。同樣重要的是，有些東西存在於專案之外、屬於帳號層級：
- 資料集存放在 Data Craft，任何專案都能存取
- 模型成品（LoRA 適配器與 GGUF 匯出）存放在 Hub，任何專案都能存取
- 儲存配額按帳號計算，單一專案不會分到自己的份額
所以 Studio 提供的分隔是組織層面的。為每個在建模型開一個專案，可以避免畫布互相干擾；用客戶名或用途為專案命名，能讓工作保持清楚。把一個客戶的資料與另一個客戶隔開，是你在選擇哪個資料集餵給哪次執行時施加的紀律。如果你在保密協議下處理資料，這一點值得看清楚。
LoRA 適配器機制是這一切在成本上可行的原因。每個微調模型都是一個輕量適配器，通常 50 到 200 MB，疊在共用的基礎模型之上。十個模型共用基礎權重，只有適配器不同，這就是 100 GB 比十份完整模型副本走得遠得多的原因。
同時跑多個訓練
Ertas 的任何方案都沒有硬性並發上限。畫布上每個 Action Module 都作為獨立工作執行，所以你可以放下十個 Fine-Tune 模組並全部按下執行。
真正限制平行度的是點數可用量。啟動一次執行會把它的預估成本設為佔用狀態，新的執行只能從未被佔用的部分支取。如果下一次執行的預估超過你的可用餘額，它會在送出時被擋下。在 Pro 上，這 200 點數決定了你同時能有多少工作在跑。
Pro 適合誰
有 3 到 10 個活躍微調委託的顧問與機構。 你在交付客製模型、管理持續的重訓，需要足夠的點數預算與儲存空間來同時維持多個模型。
同時服務多個客戶的自由接案 AI 顧問。 你獨立工作，但在 4 到 6 個客戶之間輪轉。點數額度決定了你是否需要精打細算每次訓練。
為多個部門建構模型的小型內部 AI 團隊。 行銷模型、業務模型與客服模型各自需要自己的訓練資料與自己的 GGUF 輸出。獨立專案給每一個乾淨的工作空間。
ROI 計算
問題不是每月 $50 貴不貴，而是相對於它讓你能開出的帳單來說貴不貴。
情境 1：5 個客戶，每個每月 $500 顧問費
- 月營收：$2,500
- Pro 方案成本：$50
- 方案佔營收比例：2.0%
情境 2：3 個客戶，每個每月 $800 專案費
- 月營收：$2,400
- Pro 方案成本：$50
- 方案佔營收比例：2.1%
情境 3：10 個客戶，每個每月 $300 顧問費（僅模型維護）
- 月營收：$3,000
- Pro 方案成本：$50
- 方案佔營收比例：1.7%
只要有一個客戶每月付 $70 以上，這個方案就回本了。超過一個活躍的微調客戶之後，成本就不再是決策中的真實變數。
每個客戶真正需要什麼（以及 Pro 提供什麼）
| 客戶需求 | Pro 提供什麼 |
|---|---|
| 月度模型更新 | 200 點數涵蓋約 12 到 25 次重訓執行 |
| 同時維持多個模型 | 100 GB 成品儲存空間，約 12 到 20 個匯出的 GGUF |
| 佇列繁忙時也能快速交付 | 優先 GPU 排程 |
| 客戶拿到可部署的模型 | 每次完成的執行都可匯出 GGUF 與 LoRA |
| 交付前的初步檢查 | 每次完成的執行提供 3 條推論樣本 |
| 歷史版本追蹤 | 完整執行歷史，含設定快照與指標 |
這個檢查值得說清楚。執行結束時，Studio 會用一小組固定提示詞生成三條推論樣本。它告訴你模型輸出連貫、格式正確，但不能告訴你模型好不好，因為提示詞不是你的，也沒有任何評分。真正的評估意味著下載模型、用你自己的測試集去跑，驗證匯出指南完整說明了這個流程。內建評估套件仍在路線圖上。
與自建基礎設施的成本比較
有些機構會考慮自建微調基礎設施而不是付費使用 Pro。誠實的比較如下：
| 成本項目 | 自建基礎設施 | Ertas Pro |
|---|---|---|
| GPU 運算（10 個模型 × 每月 1.5 次執行） | 約 $45-90/月（雲端 GPU） | 已包含 |
| 訓練編排（開發時間） | 每月 5-10 小時 @ $75/小時 = $375-750 | 已包含 |
| 資料集工具與執行歷史 | 建置需 10 小時以上，且需持續維護 | 已包含 |
| GGUF 轉換工具 | 搭建需 2-5 小時 | 已包含 |
| 實際總成本 | $420-840+/月 | $50/月 |
對於有專職 ML 工程師的大型機構，自建可能說得通。對於小型機構與顧問，每月 $50 換來的基礎設施若靠開發時間自建要花掉數百美元，這是個乾脆俐落的選擇。
Pro 與 Business：何時升級
Business 每月 $100。升級帶來：
- 每月 400 點數（Pro 為 200）
- 200 GB 模型成品儲存空間（Pro 為 100 GB）
- 10 GB 資料集儲存空間（Pro 為 5 GB）
- GPU 佇列中更高的優先級
- 新功能的優先搶先體驗
在以下情況升級到 Business：
- 你月底時點數餘額總是歸零
- 你刪除 Hub 成品是為了騰出空間，而不是因為不再需要它們
- 你的資料集已經超出 5 GB
- 尖峰時段的排隊位置正在拖慢你的交付
在以下情況留在 Pro：
- 200 點數足以從容涵蓋你的重訓計畫
- 你匯出的模型與資料集裝得下 100 GB 與 5 GB
- 標準優先級的排程對你的交付節奏已經夠快
可預測的月度定價
Pro 每月 $50，按月計費。隨時可取消。
如何判斷你已經準備好用 Pro
如果符合以下情況，你已經準備好了：
- 你訓練得夠頻繁，Builder 的 100 點數在月底之前就用完
- 你同時維持多個微調模型
- 你把微調模型作為付費服務的一部分交付
- 你在為涉及客製模型的 AI 工作向客戶收費
如果你只是偶爾訓練、手上留著一兩個模型，每月 $25 的 Builder 大概就夠了，而每月 $10 的 Lite 則涵蓋了越過 Free 方案限制的需求。當決定你月度用量的是訓練量而不是好奇心時，Pro 才真正配得上它的位置。
延伸閱讀
- Ertas Builder 方案評測 — 升級到 Pro 之前，Builder 是否合適？
- 機構 AI 成本削減 — 機構如何用微調本地模型削減 99%+ 的成本
- 管理多個微調模型 — 多客戶模型管理的營運流程
- 面向機構的白標 AI 平台 — 白標何時變得重要
- 用微調模型建立經常性收入 — 圍繞模型維護建構顧問費收入
Ship AI that runs on your users' devices.
Free plan with 30 credits/mo, no card required. Paid plans from $10/mo USD.
Keep reading
Ertas Builder 方案（$25/月）：適合對象、包含內容、誠實評測
對 Ertas Builder 方案的誠實分析。包含內容、適合誰、何時升級，以及定價與它取代的 API 費用相比如何。
獨立開發者的微調：$10 Ertas Lite 方案深入解析
訓練一個屬於你自己的客製化 AI 模型，最便宜的方式。$10/月為業餘愛好者與獨立開發者解鎖了什麼、可以訓練哪些模型，以及它在哪裡會不夠用。
Ertas vs Modal Labs：哪個更適合為客戶微調模型的機構？
比較 Ertas 和 Modal Labs 用於 AI 機構微調工作流程。涵蓋 GUI vs 代碼的分歧、多客戶管理、成本可預測性和 GGUF 部署。