Ertas vs Together AI：微調成本、本地部署和資料隱私

Together AI 主要是一個快速雲端推理供應商，同時也提供微調。Ertas 主要是一個微調平台，輸出模型用於本地部署。它們在微調用例上有重疊，但在訓練之後的一切上有顯著分歧。

如果你在評估兩者，正確的問題是：你的模型在訓練後需要存在於哪裡？

Together AI：雲端推理的故事

Together AI 以快速、實惠的開源模型雲端推理建立了聲譽。他們運行一個針對吞吐量優化的大型 GPU 集群，他們的 API 以具競爭力的每令牌定價提供對 100 多個開源模型的存取。微調作為功能後來添加，讓客戶能夠將這些模型定制到他們的用例。

Together AI 的微調工作流程以 API 為先：

import together

# 上傳訓練資料
response = together.Files.upload(file="training_data.jsonl")
file_id = response["id"]

# 創建微調工作
response = together.FineTuning.create(
    training_file=file_id,
    model="togethercomputer/llama-3-8b",
    n_epochs=3,
    learning_rate=2e-5,
    suffix="my-custom-model"
)

結果是一個托管在 Together AI 基礎設施上的微調模型，可通過 Together AI 的 API 訪問，定價模型與其標準模型相同（每令牌計費）。

Together AI 的優勢是真實的：他們的推理速度快（在開源模型中名列前茅），API 可靠，每令牌定價在同等質量模型中具有競爭力。

Ertas 的不同之處

Ertas 在雲端訓練，並將結果匯出為你擁有並在本地運行的 GGUF 文件。一旦你有了 GGUF，推理就在你的基礎設施上以零每令牌成本進行。平台提供視覺介面，不需要 Python，內置資料集工具、實驗追蹤和客戶專案管理。

比較表

每令牌成本問題

這是比較在規模上變得明顯的地方。

Together AI 微調模型的推理定價因模型而異，但對於 7B 模型，預計每百萬令牌約 0.15 到 0.20 美元。這在與 OpenAI 的比較中確實有競爭力，而且比 GPT-4 便宜得多。但仍然是按令牌計費的。

Ertas 匯出一個 GGUF 文件。你在 VPS 上運行它（月費約 26 美元的 Hetzner 服務器能以 15 到 25 令牌/秒的速度處理 7B 模型）。推理成本：每令牌 0 美元。

損益平衡點取決於你的使用量：

在每月 500,000 令牌時，Together AI 和 Ertas 的總成本相近。超過這個量，本地模型方式顯著更便宜。低於這個量，Together AI 可能略便宜，取決於訓練工作頻率。

典型應用（中等使用量）的損益平衡點大致在設置後 2 到 3 個月。此後，每個月本地模型節省的費用相當於數月的 Together AI API 成本。

資料隱私

這通常是受監管或隱私敏感用例的決定性因素。

Together AI： 你的訓練資料上傳到 Together AI 的服務器進行訓練工作。你的微調模型在 Together AI 的基礎設施上運行。每個用戶查詢——你的應用程式發送給模型的每一條資料——都流經 Together AI 的系統。這與 OpenAI 的隱私模型類似。

對於大多數用例，這沒問題。Together AI 有標準的資料處理協議。但對於醫療保健（HIPAA）、金融（SOX、GDPR）、法律（律師-客戶特權），或任何問過「我們的資料去哪裡？」的企業客戶——使用 Together AI 的答案是「Together AI 的雲端」。

Ertas： 訓練資料在訓練基礎設施上處理。生成的 GGUF 模型在你的基礎設施上運行。推理時的用戶查詢永遠不會離開你的網路。這種架構天然與隱私敏感部署兼容，因為敏感資料——推理查詢——永遠不會接觸外部服務器。

速度比較

Together AI 的推理優勢是真實的：他們的 A100 集群以每秒約 150 到 200 令牌的速度為 7B 模型提供服務，延遲非常低。他們的基礎設施為高並發而建。

在月費約 26 美元的 VPS 上用 Ollama 進行本地推理，7B 模型可達每秒 15 到 25 令牌。對於許多應用（異步處理、中等並發、非實時工作流程），這已足夠。對於服務大量並發用戶的延遲敏感生產應用，Together AI 的雲端速度明顯更快。

這種取捨取決於具體應用。批量文件處理工作流程在 20 令牌/秒下完全可以。服務 500 個並發用戶的實時面向客戶的聊天機器人需要更好的性能——要麼是更大的 VPS、GPU VPS（每月約 100 到 200 美元），要麼是雲端 API。

何時選擇 Together AI

• 你需要帶 SLA 的高並發雲端推理
• 你的應用有突發流量，需要大量本地 GPU 投入
• 你想要非常低的推理延遲用於實時面向用戶的功能
• 你沒有隱私敏感的資料
• 你需要快速通往微調雲端推理的路徑，無需管理基礎設施

何時選擇 Ertas

• 你需要在你自己的基礎設施上運行模型
• 推理資料是隱私敏感的
• 你的流量是中等且可預測的
• 你想要設置後零每令牌成本
• 你想要真正擁有模型文件，而不是無限期依賴 Together AI 的 API
• 你需要模型在網路連接不穩定時也能工作
• 你在為需要本地部署的客戶構建

延伸閱讀

• Best AI Fine-Tuning Platforms in 2026 — 完整的多平台比較
• Hidden Cost of Per-Token AI Pricing — API 成本模型背後的真實數學
• Self-Hosted AI for Indie Apps — 本地推理的理由
• HIPAA-Compliant AI: On-Premise vs Cloud — 受監管行業的隱私架構
• GPU Cost and Self-Hosting AI 2026 — 本地模型託管的 VPS 選項和成本