獨立開發者
打造 AI 應用的獨立開發者和 vibe coder,可以用自己應用的資料微調較小的模型,擺脫 API 成本懸崖。Ertas 把昂貴的 API 依賴變成一個屬於你的小模型:以你的領域資料訓練,託管成本低,而且不需要任何機器學習經驗。
The Challenge
即興編碼革命讓建構 AI 驅動的應用程式變得極其容易。Cursor、Bolt.new、Lovable 和 Replit Agent 等工具讓獨立開發者和小團隊在幾天內就能發布生產應用,幾乎每個應用都包含 AI 功能——寫作助手、智慧搜尋、自動分類器、對話介面。在開發和早期發布期間,這些功能很便宜:每天幾百次 API 呼叫,每次只需幾分 之一美分。但成本曲線是指數級的,而非線性的。一個在 100 位使用者時每月 OpenAI API 費用為 $12 的應用,在 8,000 位使用者時可能要 $600/月,在 40,000 位使用者時可能要 $3,000/月。大多數獨立開發者在已經發布後才發現這個懸崖,此時他們的 Stripe 收入仍以百元計,而 API 帳單已以千元計。
問題比成本更深層。通用基礎模型在特定領域任務上產出平庸的結果,因為它們是在整個網際網路上訓練的,而非在您應用的特定利基上。學術研究者的寫作助手需要與行銷文案撰寫者不同的輸出,但 GPT-4 給兩者相同的通用語調,除非您花數小時精心設計系統提示和少量範例——這些在模型更新時仍會不可預測地失效。供應商鎖定使風險更加複雜:當 OpenAI 棄用某個模型版本或更改定價時,您的應用就會中斷,利潤一夜蒸發。獨立開發者沒有談判籌碼,也沒有替代方案——他們是在沒有租約的租地上建設。
The Solution
Ertas 為獨立開發者提供一條不必寫程式的路徑,把昂貴的 API 依賴換成一個歸自己所有的小模型。Studio 的視覺化畫布不要求機器學習專業知識:把應用的對話記錄、使用者互動或領域內容當成 JSONL 資料集上傳(也可以在 Data Craft 中建立),選擇一個小巧的開源基礎模型,然後在 Ertas 的雲端 GPU 上啟動 LoRA 微調。訓練出的模型從你的真實資料中學會應用的領域知識,需要的提示詞少得多,而且小模型的執行成本遠低於前沿 API。
部署同樣簡單。從 Hub 下載訓練好的 GGUF 檔案,放到執行 Ollama 或 llama.cpp 的 VPS 上,再把應用的 API 呼叫從 api.openai.com 改為指向你自己的伺服器。一台普通的 VPS 就能為小眾應用執行量化後的小模型,只要用量還在這台伺服器的負載範圍內,帳單就維持不變。Ertas 的免費方案在驗證信用卡後贈送 150 點數,付費方案每月 20 美元起(截至 2026 年 11 月),持續訓練只占預算中一筆固定的小支出。模型歸你所有,供應商停止支援或調整價格從此不再卡住你的關鍵路徑。想改進模型時,把應用記錄中的新範例加進來,在 Studio 中再跑一輪微調,然後換上新的 GGUF 即可。
Key Features
無程式碼微調
Studio 的視覺化畫布是為打造產品的開發者設計的,而不是為建置機器學習流程的人。拖入訓練資料,選一個基礎模型,調整少量參數,就能在 Ertas 的雲端 GPU 上開始訓練。不需要 Python 腳本,不需要除錯 CUDA,也不需要撰寫訓練器樣板程式碼。
選擇大小合適的模型
Studio 的模型目錄從小模型起步:LFM2.5 和 Gemma 3 1B 適合裝置端和規格很低的伺服器,Llama 3.2 3B、Qwen 2.5 3B 和 Phi-4 Mini 能滿足大多數應用功能,任務需要更多餘裕時再用 7B 和 8B 模型。免費方案可訓練 5B 以下的模型。一個針對你的任務訓練的 3B 模型,執行成本遠低於大型通用模型,用你負擔得起的硬體就能執行。
託管訓練 GPU
訓練在 Ertas 的雲端 GPU 上進行,你不需要購買、租用或設定 GPU 執行個體。訓練時間以點數計費,訓練好的模型之後可以在你自己的平價 VPS 或使用者的裝置上執行。
下載、託管、持續改進
Hub 會列出你訓練過的所有模型。把模型下載為 GGUF,用於 Ollama、llama.cpp 或 LM Studio,部署在應用所在的任何地方,執行時不依賴 Ertas。把新的對話、修正和使用者偏好的輸出整理成範例,在 Data Craft 中管理版本並核准,然後重新訓練。訓練資料會上傳到 Ertas 的雲端 GPU,上傳前請先移除個人資訊。
Example Workflow
一位獨立開發者用 Cursor 和 Next.js 為學術研究人員打造了一款 AI 寫作助理,透過 OpenAI API 呼叫 GPT-4o 處理文字建議、引用格式化和摘要生成。上線時有 200 名測試使用者,API 費用每月 45 美元,還算可以負擔。六個月後,應用 的每月活躍使用者達到 8,000 人,每月產生 95,000 次 API 呼叫,OpenAI 帳單漲到每月 620 美元,超過應用每月 480 美元的訂閱收入。開發者註冊了 Ertas,從應用資料庫匯出三個月經過匿名化的 API 呼叫記錄(輸入提示詞和使用者保留下來的輸出),得到一個包含 28,000 筆範例的 JSONL 訓練集,並預留 500 筆用於測試。在 Studio 中,他用 LoRA 針對三項任務微調 Phi-4 Mini,同時在 Qwen 2.5 3B 上並行訓練第二個模型來比較。他把兩個模型都下載為 GGUF,在 Ollama 中用預留範例執行,和 GPT-4o 的回答並排對照,最後留下建議和引用品質更讓他滿意的模型。這個模型部署在一台執行 Ollama 的小型 ARM VPS 上,位於應用原有的 API 閘道之後,應用的 API 呼叫全部改為送往這台伺服器。每月成本變成 VPS 費用加上一個 Ertas 方案,是一筆固定支出,不再隨著每個新使用者上漲。此後每個月,開發者都把新記錄加入資料集,並在 Studio 中重新訓練。
Related Resources
Fine-Tuning(微調)
GGUF
LoRA
Inference(推論)
Vibe-Coded App AI Costs: $4.5K/Month at 8K Users
Fine-Tune AI Without Code: 6 Visual Steps
Per-Token AI Pricing Costs 3-5x Your Estimate
Running AI Models Locally: The Complete Guide to Local LLM Inference
Ollama
Hugging Face
LM Studio
Ertas for SaaS Product Teams
Ertas for Code Generation
Ship AI that runs on your users' devices.
Start free with 150 credits after card verification. Paid plans from $20/mo USD.