面向独立开发者的微调：$10 的 Ertas Lite 计划详解

想为业余项目训练一个定制 AI 模型的人，大多卡在同一个地方。教程默认你的台式机里插着一块像样的 GPU，云平台按 GPU 小时计费且没有上限，而免费额度把你限制在真正好用的模型尺寸之下。

Lite 每月 $10。它的存在是为了把一个爱好者或独立开发者，从"我想试试"带到一个训练好、跑在自己项目里的模型，既不用自己拥有价值数千美元的硬件，也不用面对一张没有上限的账单。训练依然运行在真实的 GPU 上，由 Ertas 云基础设施托管。关键在于，这些 GPU 不必是你自己的。

下面是这 $10 买到的东西，配上真实构建过的项目，以及关于它边界的诚实说明。

一个独立项目实际长什么样

这是 Chatty Valley，一个 Stardew Valley 模组，它把一位村民的固定台词替换成了一个训练过、能保持角色设定的小模型。它运行在玩家自己的机器上，不需要 API 密钥，也没有按条消息计费的成本。

这就是 Lite 定价所面向的工作形态。一个角色、一份数据集、几次训练把语气调对，然后导出发布。

这个项目最难的部分一直是迭代：让角色拒绝一个虚假前提、不让它对什么都点头附和，以及阻止它在对话进行到第十二条消息时脱离角色。这些都是训练循环里的问题，积分就花在这上面。

先在浏览器里试试一个微调过的角色

如果你想在付费之前先感受一下微调过的小型角色模型是什么样子，Corporate Goblin 完全在你的浏览器里运行，地址是 playground.ertas.ai。无需注册，也没有服务器：模型通过 WebAssembly 下载并在你自己的机器上运行。

这是一个有用的校准练习。一个 230M 模型配上一份紧凑的人设数据集，保持角色的能力比多数人预期的要好，它能在你花积分去试之前，告诉你到底需要多大的模型。

$10 拆掉的四堵墙

Free 是一个实打实的计划，你应该从它开始。以下是让人们离开它的四个限制。

1. 5B 以上的模型，包括 Gemma 4 E2B

Free 把你限制在 5B 参数以下。Lite 把上限提到 14B，与 Builder 及其以上所有层级的模型上限相同。

这里最值得了解的模型是 Gemma 4 E2B。"E2B"这个名字的意思是"effective 2B"（等效 2B），描述的是它的推理计算量。实际参数量是 5.12B，正好越过 Free 计划的那条线。它是一个内存高效的模型，拥有 128K 上下文窗口，也是角色模型或助手模型较好的起点之一。要训练它，Lite 是最低的门槛。

Qwen 3.5、Llama 3 以及目录中其余的中等尺寸模型都在同一个区间。

2. 更高级别的 GPU，让训练在你还在工作时就跑完

Free 在入门级硬件上训练。包括 Lite 在内的每一个付费层级都会把你切换到更高的 GPU 层级。实际差别在于周转时间：在免费层要占掉一整个晚上的训练，在这里快到足以让你一次坐下来迭代好几轮，而这往往决定了一个项目是被你做完还是被你放弃。

3. 在你已经训练过的模型上继续训练

你可以拿一个在 Ertas 上训练过的模型继续往下训练，省去每次都从基础模型重来。如果第一次训练把语气调对了，但模型说话啰嗦，你就在那次结果上继续叠加，把它保留下来。在 40 积分的预算下，省掉一次从零重跑是你能拿到的最大一笔节省。

4. 完整模型导出

你可以把训练好的权重取出来，在任何你想要的地方运行。通过 Ollama 或 llama.cpp 做本地推理、打包进游戏模组、随应用一起发布。没有按条消息计费的成本，构建产物里不带 API 密钥，而且离线也照常工作。

还有训练后推理，让你在一次训练结束后直接在平台内测试模型，省去先导出才能知道效果如何的一步。

40 积分实际能买到什么

积分由训练运行消耗。在 7B 模型上用 500 到 1,000 条样本训练一次，大约消耗 8 到 15 积分，所以 40 积分约等于每月三到五次真实训练。未用完的积分可以顺延一个月，清闲的一个月能补贴忙碌的一个月。

对于 Chatty Valley 这种形态的项目，这大约是把一个角色调到位所需的一个月。

存储是 25 GB 模型空间和 1 GB 数据集空间，两者相互独立，数据集不会占用你的模型空间。一个 4-bit 量化的 7B GGUF 大约 4 到 5 GB，所以 25 GB 大致能放下五个成品模型，还留有余地。

Lite 在哪里不够用

一份计划评测里最有用的部分，是告诉你什么时候该停止为它付费。

**如果你频繁迭代，40 积分消耗得很快。**三到五次训练，对于一个慢慢打磨的模型来说是宽裕的。一旦你要比较两个基础模型、做超参数扫描，或者每周用新数据重新训练，它就紧张了。

**做 14B 的工作时，25 GB 会比积分先成为瓶颈。**14B 的导出体积大约是 7B 的两倍，所以同样的 25 GB，能放五个 7B 模型，只能放两到三个 14B 模型。

**对多项目并行来说，1 GB 数据集存储偏小。**放一份精心整理的数据集绰绰有余，摊到四个客户身上就捉襟见肘。

**加购积分的算术就是升级信号。**额外积分是每 50 积分 $15，所以在一个买了一次加购的月份，你花 $25 得到 90 积分。Builder 是 $25 得到 100 积分，模型存储还翻倍。如果你大多数月份都在加购，Builder 对你来说已经更便宜了。

Lite 对比 Free

每日刷新是大多数人最先撞上的那堵墙，而且它比看上去更硬。Free 每天给你 5 积分，这个额度每天重置，累计不上去，所以任何超过 5 积分的训练，无论你等多少天都够不着。一次 12 积分的训练在 Free 上永远无法进行。

Lite 一次性把 40 积分全部给你，用不完的可以顺延一个月。这才让一次像样的训练成为可能，也是你能在一个周六里跑三次训练的原因。

Lite 对比 Builder

两者的能力完全相同。Lite 就是空间更小的 Builder，所以你唯一要选的维度是用量。

谁应该选 Lite

• 你在做一件事：一个模组、一个游戏 NPC、一个业余项目的功能、一个应用内助手
• 你撞上了 Free 的模型尺寸上限，而这是唯一挡住你的东西
• 你想把权重导出来，跑在自己的项目里
• 你想在投入更多之前，先验证定制模型能否打败你现在的 API 账单

谁应该跳过它

• **你还在摸索阶段。**留在 Free。它不花钱，还能教会你整套工作流。
• **你每周都要重新训练，或者同时管着好几个模型。**直接上 Builder。差价你反正会花在加购积分上。
• **你需要同时放下好几个模型，或者更大的模型。**到了 Pro，存储就不再是约束：100 GB 模型存储对 Lite 的 25 GB，5 GB 数据集对 1 GB。它还带 200 积分、GPU 队列优先权，以及 Ertas 新功能上线时的预览权限。

常见问题

我需要自己拥有一块 GPU 吗？ 不需要。训练运行在 Ertas 托管的云端 GPU 上，昂贵的硬件不必摆在你桌上，也不必刷你的信用卡。你在本地只需要一台能跑完成后模型的机器，而一个 4-bit 量化的小模型在普通消费级硬件上就能运行。

我需要懂 Python 吗？ 不需要。训练在 Studio 里以可视化方式配置。你带来数据集，以及对"什么算好"的判断。

在 Lite 上我能训练什么？ 目录中 14B 以内的任何模型，涵盖中小尺寸段的 Gemma 4 E2B、Qwen、Llama、Mistral 和 Phi。

我可以在商业游戏或应用里使用这个模型吗？ 训练好的权重归你所有，可以导出并发布。请查看你所选用的基础模型的许可协议，因为它会一并传递到你的微调模型上。

如果我取消订阅，我的模型会怎样？ 在取消之前，把你想保留的都导出来。存储配额按你当前所在的计划执行。

诚实的总结

Lite 是刻意做窄的。它以我们能给出的最低价格，拆掉了那些挡住爱好者和独立开发者做出真东西的墙。它的容量是按一次做一个项目来设计的，而上面那道加购算术会准确告诉你该在哪个月往上升级。

如果你正处在这个位置，它是 $10，随时可以取消。

Ertas 计划 $10/月起。 查看定价

---

延伸阅读

• Chatty Valley：一个 Stardew Valley 的端侧 AI 模组：上文那个项目的完整构建故事
• 面向独立开发者的 Ertas：业余项目和 vibe coding 应用的全景视角
• Ertas Builder 计划评测：上一个层级，以及积分量何时值这个价
• 无代码微调 AI：训练工作流实际如何运作
• 在本地运行 AI 模型：导出之后如何配置 Ollama