Сколько стоит обучение нейросети: цена дообучения под свою задачу

Сколько стоит обучение нейросети - вопрос, в котором обычно смешивают три разных задачи: дообучение модели на своих данных через API, разработку RAG-системы с базой знаний и аренду GPU для локального обучения с нуля. Цена в этих трёх случаях отличается в десятки раз, и первое, что я делаю на консультации с клиентом, это выясняю, какая из задач реально стоит перед бизнесом, потому что часто просят «обучить нейросеть», а по факту нужен обычный чат-бот с подключённой базой документов.

Что на практике значит «обучить нейросеть» под задачу

Под этой фразой скрывается три разных подхода, и они не взаимозаменяемы.

• Fine-tuning - дообучение весов готовой модели на своём датасете через API OpenAI, Google или через открытые модели на своём сервере. Меняет саму модель, требует размеченных примеров.
• RAG (retrieval-augmented generation) - модель не меняется, а получает доступ к базе знаний через векторный поиск. Ответы строятся на актуальных документах компании, а не на том, что модель «запомнила» при обучении.
• Prompt-engineering - настройка системного промпта и few-shot примеров без дообучения и без базы знаний. Самый дешёвый вариант, работает для узких и стабильных сценариев.

На практике 8 из 10 задач бизнеса (ответы по документации, консультации по каталогу, обработка обращений) закрываются связкой RAG плюс промпт-инжиниринг, без всякого fine-tuning. Дообучение весов имеет смысл, когда нужно поменять стиль и формат ответов на уровне, который не вытягивается промптом: например, юридическая классификация текстов по внутренним категориям компании или генерация кода в специфичном фреймворке. Я обычно предлагаю сначала собрать MVP на RAG, и уже по метрикам качества решать, нужен ли fine-tuning вообще.

Из чего складывается цена дообучения нейросети

Даже если fine-tuning реально нужен, цена не сводится к оплате API. Расходы обычно такие.

• Подготовка и разметка датасета - самая долгая часть. Для fine-tuning нужно от 100 до нескольких тысяч примеров формата «вход - правильный выход».
• Сам процесс обучения - оплата токенов на стороне провайдера или аренда GPU при локальном обучении.
• Инференс после обучения - дообученная модель обычно стоит дороже в вызове, чем базовая, потому что провайдер выделяет под неё отдельный инстанс.
• Инженерное время - настройка пайплайна, оценка качества на тестовой выборке, доработка после первого прогона. Обучение с первого раза редко даёт нужный результат.

По моему опыту на проектах с RAG и автоматизацией именно последний пункт, инженерное время, съедает 60-70% бюджета, а не сами вычисления. Компании, которые ориентируются только на цену токенов у провайдера, обычно занижают итоговый бюджет в 3-4 раза.

Сколько стоит fine-tuning через API OpenAI и Claude

У OpenAI цена fine-tuning считается за токены обучения и отдельно за токены инференса дообученной модели. На начало 2026 года для лёгких моделей, mini-версий, обучение обходится в среднем в 3 доллара за миллион токенов, а инференс дообученной версии дороже базовой примерно в 1,5-2 раза. Для тысячи примеров диалогов на русском языке это, как правило, укладывается в 10-30 долларов за сам прогон обучения, но не за подготовку данных.

У Anthropic собственного самостоятельного fine-tuning для широкой аудитории на момент написания статьи нет: компания делает ставку на длинный контекст и качественный RAG вместо дообучения весов, кастомные варианты моделей Claude доступны только крупным клиентам через AWS Bedrock на отдельных условиях. Поэтому под задачи «дать модели знание моих документов» я почти всегда беру Claude или GPT в связке с векторной базой, а не фантазирую про недоступное для малого бизнеса дообучение.

Отдельная статья расходов, о которой забывают: тестовые прогоны. Прежде чем взять финальные гиперпараметры, обычно нужно 2-3 итерации обучения на разных версиях датасета, и каждая стоит денег и времени на оценку результата.

RAG вместо дообучения: дешевле и быстрее для большинства задач

Если задача - «чтобы бот отвечал по нашей документации, ценам и регламентам», дообучение весов почти всегда избыточно. Я собираю RAG-систему так: документы режутся на чанки, превращаются в эмбеддинги, кладутся в векторную базу, а на входе запроса ищутся релевантные куски и подставляются в промпт вместе с вопросом пользователя. Модель при этом остаётся базовой, её не нужно переобучать при каждом обновлении документации, достаточно обновить индекс.

Для клиента это выходит дешевле по трём причинам: не нужна разметка тысяч примеров, не нужна оплата обучения, а обновление базы знаний занимает минуты вместо повторного прогона fine-tuning. У меня в библиотеке есть готовый ИИ-чатбот на Claude с подключением базы знаний, который можно взять за основу и адаптировать под свою документацию, не начиная разработку с нуля.

На практике я собираю такие связки на aiogram для Telegram-ботов и через n8n, когда нужна не только выдача ответов, но и автоматическая синхронизация базы знаний: например, обновление CRM подтягивает новый документ, n8n прогоняет его через API эмбеддингов и обновляет векторную базу без участия разработчика. Это заменяет собой «переобучение» в глазах заказчика, хотя формально модель никто не трогает.

Аренда GPU и локальное дообучение своими силами

Если задача действительно требует изменения весов модели, например обучения LoRA-адаптера под open-source модель вроде Llama или Qwen, считать нужно уже не токены, а часы аренды видеокарты.

Сам прогон LoRA-обучения на датасете в несколько тысяч примеров для модели среднего размера занимает от 3 до 10 часов, то есть аренда компьютера обойдётся в диапазоне от 500 до пары тысяч рублей. Проблема не в этой сумме, а в том, что до прогона нужно настроить окружение, подобрать гиперпараметры, а после прогона - протестировать модель на отложенной выборке и часто повторить обучение с другими настройками. Именно поэтому у разработчиков и студий на рынке цена такой работы под ключ обычно начинается от 80 000-150 000 ₽ и уходит выше в зависимости от объёма данных и требований к качеству - это ориентир по рынку, не моя цена.

Сравнение подходов по деньгам и срокам

Свожу три пути в одну таблицу, чтобы было видно, где что дороже и почему.

Ошибка, которую я вижу у клиентов чаще всего: они закладывают бюджет только на первую строку таблицы (аренда GPU или токены API), а инженерное время на подготовку данных и итерации оценивают «на глаз» и потом удивляются, что проект вышел за рамки сметы в 2-3 раза.

Сколько стоит подключить нейросеть под задачу у меня

Я работаю в основном с готовыми моделями через API и почти никогда не предлагаю клиентам дообучение весов с нуля, потому что для 90% задач малого и среднего бизнеса RAG закрывает вопрос быстрее и без риска потратить бюджет на неудачный прогон обучения. Разработка AI-интеграции с подключением Claude API или OpenAI и базой знаний у меня стоит от 50 000 ₽, чат-бот с RAG под конкретную документацию тоже от 50 000 ₽. Если нужна автоматизация вокруг этого, например синхронизация базы знаний из CRM или таблиц, беру от 25 000 ₽ на связке через n8n, а Telegram-бот на aiogram с подключённой моделью - от 30 000 ₽.

Если задача завязана на сбор данных для будущего датасета (например, парсинг открытых источников для последующей разметки), такая работа на Python оценивается отдельно, от 20 000 ₽, и не включена в стоимость самой интеграции с моделью.

Частые вопросы

Можно ли обучить нейросеть на своих данных без программиста

Настроить простой чат-бот на конструкторах вроде GPT Builder или аналогах можно и без разработчика, если данных немного и не нужна интеграция с внутренними системами компании. Как только требуется подключить CRM, обновляемую базу знаний или контроль над качеством ответов, без инженерной настройки пайплайна не обойтись, иначе модель быстро начинает отвечать мимо контекста.

Дешевле обучить свою модель или платить за токены API постоянно

Для большинства задач с объёмом до нескольких тысяч запросов в день оплата токенов через API выходит дешевле, чем содержать свою инфраструктуру для обучения и инференса. Своя модель на арендованном сервере начинает окупаться только при очень высокой нагрузке или жёстких требованиях к приватности данных, когда данные нельзя отправлять во внешний API.

Сколько нужно примеров для дообучения модели

Для fine-tuning через API OpenAI работоспособный результат обычно получается от 200-300 качественных примеров, но чем сложнее задача и разнообразнее формат ответов, тем больше нужно данных, вплоть до нескольких тысяч. Для RAG количество документов не так критично, важнее их структура и корректная разбивка на чанки при индексации.

Что дешевле для чат-бота с базой знаний компании: fine-tuning или RAG

В подавляющем большинстве случаев RAG. Он не требует разметки датасета под обучение, база знаний обновляется без повторного обучения модели, а стоимость разработки такой системы у меня начинается от 50 000 ₽ против расходов на разметку, итерации обучения и более дорогой инференс дообученной модели при fine-tuning.