שתי עלויות, לא אחת
עלות עידון-דק (Fine-Tuning) מורכבת משני רכיבים נפרדים שקל לבלבל ביניהם: עלות-אימון חד-פעמית, ופרמיית-הרצה קבועה שממשיכה להיגבות על כל בקשה למודל המעודכן, לאורך כל תקופת-השימוש בו. מי שמחשב רק את מחיר-האימון מפספס את הרכיב היקר יותר בטווח-הארוך — הפרמיה על כל הרצה.
עלות-האימון: תשלום חד-פעמי
מחיר-האימון נמדד לפי מיליון טוקני-אימון, והוא משתנה מאוד בין ספקים ומודלים: עידון-דק של מודל פתוח-קוד בגודל 7 מיליארד פרמטרים אצל Together AI עולה כ-0.48 דולר למיליון טוקנים, בעוד עידון-דק של GPT-4o אצל OpenAI עולה 25 דולר למיליון טוקנים — פער של יותר מפי-50 בין שתי הדוגמאות, אף שמדובר במודלים שונים מאוד בגודלם.
הפרמיה על ההרצה: התשלום שלא נגמר
מעבר לעלות-האימון החד-פעמית, מודל שעבר עידון-דק יקר יותר גם להרצה מהמודל הבסיסי שממנו הוא נגזר — אצל OpenAI הפרמיה מגיעה עד פי-1.5 ממחיר-הבסיס עבור GPT-4o ו-GPT-4.1: מודל GPT-4.1 מעודכן מתומחר בכ-3 דולר לקלט וכ-12 דולר לפלט למיליון טוקנים, יקר ממחיר-הבסיס של המודל הרגיל. הפרמיה נגבית על כל בקשה, לכל אורך חיי-הפריסה של המודל — לא רק בזמן-האימון.
איך זה משפיע על שיקול-הדעת העסקי
ההבחנה בין שתי העלויות משנה איך כדאי להשוות ספקים: ספק עם מחיר-אימון נמוך אך פרמיית-הרצה גבוהה עשוי לצאת יקר יותר בטווח-הארוך ממתחרה עם מחיר-אימון גבוה יותר ופרמיית-הרצה נמוכה, אם נפח-השימוש גדול. עסק ששוקל עידון-דק צריך להעריך לא רק כמה יעלה לאמן את המודל, אלא כמה בקשות הוא צפוי להריץ עליו לאורך זמן-הפריסה — כי הפרמיה נגבית על כל אחת מהן.
מתי זה משתלם בפועל
עידון-דק משתלם כלכלית כשהוא מייתר צורך חוזר בהוראות-מערכת ארוכות בכל בקשה. החיסכון לבקשה בודדת קטן, אך מצטבר בנפח-שימוש גבוה — בתנאי שהוא גדול מפרמיית-ההרצה שהמודל המעודכן גובה על כל שאר הטוקנים. החישוב הנכון משווה בין העלות החודשית-בפועל של המודל הבסיסי היום, לבין עלות-האימון החד-פעמית בתוספת עלות-ההרצה המוגדלת של המודל המעודכן.
שינוי בשוק: OpenAI מצמצמת את שירות-העידון
נכון למאי 2026 החלה OpenAI לצמצם את פלטפורמת-העידון-הדק שלה, וסגרה אותה בפני משתמשים חדשים; משתמשים קיימים קיבלו תקופת-מעבר: לפי לוח-הזמנים שפורסם, ארגון שלא הריץ מודל מעודכן ב-60 הימים שקדמו ל-2 ביולי 2026 איבד את האפשרות ליצור עבודות-אימון חדשות, ומ-6 בינואר 2027 לא יוכל אף לקוח ליצור עבודת-אימון חדשה. מודלים שכבר עברו עידון-דק נשארים זמינים להרצה עד שמודל-הבסיס שלהם יוצא משימוש. לפי OpenAI, מודלי-הבסיס החדשים שלה מספיק טובים בציות להוראות כך שהנחיה בשילוב אחזור-מידע (RAG) זולה ומספיקה לרוב השימושים. זו דוגמה לכך שגם מדיניות-הגישה של ספק בודד, לא רק המחיר, יכולה לקבוע בבת-אחת מי בכלל יכול לרכוש עידון-דק אצלו.