Cennik usługi Azure Content Understanding w narzędziach Foundry

W tym artykule wyjaśniono model cen usługi Azure Content Understanding w narzędziach Foundry Tools. Dowiedz się, za co są naliczane opłaty i jak oszacować koszty obciążenia.

Aby uzyskać określone stawki cenowe, zobacz Azure Content Understanding Pricing.

O ile nie określono inaczej, ten artykuł odwołuje się do zachowania ogólnie dostępnego w wersji 2025-11-01interfejsu API . Sekcje opisujące rozpoznawanie rodziny przepływów pracy i tryb agentyczny opisują działanie w wersji zapoznawczej przy użyciu interfejsu API w wersji 2026-06-01-preview.

Poznaj dwa rodzaje opłat

Azure Cennik usługi Content Understanding jest oparty na dwóch głównych kategoriach użycia:

1. Opłaty za wyodrębnianie zawartości

Wyodrębnianie zawartości przekształca dane wejściowe bez struktury (dokumenty, dźwięk, wideo) na ustrukturyzowany, wyszukiwany tekst i zawartość. Ten wynik obejmuje optyczne rozpoznawanie znaków (OCR) dla dokumentów, przekształcanie mowy na tekst dla audio/wideo oraz wykrywanie układu. Płacisz za jednostkę wejściową przetworzoną:

• Dokumenty: na 1000 stron
• Dźwięk i wideo: na minutę

2. Opłaty za funkcje generowania

W przypadku używania funkcji opartych na sztucznej inteligencji, które wykorzystują duże modele językowe (LLM), naliczane są dwa typy opłat.

• Opłaty za kontekstualizację: przygotowuje kontekst, generuje wskaźniki zaufania, zapewnia odniesienie do źródła i formatuje wynik. Aby uzyskać szczegółowe informacje, zobacz Tokeny kontekstowe.
• Opłaty za model generatywny: Koszty oparte na tokenach z wdrożeń modelu Microsoft Foundry (LLM-y do generowania, osadzenia do przykładów treningowych). Usługa Content Understanding używa wdrożenia modelu Foundry dla wszystkich wywołań związanych z generowaniem sztucznej inteligencji. W usłudze Content Understanding nie widzisz żadnych funkcji LLM ani osadzania rozliczeń użycia tokenu. To użycie jest wyświetlane we wdrożeniu modelu Foundry. Aby uzyskać szczegółowe informacje, zobacz Opłaty za modele generatywne.

Funkcje generowania obejmują: wyodrębnianie pól, analiza danych, segmentacja, kategoryzacja, trenowanie.

Składniki kosztów

Łączny koszt obejmuje każdą kategorię użycia, która ma zastosowanie do analizatora: wyodrębnianie zawartości, tokeny kontekstowe, dane wejściowe i wyjściowe modelu generowania odpowiedzi oraz tokeny modelu osadzania. Jeśli używasz tylko wyodrębniania zawartości bez możliwości generowania, płacisz tylko za wyodrębnianie zawartości.

Jak oszacować koszty

1. Testowanie z reprezentatywnymi plikami

Uruchom małą testową analizę na rzeczywistych plikach i schemacie. Aby wyświetlić użycie operacji GA i w wersji zapoznawczej, sprawdź obiekt usage w odpowiedzi interfejsu API Analizatory:

{
  "usage": {
      "documentPagesMinimal": 0, // Asynchronous: Digital file extraction.
      "documentPagesBasic": 0, // Asynchronous: Read extraction.
      "documentPagesStandard": 2, // Asynchronous: Layout extraction.
      "documentPagesMinimalInline": 0, // Preview: Synchronous digital file extraction.
      "documentPagesBasicInline": 0, // Preview: Synchronous Read extraction.
      "documentPagesStandardInline": 0, // Preview: Synchronous Layout extraction.
      "contextualizationTokens": 2000,
      "advancedContextualizationTokens": 0, // Preview: Advanced contextualization.
      "tokens": {
         "gpt-5.2-input": 10400,
         "gpt-5.2-output": 360
    }
  }
}

W interfejsie 2026-06-01-preview API operacje synchroniczne raportują użycie wyodrębniania zawartości we właściwościach documentPages*Inline . Zaawansowane użycie kontekstowe jest zgłaszane w advancedContextualizationTokens. Te nazwy właściwości określają użycie w odpowiedzi interfejsu API; nie są to nazwy opublikowanych mierników rozliczeniowych.

2. Pobierz bieżące stawki

Użyj stron cennika dla Azure Content Understanding i Foundry Models, aby uzyskać bieżące stawki dla swojego regionu, typu wdrożenia i wybranych modeli.

3. Oblicz estymację

Dla każdej odpowiedniej kategorii użycia należy pomnożyć mierzone użycie przez jej bieżącą stawkę. Uwzględnij opłaty za wyodrębnianie zawartości i opłaty za kontekstualizację z usługi Content Understanding, opłaty za tokeny wejściowe i wyjściowe modelu uzupełniania oraz opłaty za osadzanie tokenów, gdy analizator używa osadzania. Dodaj wynikowe opłaty, aby oszacować całkowity koszt dla oczekiwanego woluminu.

Stawki różnią się w zależności od regionu, typu wdrożenia i modelu, więc ten artykuł nie zawiera obliczeń liczbowych. Aby uzyskać informacje o bieżących opcjach modelu, zobacz Obsługiwane modele generatywne.

Szczegółowe składniki kosztów

Wyodrębnianie zawartości

Wyodrębnianie zawartości jest pierwszym krokiem przekształcania danych wejściowych bez struktury — niezależnie od tego, czy jest to dokument, dźwięk czy wideo — w standardowym formacie wielokrotnego użytku. To podstawowe przetwarzanie jest wymagane dla wszystkich funkcji generowania i może być używane autonomicznie.

Ceny wyodrębniania zawartości według modalności:

• Dokumenty: trójpoziomowe liczniki (minimalny, podstawowy lub standardowy) na podstawie złożoności przetwarzania
• Dźwięk: Transkrypcja zamiany mowy na tekst (pojedynczy standardowy miernik, cena za minutę)
• Wideo: wyodrębnianie ramek, wykrywanie zdjęć i transkrypcja zamiany mowy na tekst (pojedynczy standardowy miernik, cena za minutę)
• Obrazy: brak dostępnych danych do wyodrębnienia zawartości

Mierniki wyodrębniania zawartości dokumentu

W przypadku dokumentów są naliczane opłaty za typ przetwarzania wykonywanego przez usługę Content Understanding. Opłaty za zrozumienie zawartości oparte są na faktycznie wykonanej pracy na każdej stronie, a nie od wybranego analizatora.

Minimalny wskaźnik: dotyczy dokumentów cyfrowych (DOCX, XLSX, PPTX, HTML, TXT, MSG, EML), w których nie jest wymagane przetwarzanie OCR ani układu. Ten licznik to najtańsza opcja dla dokumentów natywnych dla środowiska cyfrowego. Opłaty są naliczane za minimalną stawkę niezależnie od tego, którego analizatora używasz — nawet w przypadku wywołania analizatora układu w dokumencie cyfrowym opłaty są naliczane tylko za minimalne przetwarzanie.

Miernik podstawowy: ma zastosowanie, gdy usługa Content Understanding wykonuje przetwarzanie OCR w celu wyodrębniania tekstu z dokumentów opartych na obrazach (zeskanowanych plików PDF, obrazów, plików TIFF) bez analizy układu.

Miernik standardowy: ma zastosowanie, gdy usługa Content Understanding przeprowadza analizę układu, w tym rozpoznawanie tabel i wykrywanie elementów strukturalnych z dokumentów opartych na obrazach (zeskanowanych plików PDF, obrazów, plików TIFF).

W poniższej tabeli przedstawiono, który miernik ma zastosowanie na podstawie typu pliku i poziomu analizy:

Możliwości generowania

Możliwości generatywne w usłudze Content Understanding wykorzystują generatywne modele sztucznej inteligencji, aby poprawić jakość wyników. W najnowszej wersji interfejsu API 2025-11-01 można wybrać model generatywny na podstawie przypadku użycia.

Kiedy korzystasz z możliwości generatywnych, usługa Content Understanding wykorzystuje wdrożenie modeli Foundry, które dostarczasz. Użycie tokenu dla modeli uzupełniania lub osadzania dotyczy tego wdrożenia.

Tokeny kontekstowe

Kontekstyzacja to warstwa przetwarzania w usłudze Content Understanding, która wstępnie przetwarza zawartość użytkownika, przygotowuje dane i kontekst do modeli generowania oraz końcowo przetwarza dane wyjściowe modelu do postaci końcowych, ustrukturyzowanych wyników. Typ przetwarzania danych, przygotowanie danych i zastosowane przetwarzanie kontekstu określa typ i ilość naliczanych tokenów kontekstowych.

Standardowa kontekstualizacja stosuje możliwości wyodrębniania ogólnego przeznaczenia do zawartości i schematu.

Zaawansowana kontekstualizacja stosuje wyspecjalizowaną technologię, aby poprawić jakość, uprościć implementację i rozwiązać bardziej złożone problemy ze zrozumieniem zawartości.

W przypadku interfejsu 2026-06-01-preview API rozpoznana config.workflow wartość sprawia, że odpowiedni współczynnik jest jawny:

• Wartości przepływu pracy rozpoczynające się od standard, używają standardowego współczynnika kontekstyzacji.
• Wszystkie inne rodziny przepływów pracy, w tym advanced i agentic, używają zaawansowanego współczynnika kontekstualizacji.

Klienci ustawiają "default" lub "agentic" podczas tworzenia analizatora. Usługa zwraca wartość wersjonowanej rodziny przepływów pracy, taką jak standard.2026-06-01-preview, advanced.2026-06-01-preview lub agentic.2026-06-01-preview. Aby uzyskać pełne reguły rozwiązywania, zobacz workflow.

Opłaty są naliczane: za każdym razem, gdy używasz funkcji generowania (wyodrębnianie pól, analiza danych, segmentacja, kategoryzacja, trenowanie).

Ceny: stała stawka na jednostkę zawartości.

Tokeny kontekstowe są obliczane na jednostkę zawartości:

Zakładając standardową stawkę za kontekstyzację w wysokości 1,00 USD za 1 milion tokenów kontekstyzacji i zaawansowaną stawkę za kontekstyzację wynoszącą 3,00 USD za 1 milion tokenów kontekstyzacji.

Wstępnie przygotowane analizatory

W poniższej tabeli podsumowano wstępnie utworzone analizatory oraz odpowiednie mierniki rozliczeń wyodrębniania zawartości i przetwarzania kontekstu. Opłata za licznik ekstrakcji pól jest naliczana na podstawie rzeczywistego użycia modelu generatywnego.

¹Wyodrębnianie zawartości z plików tekstowych przy użyciu obsługiwanych analizatorów jest rozliczane za pomocą miernika Document Minimal.

Analizatory niestandardowe

Podczas tworzenia analizatorów niestandardowych i dostarczania oznaczonych etykietami danych treningowych system stosuje zaawansowaną miarę kontekstualizacji. W przeciwnym razie stosuje standardowy wskaźnik kontekstualizacji.

Analizatory niestandardowe utworzone przy użyciu interfejsu API w wersji 2025-11-01 lub starszej nadal używają standardowego współczynnika kontekstualizacji. Jeśli pobierzesz jeden z tych analizatorów za pomocą interfejsu 2026-06-01-preview API, odpowiedź pokazuje standard.2025-11-01 w pliku config.workflow. Odpowiedź interfejsu 2025-11-01 API jest niezmieniona.

Podczas tworzenia analizatora niestandardowego za pomocą interfejsu 2026-06-01-preview API:

• Analizator niestandardowy bez oznaczonych danych jest przypisywany do standard.2026-06-01-preview i używa standardowej stawki.
• Analizator niestandardowy z danymi oznaczonymi etykietami jest rozwiązywany do advanced.2026-06-01-preview i używa zaawansowanego współczynnika.
• Analizator niestandardowy utworzony przy ustawieniu workflow na "agentic" jest rozwiązywany do agentic.2026-06-01-preview i używa stawki zaawansowanej.

Opłaty za model generowania (LLM)

Opłaty oparte na tokenach z modeli Foundry, które napędzają rzeczywiste wyodrębnianie, analizę i inne funkcje generatywne.

Tokeny wejściowe obejmują:

• Wyodrębniony tekst i transkrypcje
• Tokeny obrazów (na potrzeby analizy wizualnej)
• Definicje schematu
• Komunikaty systemowe
• Oznaczone przykłady treningowe za pomocą interfejsu API 2025-11-01

Tokeny wyjściowe obejmują:

• Wartości pól i dane ustrukturyzowane
• Współczynniki ufności i uzasadnienie źródła
• Wyniki i opisy analizy

Optymalizacja kosztów: porównaj bieżące stawki dla obsługiwanych modeli i typów wdrożeń, a następnie wybierz opcję spełniającą wymagania dotyczące jakości, opóźnień, rezydencji danych i kosztów.

Opłaty za integracje

Opłaty oparte na tokenach związane z osadzaniem modeli stosowanych przy trenowaniu niestandardowych analizatorów przy użyciu oznaczonych przykładów w celu poprawy dokładności.

• Opłaty: tylko w przypadku korzystania z funkcji trenowania z danymi oznaczonymi etykietami
• Modele: Aby zapoznać się z bieżącymi opcjami, zobacz Obsługiwane modele generowania.
• Typowe użycie: cały dokument jest osadzony. Użycie może się różnić w zależności od gęstości tekstu, ale około 1500 tokenów na stronę jest przydatnym początkowym oszacowaniem.

Szczegóły funkcji generatywnych

Każda funkcja generatywna wiąże się z innymi kosztami.

Wyodrębnianie pól

Generuje pary ustrukturyzowane klucz-wartość na podstawie definicji schematu. Przykłady obejmują nadawcę/odbiorcę faktury, elementy wiersza lub elementy reklamy wideo, takie jak tagline i wygląd produktu.

Wpływ na koszty: opłaty są skalowane ze złożonością schematu i rozmiarem zawartości.

Analiza rysunku

Tworzy tekst opisowy dla obrazów, wykresów i diagramów, aby umożliwić wyszukiwanie zawartości wizualnej w przepływach pracy RAG.

Wpływ na koszty: tokeny LLM na obraz przeanalizowany — zarówno tokeny wejściowe do interpretacji obrazu, jak i tokeny wyjściowe do opisów. Użycie jest skalowane z rozmiarem i liczbą obrazów zawartych w dokumencie.

Segmentacja

Dzieli dokumenty lub filmy wideo na sekcje logiczne na potrzeby ukierunkowanego przetwarzania i lepszej wydajności.

Wpływ na koszty: koszty tokenów wyjściowych dla każdego utworzonego segmentu. Opcjonalnie możesz połączyć analizatory w celu dalszej analizy poszczególnych segmentów. Łańcuch wykorzystuje więcej ekstrakcji treści i użycia generatywnego, co odpowiada niezależnemu uruchamianiu analizatorów w łańcuchu.

Kategoryzacja

Przypisuje etykiety do dokumentów lub segmentów w celu ich klasyfikacji oraz inteligentnego kierowania do wyspecjalizowanych analizatorów.

Wpływ na koszty: LLM i koszty kontekstowe klasyfikacji. Przekierowanie do innego analizatora dodaje odpowiednie opłaty.

Szkolenia

Tworzy analizatory niestandardowe przy użyciu przykładów oznaczonych etykietami w celu ulepszenia dokładności specyficznej dla domeny.

Wpływ na koszty: Obie wersje interfejsu API używają tokenów osadzania podczas dodawania oznaczonych danych. Korzystając z interfejsu API 2025-11-01, pobrane przykłady treningowe również wliczają się do tokenów wejściowych LLM podczas analizy. Za pomocą interfejsu 2026-06-01-preview API wbudowany analizator nie pobiera dokumentów oznaczonych etykietą w czasie analizy.

Często zadawane pytania

Kiedy są naliczane opłaty za użycie usługi LLM?

Opłaty są naliczane za tokeny LLM tylko wtedy, gdy udostępniasz analizatorowi wdrożenie rozwiązania Foundry i używasz funkcji generowania w usłudze Content Understanding. Analizatory, które wykonują tylko wyodrębnianie zawartości, takie jak prebuilt-read, prebuilt-layout lub analizatory niestandardowe bez możliwości generowania, nie powodują naliczania opłat za usługę LLM.

Jak sprawdzić, który miernik wyodrębniania zawartości ma zastosowanie do moich dokumentów?

Wykonywane rzeczywiste przetwarzanie określa miernik, a nie wybrany analizator:

• Minimalny: Dokumenty cyfrowe (DOCX, XLSX, HTML, TXT itp.) zawsze korzystają z minimalnego ustawienia, niezależnie od analizatora.
• Podstawowe: dokumenty oparte na obrazach z przetwarzaniem tylko OCR (Analizator odczytu)
• Standard: Dokumenty oparte na obrazach z analizą układu (analizator układu)

Aby uzyskać więcej informacji na temat mierników, zobacz Mierniki wyodrębniania zawartości dokumentu.

Czy zostanie mi naliczona podwójna opłata za użycie modelu Foundry?

Nr. Usługa Content Understanding używa powiązanych wdrożeń LLM do wszystkich wywołań LLM i operacji osadzania. Opłaty są naliczane za te wdrożenia. Płacisz usługę Content Understanding za wyodrębnianie i kontekstowość zawartości oraz platformę Foundry dla tokenów modelu generowania (tokeny wejściowe/wyjściowe i osadzanie).

Jak wybór modelu wpływa na koszt?

Współczynniki tokenów modelu różnią się w zależności od modelu i typu wdrożenia. Porównaj bieżące stawki i przetestuj reprezentatywne pliki przed wybraniem modelu. Opłaty za wyodrębnianie zawartości i kontekstualizację nie zależą od wybranego modelu uzupełniania.

Co zwiększa użycie tokenów?

Kilka funkcji może zwiększyć użycie tokenu:

• Uzasadnienie źródłowe i współczynniki ufności dodają kontekst przetwarzania.
• Tryb ekstrakcyjny dodaje instrukcje i szczegóły danych wyjściowych.
• Przykłady trenowania dodają pobrane przykłady do kontekstu modelu przy użyciu interfejsu 2025-11-01 API.
• Segmentacja i kategoryzacja mogą wymagać dodatkowych wywołań modelu.

Czy opłaty są naliczane, jeśli moje żądanie zakończy się niepowodzeniem?

Usługa Content Understanding nie pobiera opłat za wyodrębnianie zawartości ani kontekstowość, gdy żądanie kończy się niepowodzeniem z powodu błędu (na przykład błędu 400). Jeśli wywołanie modelu kompletacji Foundry zakończyło się pomyślnie przed awarią, opłata jest naliczana za użycie modelu Foundry na podstawie zasad rozliczeniowych Foundry.

Porady dotyczące optymalizacji kosztów

• Porównaj obsługiwane modele i typy wdrożeń , aby zrównoważyć wymagania dotyczące kosztów, jakości, opóźnień i rezydencji danych.
• Zacznij od mini modeli — mini modele oferują duże oszczędności w przypadku większości zadań wyodrębniania
• Używaj wdrożeń globalnych, gdy na to pozwala lokalizacja danych i zgodność
• Selektywne włączanie zaawansowanych funkcji — w razie potrzeby używaj uziemienia źródła i współczynników ufności
• Przetestuj pliki reprezentatywne przed skalowaniem, aby zrozumieć rzeczywiste użycie tokenu
• Regularnie monitoruj użycie w portalu Azure w celu zidentyfikowania możliwości optymalizacji

Więcej przykładów cen

Poniżej przedstawiono szczegółowe przykłady pokazujące sposób działania cen w różnych scenariuszach:

Przykład 1. Przetwarzanie dokumentów dla przepływów pracy RAG

Scenariusz: musisz wyodrębnić zawartość z dokumentów dla rozwiązania Retrieval-Augmented Generation (RAG). Aby wyodrębnić tekst, układ i opisy rysunków, użyj prebuilt-documentSearch.

Dane wejściowe:

• 10 stron
• Model: GPT-5.2 — wdrożenie globalne
• Region: Wschodnie stany USA

Podział cen:

1. Wyodrębnianie zawartości: 10 stron

   • Koszt: (10 / 1000) × $5.00 = $0.05

2. Analiza rysunku:

   Przy założeniu, że dwie liczby na stronę. Kosztuje około 1000 tokenów wejściowych i 200 tokenów wyjściowych na rysunek.

   • Tokeny wejściowe: 20 obrazów × 1000 tokenów/obrazu = 20 000 tokenów
   • Koszt: (20 000 / 1000 000) × $2.00 = $0.04
   • Tokeny wyjściowe: 20 rysunków × 200 tokenów/rysunek = 4000 tokenów
   • Koszt: (4000 / 1000 000) × 8,00 USD = 0,032 USD

3. Kontekstualizacja: 10 stron × 1000 tokenów/strony = 10 000 tokenów

   • Koszt: (10 000 / 1000 000) × 1,00 USD = 0,01 USD

Łączny szacowany koszt: $0.05 + $0.04 + $0.032 + $0.01 = $0.132

Przykład 2. Przetwarzanie faktur za pomocą wyodrębniania pól

Scenariusz: Automatyzujesz przetwarzanie faktur przy użyciu funkcji prebuilt-invoice wyodrębniania danych ustrukturyzowanych (numer faktury, data, dostawca, suma, elementy wiersza).

Dane wejściowe:

• 10 stron
• Model: globalne wdrożenie GPT-5.2
• Funkcje: tryb wyodrębniania + szacowanie źródła i oceny ufności
• Region: Wschodnie stany USA

Podział cen:

1. Wyodrębnianie zawartości: 10 stron

   • Koszt: (10 / 1000) × $5.00 = $0.05

2. Wyodrębnianie pól: przy włączonym szacowaniu źródła i pewności, użycie tokenów wynosi około dwa razy więcej na stronę.

   • Podstawowe tokeny wejściowe: 10 stron × 5200 tokenów/strony = 52 000 tokenów
   • Koszt: (52 000 / 1000 000) × 0,40 USD = 0,0208 USD
   • Podstawowe tokeny wyjściowe: 10 stron × 180 tokenów/strony = 1800 tokenów
   • Koszt: (1 800 / 1 000 000) × 1,60 USD = 0,0029 USD

3. Kontekstualizacja: 10 stron × 1000 tokenów/strony = 10 000 tokenów

   • Koszt: (10 000 / 1000 000) × $1.00 = $0.01

Łączny szacowany koszt: $0.05 + $0.0208 + $0.0029 + $0.01 = $0.0837

Przykład 3. Analizowanie zawartości wideo przy użyciu wyodrębniania pól na poziomie segmentu

Scenariusz: wyodrębniasz ustrukturyzowaną reprezentację zawartości wideo dla aplikacji RAG. Aby wyodrębnić dane ustrukturyzowane na segment wideo, możesz użyć elementu prebuilt-videoSearch. Segmenty to krótkie klipy średnio 15–30 sekund, co skutkuje wieloma segmentami danych wyjściowych z pojedynczym polem podsumowania na segment.

Dane wejściowe:

• 60 minut (1 godzina) wideo
• Model: globalne wdrożenie GPT-5.2
• Region: Wschodnie stany USA

Założenia:

• Tokeny wejściowe: 7500 tokenów na minutę (na podstawie przykładowych ramek, transkrypcji, monitów schematu i metapromptów)
• Tokeny wyjściowe: 900 tokenów na minutę (przy założeniu 10–20 krótkich pól strukturalnych na segment z autosegmentacją)
• Kontekstualizacja: 1 000 000 tokenów na godzinę wideo

Podział cen:

1. Wyodrębnianie zawartości: 60 minut

   • Koszt: 60 minut × $1/hour = $1.00

2. Wyodrębnianie pól:

   • Tokeny wejściowe: 60 minut × 7500 tokenów/minuty = 450 000 tokenów
   • Koszt: (450 000 / 1000 000) × $2.00 = $0.90
   • Tokeny wyjściowe: 60 minut × 900 tokenów na minutę = 54 000 tokenów
   • Koszt: (54 000 / 1000 000) × $8.00 = $0.43

3. Kontekstualizacja: 1 000 000 tokenów na godzinę

   • Koszt: (1000 000 / 1 000 000) × $ 1.00 = $1.00

Łączny szacowany koszt: $1.00 + $0.90 + $0.43 + $1.00 = $3.33

Przykład 4. Przetwarzanie nagrań w centrum połączeń audio

Scenariusz: analizujesz nagrania w call center przy użyciu funkcji prebuilt-callCenter do generowania transkrypcji, diaryzacji mówcy, analizy sentymentu i podsumowań.

Dane wejściowe:

• 60 minut dźwięku
• Model: globalne wdrożenie GPT-5.2
• Region: Wschodnie stany USA

Podział cen:

1. Wyodrębnianie zawartości: 60 minut

   • Koszt: 60 minut × $0.36/minute = $0.36

2. Wyodrębnianie pól:

   • Tokeny wejściowe: 60 minut × 604 tokeny/minutę = 36 240 tokenów
   • Koszt: (36 240 / 1000 000) × $0.40 = $0.01
   • Tokeny wyjściowe: 60 minut × 19 tokenów/minut = 1140 tokenów
   • Koszt: (1140 / 1000 000) × $1.60 = $0.00

3. Kontekstualizacja: 60 minut × 1 667 tokenów/minutę = 100 020 tokenów

   • Koszt: (100 020 / 1000 000) × $1.00 = $0.10

Łączny szacowany koszt: $0.36 + $0.01 + $0.00 + $0.10 = $0.47

Przykład 5. Przetwarzanie obrazów z podpisami

Scenariusz: Generujesz opisowe napisy dla obrazów produktów przy użyciu polecenia prebuilt-imageSearch.

Dane wejściowe:

• 1000 obrazów
• Model: globalne wdrożenie GPT-5.2
• Region: Wschodnie stany USA

Podział cen:

1. Wyodrębnianie zawartości: brak opłat za obrazy

   • Koszt: $0.00

2. Wyodrębnianie pól:

   • Tokeny wejściowe: 1000 obrazów × 1043 tokenów/obrazu = 1043 000 tokenów
   • Koszt: (1043 000 / 1 000 000) × $ 2.00 = $2.09
   • Tokeny wyjściowe: 1000 obrazów × 170 tokenów/obrazu = 170 000 tokenów
   • Koszt: (170 000 / 1000 000) × $8.00 = $1.36

3. Kontekstualizacja: 1000 obrazów × 1000 tokenów/obraz = 1 000 000 tokenów

   • Koszt: (1000 000 / 1 000 000) × $ 1.00 = $1.00

Łączny szacowany koszt: $0.00 + $2.09 + $1.36 + $1.00 = $4.45

Kategorie użycia według obciążenia

Skorzystaj z poniższej tabeli, aby zidentyfikować kategorie użycia, które mają być uwzględnione w oszacowaniu. Dokładne użycie tokenu zależy od zawartości, schematu, konfiguracji analizatora i wybranego modelu.

Następne kroki

• Azure Strona z cennikiem usługi Content Understanding
• Przewodnik Szybki start dotyczący usługi Content Understanding
• Najlepsze rozwiązania dotyczące usługi Content Understanding
• Wbudowane analizatory