Tarification API Ollama : coût local vs paiement au token

Ce que signifie réellement la « tarification API Ollama »

Lorsque les gens tapent tarification API Ollama dans une barre de recherche, ils cherchent souvent une grille tarifaire, mais le logiciel local n'en propose aucune. Ollama est un programme que vous installez pour exécuter des modèles à poids ouverts sur votre propre ordinateur et les servir via une API HTTP locale. Il ne compte pas les tokens et ne vous envoie pas de facture pour ceux-ci. Ollama propose également ses propres options hébergées ; pour celles-ci, consultez leur page de tarification actuelle, car cet article ne les concerne pas.

Cela ne rend pas l'inférence locale gratuite. Le coût passe d'une redevance par token à des éléments que vous payez déjà ou devez acheter : une machine avec suffisamment de mémoire, l'électricité, votre temps pour la configuration et les mises à jour, et le coût d'opportunité d'un GPU occupé. La question utile n'est pas « quel est le prix » mais « à mon volume, quelle configuration coûte moins cher et fonctionne suffisamment bien ». Le reste de cet article vous donne les chiffres du côté hébergé pour vous permettre d'y répondre.

Le coût de l'exécution d'Ollama en auto-hébergement

Il y a quatre lignes sur le registre local.

• Matériel. Les modèles plus volumineux nécessitent plus de mémoire GPU ou beaucoup de RAM système. Si vous possédez déjà une machine adaptée, ce coût est amorti. Si vous devez en acheter ou en louer une, c'est le poste le plus important.
• Électricité. Multipliez la consommation de la machine en kilowatts par les heures d'utilisation et par votre tarif électrique. Un GPU de bureau en charge consomme beaucoup plus qu'au repos, donc ne compter que les heures actives est équitable.
• Capacité inutilisée. Un serveur qui reste inutilisé la plupart du temps doit tout de même exister. La facturation au token ne vous facture que lorsque vous appelez.
• Votre temps. Télécharger les modèles, mettre à jour le runtime, surveiller la mémoire, redémarrer après les plantages.

Mesurez vos propres chiffres au lieu de faire confiance à une figure générique. Notez combien de tokens votre charge de travail utilise réellement pendant une semaine. Cette mesure spécifique est également ce dont vous avez besoin pour évaluer précisément l'alternative hébergée.

Tarifs hébergés et arithmétique

L'API hébergée sur ce site facture deux compteurs. Les tokens d'entrée (votre prompt, y compris l'historique de chat que vous renvoyez) coûtent 0,15 $ par 1M. Les tokens de sortie (la complétion) coûtent 0,50 $ par 1M. Il n'y a pas d'abonnement ; vous ajoutez du crédit et il est prélevé par requête. Les requêtes échouées ou refusées ne sont pas facturées, et le crédit n'expire jamais.

La formule est courte :

cost = input_tokens x 0.15 / 1,000,000 + output_tokens x 0.50 / 1,000,000

Voici des profils d'utilisation courants avec les calculs effectués.

Tâche	Tokens d'entrée	Tokens de sortie	Coût
Une réponse de chat	2,000	500	$0.0003 + $0.00025 = $0.00055
1 000 réponses de ce type	2,000,000	500,000	$0.30 + $0.25 = $0.55
Résumer un long document	50,000	1,000	$0.0075 + $0.0005 = $0.008
Remplir le contexte complet	100,000	4,000	$0.015 + $0.002 = $0.017
Lot de 10 000 requêtes	8,000,000	3,000,000	$1.20 + $1.50 = $2.70

La ligne de lot suppose 800 jetons d'entrée et 300 jetons de sortie par requête. Notez que la sortie est le compteur cher par token, mais l'entrée domine généralement le nombre, donc les longs prompts et les longs historiques de chat sont là où l'argent part.

Une conversation qui s'allonge tour par tour

Les API de chat sont sans état, donc chaque tour renvoie tout l'historique. Cela fait croître le coût plus vite que le nombre de tours. Prenons une conversation de 20 tours où chaque message utilisateur fait 150 tokens et chaque réponse 250 tokens, donc chaque tour ajoute 400 tokens à l'historique.

1. Le tour 1 envoie 150 jetons d'entrée. Le tour 2 envoie 150 + 400 = 550. Le tour k envoie 150 + 400 x (k - 1).
2. Sur 20 tours, le total d'entrée est 150 x 20 + 400 x (0 + 1 + ... + 19) = 3 000 + 400 x 190 = 79 000 tokens.
3. Le total de sortie est 20 x 250 = 5 000 tokens.
4. Coût : 79 000 x 0,15 / 1M = 0,01185 $, plus 5 000 x 0,50 / 1M = 0,0025 $, soit 0,01435 $ au total.

Environ un cent et demi pour une longue conversation. Si vous doublez la conversation à 40 tours, l'entrée quadruple environ, car l'historique continue de croître. Réduire ou résumer les anciens tours est le principal moyen de contrôler le coût dans les applications de chat.

Crédit, bonus et essai

Vous rechargez avec n'importe quel montant entier de 20 $ à 500 $. Les recharges plus importantes comportent un bonus : +5 % à partir de 50 $, +10 % à partir de 100 $ et +15 % à partir de 200 $. En pratique, cela signifie :

• 50 $ achètent 52,50 $ de crédit.
• 100 $ achètent 110,00 $ de crédit.
• 200 $ achètent 230,00 $ de crédit.

Le paiement se fait par carte (Visa, Mastercard, Apple Pay, Google Pay) ou crypto (USDT sur TRC20, USDC sur Base). La page de tarification a les détails actuels.

Les nouveaux utilisateurs peuvent tester avant de payer. Après vous être connecté avec Google, ou avec email et mot de passe, la page de clé API contient un bouton qui réclame 0,50 $ de crédit d'essai, un par personne, valable 7 jours, sans carte nécessaire. Avec la taille de réponse ci-dessus (2 000 tokens en entrée, 500 en sortie), 0,50 $ couvre environ 900 réponses, ce qui est largement suffisant pour juger si la sortie convient à votre projet. Une clé d'essai est limitée à 2 requêtes simultanées et 60 requêtes par minute. Vous pouvez obtenir votre clé API en quelques minutes.

Comparer les deux selon votre volume

Utilisez vos comptes de tokens enregistrés et faites la somme pour un mois. Disons qu'un projet utilise 50M de tokens d'entrée et 10M de tokens de sortie par mois. Coût hébergé : 50 x 0,15 $ = 7,50 $, plus 10 x 0,50 $ = 5,00 $, soit 12,50 $. Mettez maintenant votre chiffre local à côté : la part mensuelle du matériel que vous n'auriez pas autrement, plus l'électricité pour les heures actives, plus la valeur de votre temps de maintenance. Si ce total est clairement supérieur à 12,50 $, l'hébergement gagne en coût. Si vous possédez déjà du matériel inoccupé qui gère bien le modèle, le local gagne en coût.

Le coût n'est pas le seul axe. Le local garde les données sur votre machine et fonctionne hors ligne. L'hébergé supprime le besoin d'un GPU, offre une fenêtre de contexte de 100 000 tokens, et permet à plusieurs services de partager un seul backend. Le modèle hébergé est un modèle à poids ouverts unique ajusté pour répondre sans refus de contenu pour un usage adulte légal, donc cela dépend aussi si ce modèle convient à votre tâche. Les prompts ne sont pas utilisés pour l'entraînement.

Une limite honnête : il n'y a pas de niveau gratuit et illimité. Après l'essai de 0,50 $, vous payez au token à partir du crédit prépayé. Si votre travail nécessite des appels gratuits et illimités et que vous possédez le matériel, Ollama local est le bon outil.

Erreurs qui faussent la comparaison

Certaines erreurs apparaissent encore et encore lorsque les gens évaluent une charge de travail LLM, et chacune peut inverser la réponse.

• Oublier les tokens de sortie. Un prompt court avec une longue réponse est principalement une facture de sortie. Un prompt de 300 tokens qui génère une histoire de 3 000 tokens coûte 300 x 0,15 $ / 1M + 3 000 x 0,50 $ / 1M = 0,000045 $ + 0,0015 $ = 0,001545 $.
• Ignorer l'historique renvoyé. Comme le montre l'exemple en 20 tours, le coût du chat évolue avec le contexte accumulé, et non avec la longueur du dernier message.
• Compter des mots au lieu de tokens. Le texte anglais prend généralement un peu plus de tokens que de mots, et le code ou les scripts non latins en prennent encore plus. Lisez les nombres d'utilisation retournés avec chaque réponse et utilisez-les, pas une estimation.
• Tarification du matériel local à zéro. Un GPU que vous possédez déjà s'use et consomme toujours de l'électricité, même si vous ne faites pas de chèque pour le payer.
• Comparer des modèles différents. Un petit modèle local et un modèle hébergé plus volumineux ne produisent pas la même qualité. Moins cher par token n'est pas moins cher par bonne réponse si vous avez besoin de nombreuses tentatives.

Le dernier point mérite un test plutôt qu'un avis. Prenez vingt prompts réels de votre projet, exécutez-les sur les deux configurations et jugez les réponses. Ensuite, calculez le coût du vainqueur à votre volume réel.

Surveiller les dépenses

Chaque réponse de l'API hébergée comporte un en-tête X-Balance-USD avec votre crédit restant, plus X-Request-Id pour les questions de support. Vous pouvez le lire dans le code et vous alerter avant que le solde ne s'épuise.

Copyimport requests

r = requests.post(
    "https://api.ollamaapi.cc/v1/chat/completions",
    headers={"Authorization": "Bearer YOUR_API_KEY"},
    json={
        "model": "uncensored",
        "messages": [{"role": "user", "content": "Say hello."}],
        "max_tokens": 20,
    },
    timeout=60,
)
print(r.json()["choices"][0]["message"]["content"])
print("Balance:", r.headers.get("X-Balance-USD"))

La définition de max_tokens est facultative, car une complétion peut utiliser le reste de la fenêtre, mais c'est une protection peu coûteuse contre une sortie incontrôlée. La documentation couvre les autres en-têtes et les limites de débit.

Plus de guides

• API Ollama en Python et une alternative hébergée
• API Ollama vs OpenRouter : lequel vous convient ?
• Guide de la clé API Mistral