注意：文中调用示例均跑在147AI上，价格数据全部公开：浏览器看网页版https://147ai.com/pricing，程序抓 JSON 接口https://147ai.com/api/pricing，两者同源同数据（可实时核验）。文末附换用其他网关复现本文的方法，欢迎试验。

为什么蒸馏的第一笔账是"数据生成"

模型蒸馏（distillation）的流程大家都熟：拿一个强的教师模型批量生成高质量问答/推理数据，再用这批数据 SFT 一个小的学生模型。GPU 训练的账好算，但很多人第一次做蒸馏时低估的是教师模型的调用费——生成 10 万条数据，token 消耗轻松上亿。

这篇把这笔账算透：真实价格+真实公式+可复现代码。

一、先定场景

以一个典型的中文指令蒸馏任务为例：

• 目标：生成100,000 条SFT 样本
• 每条样本：prompt 平均 600 tokens（含 few-shot 示例与生成指令），教师输出平均 900 tokens
• 总消耗：输入 60M tokens，输出 90M tokens

你的场景可以按比例缩放，公式在下面。

二、价格怎么算（公式可自行核验）

147AI基于 new-api，计价公式是公开的：

输入价（$/1M tokens）= model_ratio × 2 × group_ratio 输出价（$/1M tokens）= 输入价 × completion_ratio

三个系数全部公开，两种方式任选：想肉眼浏览，开网页版https://147ai.com/pricing（可视化价格表，无需登录）；想脚本核验，抓 JSON 接口https://147ai.com/api/pricing（原始结构化数据，同样无需认证，写作本文时共 220 个模型）。两者同源，本文表格用的是后者。充值汇率 1$ = ¥1.0，所以下面的美元数字就是人民币数字。

关于"分组"要先说清楚：同一个模型在147AI中通常挂在多个分组下，分组对应不同的上游渠道和倍率（group_ratio），价格可能差好几倍。没有"默认哪个组最好"的说法——低倍率组通常是特价渠道（例如标注"企业勿选"的特价组，稳定性预期就该打折扣），高倍率组是官方直连/企业级渠道。做蒸馏这种大批量离线任务，你可以自己权衡：任务可重试、对单次失败不敏感，特价组的性价比就有意义；要是流水线一断就要人工介入，多花的钱就是买稳定。

三、成本实测表（2026-07-22 实抓价格快照）

按上面 60M 输入 / 90M 输出的场景，各教师模型的总成本（同一模型给出全部分组的价格区间，低→高，一个分组都不排除）：

这里说明一下 claude 系区间为什么这么宽：claude-sonnet-4-6 / claude-opus-4-6 分别挂着 8 个和 9 个计价分组，区间下限是特价渠道（group_ratio 低），上限是 openrouter（group_ratio 4.5）和官方直连（group_ratio 6）这两个最贵的分组。做离线批量蒸馏，大概率你不会选官方直连档，但区间必须把它们算进去——不然你自己抓/api/pricing一算就会发现对不上。

实测过程中我的几个比较直观的结论：

1. 输出占大头。蒸馏是输出密集型任务，表中模型的 completion_ratio 从 1.5（deepseek-v3.2）到 8（gpt-5.2-chat-latest）不等，旗舰档普遍 4~8——输出单价全线高于输入单价，教师输出 token 是成本主项，控制生成长度比压 prompt 更省钱。
2. 教师模型选型跨度接近 50 倍（$312 vs $15,300）。常见做法不是全用旗舰：先用旗舰模型（如 claude-opus / gpt-5.4）生成 5%~10% 的种子数据校准质量标准，剩下的量产交给 deepseek/gemini-flash 档位，再用旗舰做质量抽检。
3. 同一模型不同分组价差可达 7.5 倍（如 claude-sonnet-4-6 输入价 $2.40 ~ $18.00），这正是离线批量任务和在线服务的选型逻辑不同的地方——请根据自己的失败容忍度选，别抄别人的作业。
4. 推理模型会"偷吃"你的输出预算，别只看 completion_tokens 总量。gemini-3-flash-preview 这类隐藏推理模型（以及其他标-preview/ 推理档的模型），reasoning token 和正文共享同一个max_tokens预算——我们实测用max_tokens=1200生成 500-800 字正文时，reasoning token 占掉约 60% 预算，正文在句子中间被硬截断（finish_reason: length）。而且 reasoning token 照样按 completion 价计费：钱花了，数据却不达标。对策：给这类模型单独调大max_tokens，质检时逐条检查finish_reason是否为stop、看reasoning_tokens占比——这比数字数更可靠。deepseek-v3.2 / gpt-5.4 实测无此问题。

四、可复现代码

一个 key 切换所有教师模型（OpenAI 兼容格式，换base_url即可换网关）：

fromopenaiimportOpenAIimportjson,time client=OpenAI(base_url="https://147ai.com/v1",# 换任何 OpenAI 兼容网关都行api_key="sk-xxx",)TEACHERS=["deepseek-v3.2","gemini-3-flash-preview","claude-sonnet-4-6"]# 推理模型（如 gemini-3-flash-preview）的 reasoning token 与正文共享 max_tokens 预算，# 需预留余量，否则正文会被截断（见上文结论 4）MAX_TOKENS={"gemini-3-flash-preview":3000}# 其余模型用默认 1200PROMPT_TMPL="""你是数据标注专家。请针对下面的指令，写一个高质量回答， 要求：步骤清晰、无编造事实、字数 500-800。 指令：{instruction}"""defgen_one(model,instruction):r=client.chat.completions.create(model=model,messages=[{"role":"user","content":PROMPT_TMPL.format(instruction=instruction)}],max_tokens=MAX_TOKENS.get(model,1200),temperature=0.7,)assertr.choices[0].finish_reason=="stop",f"输出被截断:{model}"# 质检第一道关return{"model":model,"instruction":instruction,"output":r.choices[0].message.content,"usage":r.usage.model_dump(),# 留着对账！}# 对账：跑完一批后，把 usage 累加，乘上实抓价格表，和后台账单核对

这里强烈建议保留每条请求的usage字段做本地对账——这是检验任何网关计费是否透明的最简单办法，对我们也一样适用。

五、动手前的几个事实

• 在147AI中目前没有免费试用额度，最低充值 ¥100。按上表折算，¥100 大约够跑 3 万条 deepseek-v3.2 档位的数据——正好当一次完整的试水：跑通流程、核对账单，再决定要不要上量。
• 本文所有价格都来自公开定价（网页版https://147ai.com/pricing/ JSON 接口https://147ai.com/api/pricing）和公开公式
• 不需要你百分百相信本文内容——建议你发布任务前自己抓一遍实时价格进行核验，公式对不上可以在评论区指出，我们来进一步修正。

六、如何用别家网关复现本文

把代码里的base_url换成任意 OpenAI 兼容网关，用同一批 instruction 跑同样的量，对比三个东西：①实际账单和标价是否一致 ②输出质量（可用旗舰模型盲评）③失败率与重试成本。

欢迎在评论区贴复现结果，有问题的也可以在评论区贴出，我们会进行解答。

价格为 2026-07-22 快照，以https://147ai.com/api/pricing实时数据为准。