· reAPI Team
AI API-Kosten ohne Anfragen: Kosten ungenutzter Deployments
Verfolge AI API-Kosten ohne laufende Anfragen. Prüfe dedizierte Endpunkte, ungenutzte Instanzen, gespeicherte Daten und Nachweise für ein gestopptes Deployment.

Du hast keine Prompts gesendet und keine Videos erzeugt, trotzdem erscheint eine weitere Belastung im Konto.
Bevor du einen rätselhaften API-Aufruf untersuchst, sieh dir die Einheit auf der Rechnung an. Misst sie die Onlinezeit von Hardware oder Modellhosting, kann ein leerer Anfrageverlauf vollkommen mit der Belastung vereinbar sein. Together AI berechnet bei aktiven dedizierten Endpunkten die zugewiesene Hardware und bei bereitgestellten Fine-Tunes das Hosting. Replicate berechnet Deployment-Instanzen während der Einrichtung, Verarbeitung und im Leerlauf.[1][2]
Dieser Unterschied bestimmt, was du abschalten musst. Wenn du die App schließt, hörst du auf, sie zu benutzen. Wenn du einen bereitgestellten Endpunkt stoppst, veränderst du die Ressource, die die Rechnung verursacht.
Eine Stunde Arbeit, zehn Stunden online
Angenommen, du stellst ein Modell für ein Experiment bereit, nutzt es eine Stunde und lässt die Instanz während des restlichen Zehnstundenfensters online. Nimm für dieses Beispiel einen Preis von zwei Kosteneinheiten pro Online-Instanzstunde an. Das sind erfundene Recheneinheiten, kein Angebot eines Anbieters.
Die Rechnung beträgt zwanzig Einheiten: eine Instanz mal zehn Onlinestunden mal zwei Einheiten. Zählst du nur die Stunde nützlicher Verarbeitung, ergeben sich zwei Einheiten. Die übrigen achtzehn sind keine unerklärlichen Anfragen. Unter der Abrechnungsannahme dieses Beispiels sind sie die Kosten dafür, die Instanz während der anderen neun Stunden online zu halten.
Ändere nun das Experiment. Du sendest halb so viele Prompts, lässt dieselbe Instanz aber dieselben zehn Stunden online. Die Hostingkosten betragen weiterhin zwanzig Einheiten. Kürzere Prompts und weniger Ausgabe-token ändern diesen konkreten Zähler nicht. Du müsstest die abrechenbare Onlinezeit, die Instanzzahl oder den geltenden Hardwaretarif ändern.
Verwende bei einem echten Deployment dessen dokumentierte Abrechnungseinheit und tatsächliche Instanzintervalle, einschließlich etwaiger Einrichtungszeit und Rundungen des Dienstes. Replicates Abrechnungsdokumentation schließt Einrichtungs-, Leerlauf- und aktive Zeit für Deployments ausdrücklich ein. Öffentliche Modelle verwenden ein anderes Abrechnungsmodell, und für schnell startende Fine-Tunes gibt es eine Ausnahme. Übertrage eine Regel nicht allein wegen ähnlicher Modellnamen von einem Ausführungstyp auf einen anderen.[2]
Das erklärt auch, warum eine API teuer wirken kann, wenn du die Rechnung durch wenige abgeschlossene Anfragen teilst. Du verteilst die Kosten der bereitgehaltenen Kapazität auf die Arbeit, die sie genutzt hat. Ob sich das lohnt, hängt davon ab, warum du sie bereitgehalten hast.
Was dir die ungenutzte Instanz bringt
Mit Replicates Deployment-Steuerung kannst du eine Mindestanzahl von Instanzen festlegen, um Modelle warmzuhalten, oder ungenutzte Instanzen auf null skalieren lassen. Auch die maximale Instanzzahl lässt sich begrenzen.[3] Minimum und Maximum beantworten unterschiedliche Fragen. Ein niedriges Maximum begrenzt das Wachstum des Deployments; ein Minimum über null kann Kapazität online halten, obwohl keine neue Arbeit eintrifft.
Für eine interaktive Anwendung kann eine bereitgehaltene Instanz sinnvoll sein. Die nächste Anfrage muss nicht warten, bis diese Instanz aus einem Offlinezustand vorbereitet ist. Bei gelegentlichen internen Experimenten lassen sich Zahlungen während langer ruhiger Phasen möglicherweise schwerer rechtfertigen. Die Dokumentation beschreibt die Steuerungsmöglichkeiten, kann dir aber nicht sagen, wie viel Startverzögerung deine konkreten Nutzer akzeptieren.
Triff diese Entscheidung anhand der Arbeitslast. Ein Batch, der bis zum nächsten geplanten Lauf warten kann, hat andere Anforderungen als ein Nutzer, der eine Liveoberfläche betrachtet. Falls du das Startverhalten in eigenen genehmigten Tests gemessen hast, verwende diese Messwerte. Ohne sie kannst du noch nicht beurteilen, ob die zusätzliche Wartezeit zu den Anforderungen deiner Anwendung passt. Eine warme Instanz belegt auch nicht, wie schnell jede Anfrage abgeschlossen wird.
Die gleiche Unterscheidung gilt bei Together. Dessen Supporthinweise trennen die serverlose Modellnutzung vom Hosting bereitgestellter Fine-Tunes und von dedizierten Endpunkten. Serverlose Nutzung wird nach tatsächlicher API-Nutzung berechnet; Hosting und dedizierte Ressourcen können auch ohne diese weiter Kosten verursachen.[1] „Wir nutzen Together“ reicht nicht aus, um eine Abrechnungsregel auszuwählen. Ermittle den Endpunkttyp im Konto.
Eine hilfreiche Notiz beim Deployment eines Experiments ist deshalb der Grund, warum es online bleibt: welche Arbeitslast es bedient, wer verantwortlich ist und wann dieser Bedarf endet. Das erleichtert eine spätere Abschaltentscheidung gegenüber dem Versuch, den Zweck eines alten Endpunkts aus seinem Namen abzuleiten.
Finde die Ressource, bevor du die Zahlungskarte entfernst
Beginne mit einer Rechnungsposition und ihrem Leistungszeitraum. Ermittle Ressourcen-ID und Konto oder Organisation und öffne dann den entsprechenden Endpunkt oder das Deployment. Vergleiche dessen Zustand und zugewiesene Instanzen mit dem berechneten Zeitraum. Die Frage ist, ob diese Ressource in diesem Intervall abrechenbar war.
Zeigt die Rechnung nur einen Gesamtbetrag, suche die zugrunde liegenden Nutzungsdetails. Vergleiche einen Hardwarestundenposten nicht mit dem token-Preis des Modells. Ein Guthabenkauf ist eine Einzahlung, während Hosting dieses Guthaben verbraucht; Together unterscheidet beides in seinen Supporthinweisen ausdrücklich.[1]
Prüfe anschließend, ob du sämtliche Ressourcen des betreffenden Kontos erfasst hast. Beziehe den Entwicklungsendpunkt, das Deployment aus der Evaluierung des letzten Monats und Ressourcen anderer Teammitglieder ein. Du musst nicht annehmen, dass jemand eine davon vergessen hat. Du brauchst einen Verantwortlichen, der sagen kann, ob jede einzelne weiterlaufen sollte.
Betrifft die Belastung Inferenz statt Hosting, vergleiche den Anfrageverlauf des Anbieters mit den Anwendungslogs. Prüfe geplante Jobs und Worker als mögliche Aktivitätsquellen. Ein geschlossenes Browserfenster ist ein schwacher Nachweis für einen Dienst, der anderswo läuft. Findest du unerklärliche Anfragen, untersuche sie separat; der Leitfaden zur Reaktion auf geleakte Schlüssel behandelt offengelegte Zugangsdaten.
Prüfe auch, wann angenommene Jobs abgeschlossen wurden. reAPI dokumentiert, dass ausstehende Aufgaben nach dem Widerruf ihres API-Schlüssels abgeschlossen werden und Guthaben verbrauchen können. Die Aufgabenantwort unterscheidet eine Reservierung von der endgültigen Abrechnung.[4] In dieser Situation kann eine spätere Guthabenänderung zu früherer Arbeit gehören. Vergleiche Einreichungs- und Abschlusszeiten, bevor du folgerst, dass nach dem Abschalten eine neue Anfrage lief.
Das Entfernen einer Zahlungsmethode beantwortet keine dieser Fragen. Together verlangt mindestens eine gültige Karte und einen Ersatzstandard, bevor die aktuelle Standardkarte entfernt werden kann.[5] Der dokumentierte Weg, ungenutztes Hosting zu stoppen, ist das Stoppen des Endpunkts. Kümmere dich zuerst um die abrechenbare Ressource; sonst verbringst du womöglich Zeit mit Zahlungseinstellungen, während der betreffende Endpunkt aktiv bleibt.
Stoppen und dann das nächste Abrechnungsintervall prüfen
Für Together sieht das veröffentlichte Verfahren vor, bereitgestellte Fine-Tunes und aktive dedizierte Endpunkte zu prüfen und nicht mehr genutzte ausdrücklich zu stoppen.[1] Notiere, welchen Endpunkt du wann gestoppt hast. Braucht das Team das Modell weiterhin, halte seine Konfiguration und Deployment-Anforderungen für die nächste Person bereit, die es wieder in Betrieb nehmen muss.
Prüfe bei Replicate sowohl die Skalierungskonfiguration als auch den tatsächlichen Instanzzustand. Eine Einstellung beschreibt, was das Deployment tun darf; das Monitoring zeigt, ob Instanzen starten, untätig sind oder arbeiten.[3] Prüfe nach einer Änderung die resultierende Onlinezahl. Verwende einen gespeicherten Konfigurationsbildschirm nicht als einzigen Nachweis dafür, dass die Ressource offline ist.
Löschen ist ein weiterer Schritt. Replicates Dokumentation verlangt, dass ein Deployment mindestens fünfzehn Minuten offline und ungenutzt war, bevor es gelöscht werden kann.[6] Willst du unmittelbar die Kosten eines aufgegebenen Experiments stoppen, folge dem Lebenszyklus in dieser Reihenfolge. Entscheide separat, ob das Team die Konfiguration behalten oder das Deployment entfernen möchte.
Sieh dir dann den nächsten Nutzungsdatensatz an. Vergleiche sein Intervall mit deiner Abschaltzeit, nicht nur das Datum, an dem die Belastung erschien. Eine nach dem Abschalten gebuchte Position kann frühere abrechenbare Zeit beschreiben. Ein tatsächlich neues Abrechnungsintervall nach der Deaktivierung der Ressource ist ein anderer Befund, den du mit Ressourcen-ID und Zeitstempeln an den Support geben solltest.
Zurück zum Zehnstundenbeispiel. Besagt der Datensatz, dass die Instanz alle zehn Stunden online war, folgen die zwanzig Einheiten aus der genannten Annahme. Hast du Belege für eine frühere Abschaltung, ist die Abweichung nun präzise: Welches Intervall hat das Abrechnungssystem gezählt? Das ist für den Support viel hilfreicher als „Ich habe keine Prompts gesendet“.
Ein gestopptes Modell kann andere Kosten hinterlassen
Das Abschalten von Rechenleistung entfernt nicht unbedingt die umgebenden Ressourcen. AWS liefert ein konkretes Beispiel: EBS-Volumes bleiben beim Stoppen einer EC2-Instanz erhalten und verursachen weiter Speicherkosten.[7] Das ist eine AWS-Speicherregel und keine Behauptung, Together oder Replicate verwende dieselben Speichergebühren.
Betreibst du eigene Infrastruktur, lies die übrigen Rechnungspositionen einzeln. Ermittle das erhaltene Volume oder eine andere separat berechnete Ressource und kläre vor dem Entfernen, was sie enthält. AWS dokumentiert, dass beim Löschen eines EBS-Volumes dessen Daten entfernt werden; Snapshots bieten eine separate Aufbewahrungsmöglichkeit.[8] Geld zu sparen ist kein Grund, die einzige Kopie eines Modellartefakts zu löschen, das das Team noch braucht.
Die gleiche Sorgfalt gilt für Ausgaben, die du in deinen eigenen Speicher kopiert hast. Der Lebenszyklus des Generierungsdienstes bestimmt nicht den deines Archivs. Der Leitfaden zur Aufbewahrung von Ausgaben verfolgt diese Kopien vom Speichern bis zum Löschen. Gib Speicher in einer Abschaltcheckliste einen eigenen Verantwortlichen und eine eigene Entscheidung, statt ihn unter „Endpunkt gestoppt“ zu verstecken.
Ein einzelnes Deployment auf null zu skalieren belegt daher nicht, dass das gesamte Konto jetzt nichts mehr kostet. Es kann weitere Endpunkte, noch abzurechnende frühere Arbeit oder separat berechnete Ressourcen geben. Kläre jede Position anhand ihrer eigenen Einheit und ihres Leistungszeitraums abschließend.
Entscheide, ob du überhaupt ein eigenes Deployment brauchst
Wenn die Rechnung nachvollziehbar ist, frage, was die Anwendung beim nächsten Lauf benötigt. Eigene Gewichte, Infrastrukturkontrolle und dedizierte Kapazität sind Gründe, ein Deployment zu prüfen. Für den Aufruf eines unterstützten fertigen Modells kann stattdessen eine gehostete Modell-API passen. Das sind unterschiedliche Produktentscheidungen, keine austauschbaren Wege, dasselbe zu kaufen.
Vergleiche für unterstützte Modellinferenz den reAPI-Katalog mit dem Modell und dem Ein-/Ausgabevertrag, den deine App benötigt. Die Aufgabendokumentation zeigt, wie Ergebnisse und abgerechnete Nutzung gemeldet werden; die Guthabenreferenz behandelt die Kontoseite.[4] Damit wird reAPI nicht zum Ersatz für eigenes Training oder dediziertes GPU-Hosting. Gehören diese zu den Anforderungen, beziehe sie in den Vergleich ein, statt nur den am leichtesten ersetzbaren Teil zu bepreisen.
Ohne diese Entscheidung gibt es keinen einzelnen sinnvollen Preis dafür, „eine KI-App zu erstellen“. Schätze die Entwicklungsarbeit getrennt von Inferenz, Online-Rechenleistung, Speicher und Betrieb. Bei einer wenig genutzten App können geringe Anfragekosten mit hohen Hostingkosten einhergehen, wie das Beispiel zeigt. Bei einem stark genutzten Dienst kann bereitgehaltene Kapazität beabsichtigt sein.
Auch Freikontingente lösen die Architekturfrage nicht. Replicate dokumentiert ausgewählte Modelle, die vor der Einrichtung der Abrechnung ausprobiert werden können; OpenAI dokumentiert vorausbezahltes API-Guthaben, das mit kostenpflichtiger Nutzung abnimmt.[2][9] Keines von beiden belegt unbegrenzte kostenlose Inferenz oder kostenloses dediziertes Hosting. Wird das nächste Experiment genehmigt, notiere, wie es abgerechnet wird und wer es nach seinem Ende stoppt.
Quellen
- Together AI. Warum werde ich belastet, obwohl ich keine API-Aufrufe tätige? Abgerufen am 15. November 2026.
- Replicate. Abrechnung. Abgerufen am 15. November 2026.
- Replicate. Deployments. Abgerufen am 15. November 2026.
- reAPI. Referenzen zu Aufgaben, Guthaben und Authentifizierung. Abgerufen am 15. November 2026. Aufgabenlebenszyklus, Guthaben und Authentifizierung.
- Together AI. Kann ich mehrere Zahlungskarten hinzufügen? Abgerufen am 15. November 2026.
- Replicate. Ein Deployment löschen. Abgerufen am 15. November 2026.
- Amazon Web Services. So funktionieren Stoppen und Starten von EC2-Instanzen. Abgerufen am 15. November 2026. Instanzlebenszyklus und zugehörige Kosten.
- Amazon Web Services. Ein Amazon EBS-Volume löschen. Abgerufen am 15. November 2026. Volume-Löschung und Aufbewahrung.
- OpenAI. Vorausbezahlte API-Abrechnung einrichten und verwalten. Abgerufen am 15. November 2026. Vorausbezahlte API-Abrechnung.