Fakturering for AI-funktioner

AI-funktioner bruger det indbyggede Fabric-hostede store sprogmodel (LLM) endpoint til at transformere og berige dine data uden separat endpoint-opsætning. Denne artikel forklarer faktureringsmåleren, forbrugsraterne og brugsovervågningsmulighederne for det indbyggede endepunkt.

Faktureringsmåler

AI-funktionskald gennem det indbyggede Fabric LLM-endpoint faktureres til din Fabric-kapacitet under Copilot- og AI-måleren. I Microsoft Fabric Capacity Metrics-appen vises brugen som AI Functions-operationen.

Se omkostninger og udgifter

Brug Capacity Metrics-appen til at overvåge AI-funktioners forbrug og kapacitetspåvirkning:

1. Åbn appen Microsoft Fabric Capacity Metrics.
2. Filtrer efter kapacitet, arbejdsområde og tidsperiode, der kørte din AI Functions-arbejdsbyrde.
3. I driftsniveau-visninger skal du kigge efter AI-funktioner under Copilot- og AI-måleren.
4. Sammenlign AI Functions-operationen med Spark, Dataflow Gen2 eller lageroperationer for at adskille model-call-forbruget fra den compute, der orkestrerede arbejdsbelastningen.

Overvåg runtime-forbrug

Under udviklingen bør du bruge runtime-brugsstatistikker til at estimere og validere forbruget, før du skalerer en pipeline.

I pandas og PySpark-notebooks kan man få adgang ai.stats til AI-funktionsresultater for at se detaljer om udførelse og tokenbrug, herunder:

• num_successful, num_exceptions, num_unevaluated, og num_harmful.
• cached_tokens, input_tokens, output_tokens, og reasoning_tokens.
• client_type, input_types, og model.

# This code uses AI. Always review output for mistakes.

df["summary"] = df["text"].ai.summarize()
display(df["summary"].ai.stats)
display(df.ai.stats)

# This code uses AI. Always review output for mistakes.

results = df.ai.summarize(input_col="text", output_col="summary")
display(results.ai.stats)

Outputtet kan se ud som denne tabel:

I pandas-notebooks skal progress_bar_mode="stats" man vise realtids token- og kapacitetsestimater, mens funktionen kører:

import synapse.ml.aifunc as aifunc

aifunc.default_conf.progress_bar_mode = "stats"

Fremdriftsbaren viser live og projicerede cachede estimater af input, input, output og kapacitetsenheder, og viser derefter de endelige værdier, når operationen er afsluttet. Se Progressbar-tilstande og tilpas AI-funktioner med PySpark.

Forbrugssatser

Medmindre du konfigurerer en anden model, er Python AI Functions for pandas og PySpark standard til gpt-5-mini med reasoning_effort sat til .low Forbruget baseres på token-brug. Input-, cache-input- og outputtokens kan have forskellige hastigheder.

Sprogmodeller

Indlejringsmodeller

Forbrugsraterne kan ændre sig. For den fulde liste over forbrugssatser og kursændringspolitik, se Forbrugsrate i Foundry Tools in Fabric.

Vejledning til modelmigrering

Den ældre GPT-4.1 modelserie bliver udfaset. Hvis du har fastgjort Python AI Functions-pipelines til gpt-4.1, migrerer dem til gpt-5.1. Hvis du fastgjorde pipelines til gpt-4.1-mini, migrerer dem til gpt-5-mini.

For mere avancerede transformationer kan du konfigurere gpt-5.1 eller tune reasoning_effort til at bruge mere beregning for højere kvalitet af resultater. For opsætningsdetaljer, se Tilpas AI-funktioner med pandaer og Tilpas AI-funktioner med PySpark.

Relateret indhold

• Transformér og berig data med AI-funktioner.
• Brug multimodal input med AI-funktioner.
• Tilpas AI-funktioner med pandaer.
• Tilpas AI-funktioner med PySpark.
• Støberiværktøj i Fabric.