Determinar o dimensionamento da PTU para uma carga de trabalho

A visualizar atualmente:Versão do novo portal Foundry - Mudar para a versão do portal clássico do Foundry

Antes de criar uma implantação aprovisionada, calcule quantas unidades de débito aprovisionado (PTUs) são necessárias para a sua carga de trabalho. Este artigo fornece os parâmetros de rendimento por modelo de que necessita e mostra como calcular os requisitos de PTU usando fórmulas de dimensionamento ou a calculadora de capacidade Foundry.

Se és novo no throughput provisionado, começa por O que é o throughput provisionado para Foundry Models?. Quando estiver pronto para criar a sua implementação, consulte Quickstart: Criar uma implementação de throughput provisionada.

Pré-requisitos

Familiaridade com os conceitos de O que é o débito aprovisionado para o Foundry Models?.
Uma estimativa das características da sua carga de trabalho: picos esperados de pedidos por minuto (RPM), tamanho médio do prompt em tokens e tamanho médio da resposta em tokens.

Estimar as PTUs necessárias

Existem duas abordagens disponíveis para estimar o número de PTUs necessárias para uma carga de trabalho:

Utilizar as fórmulas de dimensionamento para ter controlo total sobre o cálculo
Use a calculadora de capacidade da Foundry para uma estimativa orientada.

Ambas as abordagens utilizam valores por modelo das tabelas de parâmetros de implementação para gerar estimativas. Para obter resultados mais precisos, compare uma implementação com tráfego representativo em vez de depender apenas de entradas estimadas.

Note

Para modelos mais antigos (antes do GPT-4o), a distribuição de pedido/forma de chamada afeta o consumo de capacidade: um pequeno número de chamadas grandes pode consumir significativamente mais capacidade do que muitas chamadas pequenas com a mesma contagem média de tokens. Para GPT-4o e modelos posteriores, o TPM por PTU é definido separadamente para os tokens de entrada e saída, por isso este efeito de escalonamento não se aplica.

Estimar manualmente

Pode estimar as PTUs que a sua carga de trabalho requer usando os valores específicos do modelo das tabelas de parâmetros de implementação e informações sobre o tráfego esperado da seguinte forma:

Entrada	Description
Modelo	O modelo que planeia implementar, por exemplo, `gpt-5.2`. Determina quais os valores de TPM de entrada por PTU e da razão saída-entrada a usar a partir das tabelas de parâmetros de implantação.
Tipo de implantação	O tipo de implementação provisionada: Global Provisioned, Data Zone Provisioned ou Regional Provisioned.
RPM de pico	O número máximo esperado de chamadas por minuto enviadas ao modelo.
Tamanho médio do prompt	O número médio de tokens de entrada por solicitação.
Tamanho médio da resposta	O número médio de tokens de saída por solicitação.
Taxa de cache	A percentagem de tokens de entrada servidos a partir da cache de prompts. Use `0` se não utilizar a cache. Os tokens em cache são deduzidos 100% do cálculo de utilização e não consomem capacidade de PTU.

TPM normalizado

O cálculo manual das PTUs converte o volume esperado de tokens num único número chamado TPM normalizado. O número de PTUs necessários é então determinado dividindo-se o TPM normalizado pelo valor de TPM de entrada por PTU do modelo.

Fórmulas:

Input TPM = RPM de pico × tamanho médio do prompt (tokens)
TPM de saída = RPM de pico × tamanho médio da resposta (tokens)
TPM normalizado = (TPM de entrada × (1 − taxa de cache)) + (relação saída-entrada-entrada × TPM de saída)
PTUs necessárias = TPM normalizado ÷ TPM de entrada por PTU

Exemplo prático:

Suponha que a sua aplicação envia pedidos a uma taxa máxima de 1.000 RPM, com um tamanho médio de prompt de 200 tokens e um tamanho médio de resposta de 20 tokens, usando o modelo gpt-5.2 com implementação de throughput provisionada por Data Zone. Segundo a tabela, o gpt-5.2 tem um TPM de entrada por PTU de 3.400 e uma relação saída-entrada de 8.

TPM de entrada = 1.000 × 200 = 200.000
Saída TPM = 1.000 × 20 = 20.000
TPM normalizado (sem cache) = 200.000 + (8 × 20.000) = 360.000
PTUs necessárias = 360.000 ÷ 3.400 = 105,88 (110 PTUs arredondadas para as 5 PTUs mais próximas, correspondendo ao incremento da escala Data Zone Provisioned para gpt-5,2.)

Se forem servidos 50% de tokens de entrada a partir da cache de prompts:

TPM de entrada efetiva = 200.000 × (1 − 0,50) = 100.000
TPM normalizado = 100.000 + (8 × 20.000) = 260.000
PTUs necessárias = 260.000 ÷ 3.400 = 76,47 (80 PTUs arredondadas para as 5 PTUs mais próximas, correspondendo ao incremento da escala Data Zone Provisioned para gpt-5.2.)

Em resumo, as PTUs necessárias para este exemplo de forma de chamada com e sem cache são as seguintes:

Chamadas de pico por minuto (RPM)	Tamanho do prompt (tokens)	Tamanho da resposta (tokens)	Taxa de cache	TPM de entrada	TPM de saída	TPM normalizado	PTUs estimadas	PTUs (arredondadas para cima)¹
1,000	200	20	0%	200,000	20,000	360.000	105.88	110
1,000	200	20	50%	100,000	20,000	260,000	76.47	80

¹ Arredondado para as 5 PTUs mais próximas, correspondendo ao incremento da escala Data Zone Provisioned para gpt-5.2.

Use o calculador de capacidade

Use o calculador de capacidade no portal Foundry para dimensionar formas específicas de carga de trabalho. Encontre a calculadora na página de Quota e introduza os seguintes parâmetros com base na sua carga de trabalho:

Entrada	Description
Modelo	O modelo que planeias usar.
Version	A versão do modelo que planeias usar.
Chamadas de pico por minuto	O número de chamadas por minuto que se prevê serem enviadas para o modelo.
Tokens na chamada do prompt	O número de tokens no prompt para cada chamada ao modelo. Chamadas com prompts mais extensos consomem mais capacidade de PTU. A calculadora assume um único valor de prompt — para cargas de trabalho com grande variação no tamanho do prompt, compare uma implementação com o seu tráfego real para uma estimativa mais precisa.
Tokens na resposta gerada pelo modelo	O número de tokens gerados por chamada, também chamado de tamanho de geração. Chamadas com maiores dimensões de geração consomem mais capacidade de PTU. Tal como nos tokens de prompt, a calculadora assume um único valor.
Taxa de cache	Percentagem de tokens de entrada servidos a partir da cache de prompts.

Depois de preencher os dados exigidos, selecione Calcular. O resultado mostra:

O número estimado de PTU necessário para a carga de trabalho. Este valor é arredondado ao incremento da escala de PTU mais próximo para o tipo de implementação selecionado, ou para a contagem mínima de PTU do tipo de implementação, consoante o que for maior.
O número estimado de PTU em bruto (não arredondado).

Como os tokens de entrada e saída afetam o rendimento

A taxa de transferência (medida em tokens por minuto, ou TPM) que uma implantação obtém por PTU depende do modelo e da combinação de tokens de entrada e de saída num dado minuto. Gerar tokens de saída requer mais capacidade de processamento do que consumir tokens de entrada.

Para modelos GPT-4.1 e posteriores, o sistema determina uma relação saída-entrada para corresponder à razão padrão global de preços entre tokens de entrada e saída, com exceções para alguns modelos. Por exemplo

Para o gpt-5, um token de saída equivale a oito tokens de entrada para efeitos do seu limite de utilização, correspondendo ao rácio de preço padrão global do modelo.
Para o gpt-4.1, um token de saída conta como quatro tokens de entrada.
Modelos mais antigos usam proporções diferentes.

Em todas as implementações, os tokens em cache são deduzidos em 100% no cálculo da utilização, o que significa que os tokens de prompt repetidos não consomem capacidade de PTU. Consulte Prompt caching para mais informações.

Modelos com uma relação saída-entrada não padrão

Alguns modelos utilizam uma relação saída-entrada que difere da sua razão padrão global de preços. Por exemplo, com o Llama-3.3-70B-Instruct, um token de saída conta como quatro tokens de entrada para o limite de utilização, o que difere do rácio de preços padrão desse modelo. Consulte os preços dos modelos Llama para ver a discriminação completa dos preços de entrada e de saída.

Parâmetros de implementação e valores de throughput por modelo

As tabelas nesta secção listam os parâmetros de rendimento e implementação para cada modelo suportado. Para entender o que significam os parâmetros em cada linha, consulte o Apêndice.

Modelos OpenAI mais recentes do Azure

Note

Os objetivos de latência na tabela seguinte excluem contexto extenso, isto é, pedidos que excedem o limiar:

128k tokens de prompt para gpt-5.4, gpt-4.1, gpt-4.1-mini, e gpt-4.1-nano
272k tokens de prompt para gpt-5.6-terra e gpt-5.6-sol

O sistema encaminha esses pedidos para implementações de contingência, se estiverem disponíveis. Caso contrário, os pedidos devolvem um erro.

Topic	gpt-5.6-terra, 2026-07-09	GPT-5,6-sol, 2026-07-09	GPT-5.5, 2026-04-24	GPT-5.4, 2026-03-05	GPT-5.4-MINI, 2026-03-17	gpt-5.3-codex, 2026-02-24	GPT-5.2, 2025-12-11	gpt-5.2-codex, 2026-01-14	GPT-5.1, 2025-11-13	gpt-5.1-codex, 2025-11-13	GPT-5, 2025-08-07	GPT-5-MINI, 2025-08-07	GPT-4.1, 2025-04-14	GPT-4.1-MINI, 2025-04-14	GPT-4.1-nano, 2025-04-14	o3, 2025-04-16	O4-mini, 2025-04-16
Implantação mínima provisionada da zona de dados global e regional	15	15	15	15	15	15	15	15	15	15	15	15	15	15	15	15	15
Incremento de escala global e nas zonas de dados provisionadas	5	5	5	5	5	5	5	5	5	5	5	5	5	5	5	5	5
Mínima implantação regional provisionada	50	50	50	50	25	50	50	50	50	50	50	25	50	25	25	50	25
Incremento de escala provisionada regional	50	50	50	50	25	50	50	50	50	50	50	25	50	25	25	50	25
TPM de entrada por PTU	2,400	1,200	1,200	2,400	7,900	3,400	3,400	3,400	4,750	4,750	4,750	23.750	3,000	14,900	59.400	3,000	5,400
Relação saída-entrada	6	6	6	6	6	8	8	8	8	8	8	8	4	4	4	4	4
Valor-alvo de latência¹	99% > 70 TPS	99% > 50 TPS	99% > 100 TPS	99% > 50 TPS	99% > 100 TPS	99% > 50 TPS	99% > 50 TPS	99% > 50 TPS	99% > 50 TPS	99% > 50 TPS	99% > 50 TPS	99% > 80 TPS	99% > 80 TPS	99% > 90 TPS	99% > 100 TPS	99% > 80 TPS	99% > 90 TPS

¹ Calculado como a latência de pedido p50 por cada 5 minutos. TPS = tokens por segundo.

Modelos anteriores do Azure OpenAI

Topic	gpt-4o	gpt-4o-mini	O3-mini	o1
Implantação mínima provisionada da zona de dados global e regional	15	15	15	15
Incremento de escala global e nas zonas de dados provisionadas	5	5	5	5
Mínima implantação regional provisionada	50	25	25	25
Incremento de escala provisionada regional	50	25	25	50
TPM de entrada por PTU	2,500	37,000	2,500	230
Relação saída-entrada	4	4	4	4
Valor-alvo de latência¹	99% > 25 TPS	99% > 33 TPS	99% > 66 TPS	99% > 25 TPS

¹ Calculado como a latência média dos pedidos por minuto ao longo do mês. TPS = tokens por segundo.

Modelos Foundry vendidos pela Azure

Esta secção lista outros Modelos Foundry vendidos pela Azure, não incluindo o OpenAI do Azure nos Modelos Foundry listados nas tabelas anteriores.

Topic	Llama-3.3-70B-Instruct	DeepSeek-R1	DeepSeek-V3-0324
Implantação mínima provisionada da zona de dados global e regional	100	100	100
Incremento de escala global e nas zonas de dados provisionadas	100	100	100
Mínima implantação regional provisionada	NA	NA	NA
Incremento de escala provisionada regional	NA	NA	NA
TPM de entrada por PTU	8,450	4,000	4,000
Relação saída-entrada	4¹	4	4
Valor alvo de latência²	99% > 50 TPS	99% > 50 TPS	99% > 50 TPS

¹ Para o Llama-3.3-70B-Instruct, um token de saída conta como quatro tokens de entrada para o seu limite de utilização. Esta razão difere da razão de preços padrão global entre tokens de entrada e saída. Veja Modelos com uma relação saída-entrada não padrão e preços do modelo Llama.

² Calculado como a latência média dos pedidos por minuto ao longo do mês. TPS = tokens por segundo.

Fogos de artifício nos modelos do Microsoft Foundry

Os seguintes modelos Fireworks do Microsoft Foundry suportam throughput provisionado tanto da Zona de Dados Global como da Zona de Dados dos EUA.

Topic	DeepSeek v3.1	DeepSeek v3.2	DeepSeek V4 Flash	DeepSeek V4 Pro	Gemma 4 26B A4B IT	Gemma 4 31B IT	GLM-4.7	GLM 5	GLM-5.1	GLM 5.2	GPT-OSS-120B	Kimi K2 Instruct 0905	Pensamento Kimi K2	Kimi K2.5	Kimi K2.6	Código Kimi K2.7	MiniMax M2.5	Ministral 3 3B Instruct 2512	Nemotron Super 120B	Qwen 3.5 9B	Qwen 3.5 35B A3B	Qwen 3.5 112B A10B	Qwen 3.5 397B	Qwen 3.6 27B	Qwen 3.6 35B A3B
Implantação mínima	200	300	100	400	200	200	200	300	400	400	40	200	200	200	200	200	400	40	100	40	40	100	100	40	40
Incremento de escala	100	150	50	200	100	100	100	150	200	200	20	100	100	100	100	100	200	20	50	20	20	50	50	20	20
TPM de entrada por PTU	2,100	3,000	2,800	200	5,400	2200	6000	600	900	300	13,500	2,500	1,400	1,060	4,000	2.000	5.300	25,400	4,850	10 700	17,800	5,600	4.250	7,700	31,000
Valor-alvo de latência¹	99% > 50 TPS	99% > 50 TPS	99% > 50 TPS	99% > 50 TPS	99% > 50 TPS	99% > 50 TPS	99% > 50 TPS	99% > 50 TPS	99% > 50 TPS	99% > 50 TPS	99% > 50 TPS	99% > 50 TPS	99% > 50 TPS	99% > 50 TPS	99% > 50 TPS	99% > 50 TPS	99% > 50 TPS	99% > 50 TPS	99% > 50 TPS	99% > 50 TPS	99% > 50 TPS	99% > 50 TPS	99% > 50 TPS	99% > 50 TPS	99% > 50 TPS