（媒角抵加／林承志綜合報導）Hugging Face政策長Irene Solaiman在美國11月4日發布的Equity訪談指出，開放模型的商機包括推論運算與企業客製服務。她提到Revolut改用自架模型；該公司另公開工程部署與帳單結果。對台灣團隊，模型權重、運算與管理服務分開計價，是評估導入成本的起點。

關鍵資訊

  • 訪談人物：Hugging Face政策長暨策略資深副總裁Irene Solaiman，由TechCrunch記者Rebecca Bellan訪問。
  • 具名採用案例：Revolut主管在10月13日的AI Engineer演講說明，自架GLM支援約2,000名工程師，推論帳單約為先前支付Anthropic與OpenAI的十分之一。
  • 企業管理收費：Team每人每月20美元，Enterprise每人每月50美元起；運算另依服務及用量計費。
  • 第三方模型服務：Inference Providers官方定價文件明列，透過Hugging Face轉接時按供應商費率收費，不另加價。
  • 台灣使用切點：MediaTek Research公開繁中Breeze模型與載入方法；截至11月5日，該版本頁面顯示尚無Inference Provider提供部署。

Solaiman將收入來源指向推論與企業客製服務

TechCrunch的影音頁與Podcast頁刊載同一場訪談。Solaiman在Equity完整節目中談到，開放模型可透過推論服務、部分自訂授權的收益安排，以及企業客製方案取得收入。她也指出，開發者與部署者各自取得多少價值，要看公司業務組成，外界未必能取得明確財務數字。

談到新創如何選模型，她將判斷拉回具體任務、模型能力與團隊能否自行運行；圍繞模型設計的工具與執行流程，也可能成為客製服務的收入來源。

這場訪談也有產業整併背景。NVIDIA在9月3日的公告說明，已同意收購Hugging Face。Solaiman在節目中表示交易正經監管程序，並主張開放生態需要大型前沿模型與可在本機運行的較小模型。

Revolut自架GLM，主管稱推論帳單約降至十分之一

Solaiman在訪談開場提到Revolut的模型轉換。Revolut的AI營運與基礎設施主管David Abitbol，已在10月13日AI Engineer NYC演講公開部署方式：公司先採用GLM-5.1，後以56顆NVIDIA B200 GPU運行GLM-5.3，服務約2,000名工程師；Claude Code與Codex保留給例外任務。

Abitbol表示，自架GLM的混合token費用約為每百萬0.30美元，推論帳單約為先前支付Anthropic與OpenAI的十分之一。Token是模型處理文字的計量單位。他描述的工作也包括除錯、處理Jira工單及Confluence文件，低成本用量讓工程師能把AI用於程式撰寫之外的工作。

The Register系統編輯Tobias Mann在11月3日報導，Revolut還調整模型精度、輸入長度與推論配置，將首個token的回應時間降至3秒內。這套服務背後有專用GPU與基礎設施團隊。TechRadar的補充分析則將設備、電力及維運列為自架方案的支出。

自行部署與平台代管分別有設備維運或服務費用，模型授權及資料儲存地區另依專案與服務條件確認。依Hugging Face官方文件與TechRadar整理，AI生成概念圖。

企業付訂閱費，購買權限管理與稽核功能

Hugging Face企業方案文件列出，Team每位使用者每月20美元，Enterprise每位使用者每月50美元起。Team已包含單一登入、較細的資源存取控制及稽核紀錄；Enterprise再提供更多身分管理、支援及採購選項。

這些功能對應多人使用模型與資料的管理工作：誰能進入組織、誰能存取特定專案，以及管理員能否追查操作紀錄。官方價格頁另列企業支援及運算服務，與免費帳號並行提供。

專用運算按時間計費，第三方轉接明列不加價

模型產生回答、分類或摘要的運行過程，稱為推論。Hugging Face的Inference Endpoints定價文件顯示，使用者可選擇專用CPU或GPU執行模型，依機器規格與時間付費。價格表以每小時標示，實際費用按分鐘計算；成功部署端點的初始化及運行狀態都列入計費。

該服務要求帳號具有效訂閱，部分機型另需申請配額。對使用者而言，下載模型後選擇由平台代管，仍會產生運算支出。

另一項服務Inference Providers則串接外部模型供應商。其計費文件明列，透過Hugging Face轉接的請求，按供應商費率收費且不加價；若使用自己的供應商金鑰，呼叫費用由該供應商收取。

繁中Breeze可下載，代管部署與資料位置另有條件

台灣團隊可取得的模型中，MediaTek Research的Breeze-7B-Instruct-v1_0是既有例子。這套源自2024年研究的模型針對繁體中文設計，發布者列出的任務包括問答、檢索增強生成、多輪對話及摘要，並提供以Transformers載入模型的程式範例。

該模型頁標示Apache 2.0授權；截至2026年11月5日，頁面同時顯示，沒有Inference Provider部署這個版本。取得模型檔與呼叫現成代管服務，因而各有入口。對準備評估繁中問答或摘要的團隊，模型文件提供了自行部署的起點，運算環境及維運則由採用者安排。Hugging Face的授權文件也列明，各專案可設定自己的授權條款。

資料儲存位置則是另一項服務條件。Hub儲存區域文件列出的現行區域為美國與歐盟，亞太標示為即將推出；非Team或Enterprise帳號的儲存庫一律位於美國。這項設定涵蓋Hub上的模型、資料集、Spaces及儲存桶，專用推論端點的運算區域則在部署設定中另行選擇。台灣團隊若有資料須留在特定地區的要求，選用方案時便涉及這些儲存與運算條件。

模型之外的執行費用，可延伸閱讀Anthropic報導彙整中的Claude動態工作流計費；長期維護代理流程的成本，另見AI代理技能債。相關應用持續收錄於AI工作流。

資料來源與更新紀錄