PTU 预置吞吐部署

本文介绍 PTU（预置吞吐）部署的长输入和前缀缓存能力，包括额度消耗规则、预置吞吐额度计算器使用方法和 API 响应字段说明。

概述

PTU（Provisioned Throughput Unit，预置吞吐）通过平台预留资源，保障特定 TPM 吞吐能力的模型部署方式；在保障额度内不限速。适用于高吞吐、高性能、高负载生产环境，提供稳定的吞吐容量、更低的延迟和更强的资源确定性。相比按 Token 用量计费，TPS（每秒生成的 Token 数）通常提升约 1.5~2.0 倍。

适用场景：

• 银行App的智能客服（流量稳定，需保障并发体验）。
• 社交平台的实时内容审核（需稳定处理可预估的流水线任务）。
• 公有云翻译API（为标准套餐用户提供基线服务保障）。

也常见于长文档分析（合同、研报摘要）和多轮对话（客服、编程助手）等输入超 32K token 的场景。创建 PTU 时可选溢出策略：自动溢出（默认，超量自动转按量计费）或仅使用 PTU 容量（超量返回 429），详见计费规则。

PTU 还支持长输入阶梯容量系数和缓存折扣，详见长输入与前缀缓存。关于前缀缓存的工作原理，请参见上下文缓存。

计费规则

费用 = 使用时长 × (输入 TPM 单价 × 输入 TPM + 输出 TPM 单价 × 输出 TPM)

后付费按小时计算：使用时长单位为小时，单价取下表"持续 1 小时"列；预付费按天计算：使用时长单位为天，单价取下表"持续 1 天"列。

• 预付费订单支付后实时生效，有效期 N 天至第 N 天 23:59 结束。若在 22:00 后下单，到期日将自动顺延1天。
• 预付费订单到期后，将延后2小时停止服务，停止后资源保留14小时后释放。
• 预付费订单支持提前终止服务，已使用部分按 1.2 倍系数结算退费。详见降配退款规则说明。
• 后付费时，如果账户欠费，部署的资源将继续保留并计费 24 小时，在这 24 小时内服务仍可正常使用。超过 24 小时后系统停止计费，模型部署进入欠费状态，底层资源将被删除，但模型部署任务仍会保留。补足欠费后，系统将重新分配资源并恢复使用（恢复后继续产生费用）。如果您不希望继续产生费用，可删除模型部署任务，删除成功后将不再计费。

当模型输入超过最长输入 Token 时，相关调用将自动切换为当前模型的按量计费模式；超出购买的 TPM 量时，按创建时选择的溢出策略处理（「自动溢出」切换为按量计费，「仅使用 PTU 容量」返回 429）。此时，推理性能可能下降，将受业务空间中当前快照模型的公共流量的管控，费用按模型调用（按量计费）标准计收。

• 此时（仅「自动溢出」策略下），调用 API 返回 Header 将包含：x-dashscope-ptu-overflow:true。
• TPM 统计请前往：模型监控（北京）。

缩容场景（降配）的具体降费退费规则请参考：降配退款规则说明。

支持模型与价格

华北2（北京）

千问

模型名称	模型代码	最长输入Token	后付费输入 Per 10K TPM/小时	后付费输出 Per 1K TPM/小时	预付费输入 Per 10K TPM/天	预付费输出 Per 1K TPM/天
千问3.8-Max	qwen3.8-max	1M	¥28.8	¥8.64	¥345.6	¥103.68
千问3.7-Flash-2026-07-15 联系商务经理开通	qwen3.7-flash-2026-07-15	128K	¥0.48	¥0.19	¥5.76	¥2.3
千问3.7-Max-2026-05-20	qwen3.7-max-2026-05-20	256K	¥28.8	¥8.64	¥345.6	¥103.68
千问3.7-Plus-2026-05-26	qwen3.7-plus-2026-05-26	256K	¥4.8	¥1.92	¥57.6	¥23.04
千问3.6-Plus-2026-04-02	qwen3.6-plus-2026-04-02	128K	¥4.8	¥2.88	¥57.6	¥34.56
千问3.5-Plus-2026-04-20	qwen3.5-plus-2026-04-20	128K	¥1.92	¥1.15	¥23.04	¥13.82
千问3-Max-2025-09-23	qwen3-max-2025-09-23	128K	¥7.68	¥3.08	¥92.16	¥36.96
千问-Flash-2025-07-28	qwen-flash-2025-07-28	128K	¥0.36	¥0.36	¥4.32	¥4.32
千问-Plus-2025-12-01	qwen-plus-2025-12-01	128K	¥1.92	非思考：¥0.48 思考：¥1.92	¥23.04	非思考：¥5.76 思考：¥23.04

DeepSeek

模型名称	模型代码	最长输入Token	后付费输入 Per 10K TPM/小时	后付费输出 Per 1K TPM/小时	预付费输入 Per 10K TPM/天	预付费输出 Per 1K TPM/天
DeepSeek-v4-Flash	deepseek-v4-flash	256K	¥3.6	¥0.72	¥43.2	¥8.64
DeepSeek-v4-Flash-0731	deepseek-v4-flash-0731	64K	¥7.2	¥1.44	¥86.4	¥17.28
DeepSeek-v4-Pro	deepseek-v4-pro	256K	¥43.2	¥8.64	¥518.4	¥103.68
DeepSeek-v3	deepseek-v3	64K	¥7.2	¥2.88	¥86.4	¥34.56

千问VL

模型名称	模型代码	最长输入Token	后付费输入 Per 10K TPM/小时	后付费输出 Per 1K TPM/小时	预付费输入 Per 10K TPM/天	预付费输出 Per 1K TPM/天
千问3-VL-Plus-2025-09-23	qwen3-vl-plus-2025-09-23	128K	¥2.4	¥2.4	¥28.8	¥28.8

GLM

模型名称	模型代码	最长输入Token	后付费输入 Per 10K TPM/小时	后付费输出 Per 1K TPM/小时	预付费输入 Per 10K TPM/天	预付费输出 Per 1K TPM/天
GLM-5.2	glm-5.2	1M	¥28.8	¥10.08	¥345.6	¥120.96

新加坡

千问

模型名称	模型代码	最长输入Token	后付费输入 Per 10K TPM/小时	后付费输出 Per 1K TPM/小时	预付费输入 Per 10K TPM/天	预付费输出 Per 1K TPM/天
千问3.8-Max	qwen3.8-max	1M	¥35.97	¥10.79	¥431.7	¥129.5
千问3.7-Flash-2026-07-15 联系商务经理开通	qwen3.7-flash-2026-07-15	128K	¥0.54	¥0.23	¥6.47	¥2.81
千问3.7-Max-2026-05-20	qwen3.7-max-2026-05-20	256K	¥44.97	¥13.49	¥539.6	¥161.87
千问3.7-Plus-2026-05-26	qwen3.7-plus-2026-05-26	256K	¥7.19	¥2.88	¥86.3	¥34.53
千问3.6-Plus-2026-04-02	qwen3.6-plus-2026-04-02	128K	¥9	¥5.4	¥107.9	¥64.75
千问3.5-Plus-2026-04-20	qwen3.5-plus-2026-04-20	128K	¥7.2	¥4.32	¥86.3	¥51.8
千问3-Max-2025-09-23	qwen3-max-2025-09-23	128K	以控制台为准	以控制台为准	以控制台为准	以控制台为准
千问-Flash-2025-07-28	qwen-flash-2025-07-28	128K	以控制台为准	以控制台为准	以控制台为准	以控制台为准
千问-Plus-2025-12-01	qwen-plus-2025-12-01	128K	以控制台为准	非思考：以控制台为准 思考：以控制台为准	以控制台为准	非思考：以控制台为准 思考：以控制台为准

DeepSeek

模型名称	模型代码	最长输入Token	后付费输入 Per 10K TPM/小时	后付费输出 Per 1K TPM/小时	预付费输入 Per 10K TPM/天	预付费输出 Per 1K TPM/天
DeepSeek-v4-Flash	deepseek-v4-flash	256K	¥5.4	¥1.08	¥64.8	¥12.95
DeepSeek-v4-Flash-0731	deepseek-v4-flash-0731	64K	¥10.79	¥2.16	¥129.5	¥25.9
DeepSeek-v4-Pro	deepseek-v4-pro	256K	¥64.75	¥12.95	¥777	¥155.4

千问VL

模型名称	模型代码	最长输入Token	后付费输入 Per 10K TPM/小时	后付费输出 Per 1K TPM/小时	预付费输入 Per 10K TPM/天	预付费输出 Per 1K TPM/天
千问3-VL-Plus-2025-09-23	qwen3-vl-plus-2025-09-23	128K	¥3.6	¥2.88	¥43.2	¥34.53

GLM

模型名称	模型代码	最长输入Token	后付费输入 Per 10K TPM/小时	后付费输出 Per 1K TPM/小时	预付费输入 Per 10K TPM/天	预付费输出 Per 1K TPM/天
GLM-5.2	glm-5.2	1M	¥37.8	¥11.87	¥453.3	¥142.45

长输入与前缀缓存

长输入阶梯系数和缓存折扣按模型不同，以下为当前支持的模型参数：

模型	类型	输入长度上限	缓存折扣	长输入阶梯系数
glm-5.2	PTU	（0,1M）	0.25	1
qwen3.8-max	PTU	（0,1M）	0.125	1
qwen3.7-flash-2026-07-15	PTU	（0,1M）	0.2	输入输出相同 (0,32k] 1x (32k,256k] 3x (256,1m] 6x
deepseek-v4-flash-0731	PTU	（0,1M）	0.1	1
qwen3.7-plus-2026-05-26	PTU	PTU	1 Million	0.2（缓存命中部分按 20% 折算容量）
glm-5.1	PTU	PTU	200K	0.2（缓存命中部分按 20% 折算容量）
deepseek-v4-pro	PTU	PTU	256K	0.08（缓存命中部分按 8% 折算容量）
其他模型	PTU	PTU	以控制台为准	以控制台为准

计算示例（以 glm-5.1 为例）

场景 1：短输入（10K token，无缓存）
  输入消耗：10K × 1.0 = 10KTPM

场景 2：长输入（50K token，无缓存）
  输入消耗：32K × 1.0 + 18K × 1.33 = 55.94 KTPM
  输出消耗（假设 1K token）：1K × 1.17 = 1.17 KTPM

场景 3：长输入 + 缓存命中（50K token，前 30K 命中缓存）
  缓存部分输入（前 30K，均在 [0,32K) 阶梯内）：
    30K × 1.0 × 0.2 = 6  KTPM
  非缓存部分输入（后 20K）：
    2K × 1.0 + 18K × 1.33 = 25.94 KTPM
  输入合计 = 31.940 KTPM（比无缓存节省 43%）

预置吞吐额度计算器

前提条件：已开通百炼服务并具备 PTU 部署权限。登录百炼控制台，在专属部署 > 部署新模型页面（或在已有部署详情页单击扩容），选择可部署的PTU（预置吞吐）模型后，展开预置吞吐额度计算器。

预置吞吐额度计算器根据业务负载自动推荐额度。填写以下参数后，计算器输出建议购买的输入 KTPM 和输出 KTPM。

参数	说明	对结果的影响
每分钟请求数（RPM）	业务高峰期每分钟的请求数。	RPM 越大，建议购买输入 KTPM 和输出 KTPM 同比增大。
平均输入长度（token）	每条请求的平均输入 token 数。	输入越长，所处阶梯越高，系数越大，建议购买输入 KTPM 越高。不同模型的阶梯边界不同，以控制台实际展示为准。
平均输出长度（token）	每条请求的平均输出 token 数。	输出越长，系数可能越大，建议购买输出 KTPM 越高。
缓存命中率（%）	请求中重复前缀被缓存命中的比例。实际命中率取决于请求内容的重复程度，以运行结果为准。	命中率越高，输入容量消耗越慢，建议购买输入 KTPM 越低。仅影响输入 KTPM，不影响输出 KTPM。

API 响应字段

PTU 部署的 API 响应包含以下额度相关字段，用于标识计费方式和额度消耗：

字段	类型	说明
service_tier	String	响应体顶层字段（所有 API 格式一致）。值为 ptu-standard 表示使用 PTU 额度；值为 default 或不返回表示按量计费
provisioned_tokens	Integer	折算后实际消耗的 PTU 额度 token 数（已含阶梯系数和缓存折扣）
cached_tokens	Integer	前缀缓存命中的 token 数，详见上下文缓存

不同 API 格式下上述字段的 JSON 路径存在差异：

OpenAI Chat 兼容

字段	JSON 路径	说明
cached_tokens	usage.prompt_tokens_details.cached_tokens	输入侧缓存命中数
provisioned_tokens	usage.prompt_tokens_details.provisioned_tokens	输入侧 PTU 额度消耗
provisioned_tokens	usage.completion_tokens_details.provisioned_tokens	输出侧 PTU 额度消耗

OpenAI Responses

字段	JSON 路径	说明
cached_tokens	usage.input_tokens_details.cached_tokens	输入侧缓存命中数
provisioned_tokens	usage.input_tokens_details.provisioned_tokens	输入侧 PTU 额度消耗
provisioned_tokens	usage.output_tokens_details.provisioned_tokens	输出侧 PTU 额度消耗

Anthropic 兼容

字段	JSON 路径	说明
provisioned_tokens	usage.prompt_tokens_details.provisioned_tokens	输入侧 PTU 额度消耗
provisioned_tokens	usage.output_tokens_details.provisioned_tokens	输出侧 PTU 额度消耗

说明Anthropic 兼容格式暂不返回 cached_tokens 字段，可通过 provisioned_tokens 间接判断缓存效果。

DashScope

字段	JSON 路径	说明
cached_tokens	usage.prompt_tokens_details.cached_tokens	输入侧缓存命中数
provisioned_tokens	usage.prompt_tokens_details.provisioned_tokens	输入侧 PTU 额度消耗
provisioned_tokens	usage.completion_tokens_details.provisioned_tokens	输出侧 PTU 额度消耗

各字段的完整定义和取值范围，请参见API 参考文档。

监控与验证

PTU 部署的运行监控通过百炼平台的模型监控功能实现，支持查看以下与长输入和缓存相关的指标：

• PTU 利用率：输入/输出/思考模式输出三条独立曲线。长输入场景下阶梯系数会使利用率超过 100%，属于正常现象。
• Token 用量与缓存命中：包含 cached_tokens 数据系列，可查看缓存命中量占总输入的比例。
• 配额内/外调用次数：了解超出 PTU 额度后的请求占比（自动溢出策略下转为按量计费，仅使用 PTU 容量策略下返回 429）。

更多监控指标和操作方式，请参见模型监控。

扩缩容

点击扩缩容按钮，自助、手动调节吞吐量（实例数量）。具体降费退费规则请参考：降配退款规则说明。

此外，您还可以通过操作列的伸缩配置按钮，配置自动伸缩策略（包括伸缩阈值、最小/最大副本数、定时伸缩等）。

常见问题

Q: 超出 PTU 额度时会怎样？

取决于创建时选择的溢出策略：「自动溢出」策略下，请求自动转为按量计费，API 响应中 service_tier 字段不返回或返回 default，同时响应头包含 x-dashscope-ptu-overflow:true，业务不会中断；「仅使用 PTU 容量」策略下，超出请求返回 429 错误，不产生额外费用。

Q: 单次输入超过模型上限时会怎样？

千问系列模型输入上限为 128K token，DeepSeek 系列为 64K token。超过上限的请求同样自动转为按量计费。

Q: 如何确认缓存是否生效？

检查 API 响应中 cached_tokens 字段，值大于 0 表示前缀缓存命中。缓存命中部分按模型对应的折扣系数消耗额度（具体折扣率见长输入与前缀缓存）。也可在控制台监控页面的 Token 用量图表中查看趋势。

Q: cached_tokens 始终为 0，缓存未生效怎么办？

常见原因：请求间的输入前缀不一致（如 System Message 变化）、两次请求间隔超过缓存有效期、输入 token 数不足以触发缓存。排查方法和缓存使用限制详见上下文缓存。

Q: 利用率为什么超过 100%？

部分模型（如 glm-5.1）的长输入阶梯系数使实际额度消耗高于原始 token 数。利用率 = 折算后消耗 ÷ 购买额度。超过 100% 表示消耗速度超过购买额度，超出部分按溢出策略处理（自动溢出则转为按量计费、不影响服务可用性；仅使用 PTU 容量则返回 429）。