Microsoft Azure 是微软提供的云计算平台，其 AI 能力以云服务形式对外提供，覆盖大模型推理、模型训练与微调、检索增强生成（RAG）、内容安全以及相关的工程化管理能力。Azure 的 AI 服务并非单一产品，而是由多项独立服务组成，分别承担模型调用、数据检索、训练部署和合规控制等不同职责。

在计费方式上，Azure 的 AI 服务主要采用按量计费和预留容量两种模式，价格与所选模型、部署区域、调用规模以及服务形态密切相关。

Azure OpenAI Service：大模型能力的主要入口

Azure OpenAI Service 是 Azure 平台上最直接面向大模型应用的服务，用于在企业云环境中调用 OpenAI 系列模型能力。通过该服务，开发者可以使用文本生成、对话、多模态输入、向量生成以及图像生成等能力，并将其集成到自有系统中。

在实际使用中，该服务通常作为应用的“生成核心”，负责对用户输入进行推理并返回结果。计费方式以 Token 为单位，区分输入 Token 与输出 Token，不同模型和上下文长度对应不同单价。对于需要稳定吞吐和并发能力的场景，Azure 还提供预留吞吐（Provisioned Throughput）模式，按小时计费，用于锁定模型算力资源。

Azure AI Foundry：模型托管与统一管理入口

随着模型数量和使用场景的增加，Azure 将模型托管与管理能力集中到 Azure AI Foundry 体系中。该体系提供模型目录、托管推理接口以及与 Azure 权限和审计体系的集成能力，用于统一管理不同来源的基础模型。

在实际应用中，AI Foundry 通常承担“模型层”的角色，使模型调用方式标准化，并便于与 Agent、应用编排或其他 Azure 服务结合。不同模型的计费方式取决于模型本身，常见形式包括按 Token 计费或按实例、吞吐计费。

Azure AI Search：支撑 RAG 场景的检索服务

在大模型应用中，Azure AI Search 常用于构建检索增强生成（RAG）能力。该服务提供文档索引、全文搜索、向量检索以及语义相关性排序等功能，用于在企业数据中定位与问题相关的内容。

Azure AI Search 的计费方式与模型服务不同，它以 Search Unit（SU）作为容量单位，并按所选服务等级持续计费。容量配置通常与文档规模、查询并发和检索复杂度相关，因此在 RAG 场景中，该服务往往是长期运行的基础组件。

Azure Machine Learning：训练、微调与部署能力

对于需要自行训练或微调模型的场景，Azure 提供 Azure Machine Learning 服务，用于管理训练任务、模型版本以及部署流程。该服务支持单机和分布式训练，并可将训练完成的模型直接部署为在线或批处理推理服务。

在计费层面，Azure Machine Learning 并不单独定义固定价格，而是基于底层计算资源进行计费，包括 CPU、GPU、存储和网络资源的使用时长和规模。因此，成本主要由所选机型、运行时间以及训练任务规模决定。

内容安全与合规：Azure AI Content Safety

在大模型应用上线过程中，内容安全是常见的基础需求。Azure 提供 Azure AI Content Safety 服务，用于对模型输入和输出进行检测，覆盖文本和图像内容。该服务通常作为独立 API 使用，嵌入在生成流程前后。

计费方式以调用规模为基础，按文本记录数或图像数量计费，并提供免费层和标准付费层，用于不同规模的应用场景。

常见服务与计费维度概览

在实际部署中，Azure 的 AI 服务往往组合使用，不同服务的计费维度也存在明显差异：

服务主要计费维度

Azure OpenAI Service输入/输出 Token，或预留吞吐按小时

Azure AI Foundry依模型类型，按 Token 或实例

Azure AI SearchSearch Unit（SU），持续计费

Azure Machine Learning计算资源使用时长

Azure AI Content Safety文本记录数或图像数量

Phi-4-instruct (reasoning-trained) 评测分析