Por qué la lista de tarifas subestima la factura
Un modelo de razonamiento como R1 resuelve un problema paso a paso antes de dar la respuesta final. Esos pasos son tokens, y los proveedores generalmente los facturan a la tarifa de salida. Así que una petición que devuelve una respuesta de 300 tokens puede generar miles de tokens en total.
Para mantener este artículo preciso, no se imprimen aquí las tarifas de DeepSeek. Sus precios cambian, y un número desactualizado es peor que ninguno. Toma las tarifas actuales de entrada y salida de la página de precios oficial de DeepSeek y usa las fórmulas de abajo. También verifica cómo describe esa página los tokens de pensamiento y si la API los devuelve en la respuesta.
coste por petición = (entrada / 1M) × tarifa de entrada + ((pensamiento + respuesta) / 1M) × tarifa de salida
La incógnita en esa fórmula es thinking. Varía según la pregunta: los prompts sencillos pueden usar unos pocos cientos de tokens, los difíciles varios miles. Mídela con tus propios prompts en lugar de adivinar.
El efecto multiplicador, con números
Usa nuestra propia tarifa, $0,50 por 1M de tokens de salida, como ejemplo neutral para que la aritmética sea verificable. Supongamos que una petición tiene una respuesta de 300 tokens.
| Tokens de pensamiento | Salida total | Coste de salida a $0,50 por 1M | Frente a una respuesta directa |
|---|---|---|---|
| 0 (chat directo) | 300 | $0.00015 | 1x |
| 1,000 | 1,300 | $0.00065 | 4,3x |
| 5.000 | 5.300 | $0.00265 | 17,7x |
| 10,000 | 10,300 | $0.00515 | 34,3x |
La proporción no depende de la lista de tarifas. En cualquier proveedor, 5.000 tokens de pensamiento más una respuesta de 300 tokens es aproximadamente 17,7 veces la salida de una respuesta directa de 300 tokens. Escálalo a un mes: 100.000 peticiones con 5.000 tokens de pensamiento cada una son 530M de tokens de salida. A $0,50 por 1M eso serían $265, frente a $15 por las mismas 100.000 respuestas directas (30M de tokens).
Tareas que necesitan razonamiento y tareas que no
Los modelos de razonamiento justifican su coste en problemas con varios pasos dependientes. El trabajo de texto cotidiano carece mayoritariamente de esa estructura.
A menudo vale la pena un modelo de razonamiento
- Matemáticas y acertijos lógicos de varios pasos
- Depurar un código difícil donde la causa no es obvia
- Tareas de planificación con restricciones que interactúan
Normalmente está bien con un modelo de chat básico
- Reescritura, cambios de tono y ediciones estilo traducción
- Extracción a JSON desde una página de texto
- Clasificación y etiquetado
- Redacción de correos electrónicos, copias de producto y descripciones
- Roleplay, ficción y personajes de compañía, donde la velocidad y la voz importan más que la lógica deliberada paso a paso
Las tareas estilo chat también se benefician de una latencia menor, ya que no hay fase de pensamiento antes del primer token visible. Si tus usuarios ven aparecer una respuesta en streaming, eso importa.
Lo que esta API ofrece en su lugar
Este sitio es una API independiente compatible con OpenAI. No es la API oficial de DeepSeek ni un revendedor de la misma. Ofrece un único modelo de pesos abiertos de un proveedor independiente, ajustado para responder sin rechazos de contenido para uso adulto lícito, con ID de modelo uncensored. No se publican benchmarks aquí, así que no asumas que coincide con un modelo de razonamiento dedicado en problemas difíciles. Pruébalo en tus propias tareas.
Las tarifas son $0,15 por 1M de tokens de entrada y $0,50 por 1M de tokens de salida, prepago, sin suscripción. Las peticiones fallidas o rechazadas no se cobran, y el crédito no caduca. La ventana de contexto es de 100.000 tokens, prompt más completado. Admite streaming, llamadas a funciones y modo JSON. Consulta la página de precios para recargas y bonificaciones.
Ejemplo resuelto para el mes de 100.000 peticiones de arriba, con respuestas de chat directo: entrada de 1.000 tokens cada una son 100M de tokens x $0,15 = $15, salida de 300 tokens cada una son 30M x $0,50 = $15, total $30.
Prueba con lo barato primero, escala cuando sea necesario
Una configuración sensata es enviar la mayor parte del tráfico a un modelo de chat de bajo coste y escalar solo los prompts que fallen una comprobación. El código de abajo intenta esta API primero y vuelve a un segundo cliente solo cuando falla una validación. Rellena la URL base y el nombre del modelo del segundo proveedor con su documentación.
import json, os
from openai import OpenAI
cheap = OpenAI(api_key=os.environ["API_KEY"],
base_url="https://api.deepseekapipricing.com/v1")
# second client: copy base URL and model name from that provider's docs
strong = OpenAI(api_key=os.environ["OTHER_KEY"], base_url=os.environ["OTHER_BASE_URL"])
def answer(question):
r = cheap.chat.completions.create(
model="uncensored",
response_format={"type": "json_object"},
messages=[{"role": "system", "content": "Reply as JSON with keys answer and confidence (0-1)."},
{"role": "user", "content": question}],
)
try:
data = json.loads(r.choices[0].message.content)
if float(data.get("confidence", 0)) >= 0.7:
return data["answer"]
except (ValueError, TypeError):
pass
r2 = strong.chat.completions.create(
model=os.environ["OTHER_MODEL"],
messages=[{"role": "user", "content": question}],
)
return r2.choices[0].message.content
La confianza autoinformada es una señal débil, así que usa una prueba mejor cuando la tengas: una comprobación de esquema, una prueba unitaria o una regla de longitud. El punto es pagar por los tokens de pensamiento solo donde cambian el resultado.
Barreras contra facturas sorpresa
Sea cual sea el modelo que elijas, pon límites antes de ejecutar un lote grande.
- Limita la salida. Establece
max_tokensen cada llamada en un bucle. En un modelo de razonamiento, verifica cómo interactúa el límite con el pensamiento, porque un límite demasiado bajo puede cortar la respuesta después de que ya hayas pagado por el pensamiento. - Prueba con 50 primero. Multiplica el coste medido por el recuento total antes de lanzar los otros 99.950.
- Vigila el saldo. El encabezado
X-Balance-USDen esta API muestra el crédito restante después de cada llamada, así que un script puede detenerse por sí mismo por debajo de un umbral. - Registra el uso. Almacena los recuentos de tokens de prompt y finalización por petición. Un prompt atípico que desencadena una salida muy larga es fácil de encontrar si registras, y casi imposible si no lo haces.
Próximos pasos
Para medir el coste con tus propios datos, reclama el crédito de prueba de $0,50 desde la página de clave de API. No necesita tarjeta, dura 7 días y cubre más de 1.500 turnos de chat de 800 tokens de entrada y 400 de salida ($0,00032 cada uno). Ejecutar tus propios prompts a través de ella responde a la pregunta de calidad más rápido que cualquier comparación de tarifas.
Lectura relacionada en este sitio: la página de API DeepSeek V4, la guía para usar LangChain con un endpoint compatible y la documentación de la API para detalles de la petición.

