レート表が請求額を過小評価する理由
R1のような推論モデルは、最終回答の前に段階的に問題を解きます。それらのステップはトークンであり、プロバイダーは通常、出力レートで請求します。したがって、300トークンの回答を返すリクエストは、合計で数千トークンを生成する可能性があります。
この記事の正確性を保つため、DeepSeek のレートはここに記載していません。価格は変動するため、古い数値は全くないより悪いです。現在の入力と出力レートは DeepSeek 自身の料金ページから取得し、以下の式を使用してください。また、そのページが思考トークンをどのように記述しているか、および API がレスポンスでそれらを返すかどうかを確認してください。
リクエストあたりのコスト = (入力 / 1M) x 入力レート + ((思考 + 回答) / 1M) x 出力レート
その式における未知数は thinking です。質問によって異なります:簡単なプロンプトでは数百トークンを使用する可能性があり、難しいものでは数千トークン使用します。推測するのではなく、独自のプロンプトで測定してください。
乗数効果、数値で見る
計算を確認できるように、中立な例として当社のレート、1M出力トークンあたり$0.50を使用します。リクエストに300トークンの回答が含まれているとします。
| 思考トークン | 合計出力 | $0.50/1M での出力コスト | 直接回答との比較 |
|---|---|---|---|
| 0 (直接チャット) | 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 |
比率はレートカードに依存しません。どのプロバイダーでも、5,000思考トークンと300トークンの回答の組み合わせは、300トークンの直接回答の出力の約17.7倍です。1ヶ月に拡大:各5,000思考トークンを持つ100,000リクエストは、530M出力トークンを生成します。1Mあたり$0.50の場合、それは$265となり、同じ100,000の直接回答(30Mトークン)に対して$15です。
推論が必要なタスクとそうでないタスク
推論モデルは、複数の依存ステップがある問題でそのコストに見合う価値を生み出します。毎日のテキスト作業には、通常その構造がありません。
しばしば推論モデルに価値がある
- 多段階の数学と論理パズル
- 原因が自明ではない複雑なコードのデバッグ
- 相互に影響し合う制約がある計画タスク
通常は通常チャットモデルで十分
- 書き換え、トーン変更、翻訳スタイルの編集
- テキストのページからの JSON への抽出
- 分類とタグ付け
- メール、製品コピー、説明文の下書き作成
- 速度と音声の質が、意図的な段階的なロジックよりも重要であるロールプレイ、フィクション、相棒キャラクター
チャットスタイルのタスクは、最初の表示トークンの前に思考フェーズがないため、より低いレイテンシからも恩恵を受けます。ユーザーがストリーミングされた返信の表示を見る場合、それは重要です。
この API が代わりに提供するもの
本サイトは独立した OpenAI 互換 API です。DeepSeek の公式 API ではなく、その再販売元でもありません。独立したプロバイダからのオープンウェイトモデルを 1 つ実行し、合法的な成人用途に対してコンテンツ拒否なしで回答するようにチューニングされています。モデル ID は uncensored です。ベンチマークはここで公開されていないため、難しい問題において専用推論モデルと同等であると想定しないでください。独自のタスクでテストしてください。
レートは1M入力トークンあたり$0.15、1M出力トークンあたり$0.50、前払い、サブスクリプションなし。失敗または拒否されたリクエストは請求されず、クレジットは期限切れになりません。コンテキストは100,000トークン、プロンプトと補完 を含みます。ストリーミング、ツール呼び出し、JSON モードをサポートします。チャージとボーナスについては料金ページをご覧ください。
上記の100,000リクエストの月の計算例、直接チャット回答の場合:各1,000トークンの入力は100Mトークン x $0.15 = $15、各300トークンの出力は30M x $0.50 = $15、合計$30。
まず安価な方を使い、必要に応じてエスカレーションする
賢明なセットアップは、ほとんどのトラフィックを低コストのチャットモデルに送り、チェックに失敗した場合のみエスカレーションすることです。以下のコードはまずこのAPIを試行し、バリデーションが失敗した場合のみ2番目のクライアントにフォールバックします。2番目のプロバイダのベースURLとモデル名をそのドキュメントから入力してください。
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
自己申告の信頼度は弱いシグナルなので、より良いテストがある場合はそれを使用してください:スキーマチェック、ユニットテスト、または長さルールです。ポイントは、結果を変える場合にのみ思考トークンに支払うことです。
予期せぬ請求に対するガードレール
どのモデルを選択しても、大量バッチを実行する前に制限を設けてください。
- 出力を制限する。 ループ内のすべての呼び出しで
max_tokensを設定します。推論モデルでは、制限が思考とどのように相互作用するかを確認してください。制限が低すぎると、思考に対してすでに支払いを行った後に回答が切断される可能性があります。 - まず 50 でテストする。 測定されたコストを全数で乗算してから、残りの 99,950 を開始してください。
- 残高に注意する。 このAPIの
X-Balance-USDヘッダーは、各呼び出し後の残高を表示するため、スクリプトは閾値以下で自己停止できます。 - 使用状況をログに記録する。 リクエストごとにプロンプトと完了トークン数を保存します。非常に長い出力をトリガーする外れ値プロンプトは、ログがあれば簡単に見つかり、ログがなければほぼ不可能です。
次のステップ
独自のデータでのコストを測定するには、APIキーページから$0.50のトライアルクレジットを受け取ってください。カードは不要で、7日間有効で、800入力トークンと400出力トークンの1,500チャットターン以上をカバーします(各$0.00032)。独自のプロンプトを実行することで、品質の質問にどのレート比較よりも早く答えられます。
本サイトでの関連資料:DeepSeek V4 APIページ、互換エンドポイントとのLangChainの使用方法、リクエスト詳細のAPIドキュメント。

