PL ▾
Pobierz klucz API
https://api.deepseekapipricing.com/v1

Cennik API DeepSeek R1 i tańsza alternatywa dla czatu

Cennik API DeepSeek R1 wygląda jak każda inna lista stawek, ale model rozumowania pisze długie ukryte myślenie w stylu „thinking” przed udzieleniem odpowiedzi, a to myślenie jest normalnie rozliczane jako output. Koszt jednego zapytania może być wielokrotnością tego, co sugeruje widoczna odpowiedź.

Zaktualizowano

Krótka prosta ścieżka obok długich spiralnych schodów do tego samego celu, pokazująca bezpośrednie odpowiedzi versus kosztowne myślenie
Moneta karmiąca światło przez przezroczysty serwer obok blaknącego rzędu siedmiu kropek, symbolizująca krótką darmową próbę

Kluczowe punkty

  1. Modele rozumowania wydają dodatkowe tokeny wyjściowe na myślenie, więc koszt odpowiedzi rośnie nawet przy uczciwej liście stawek.
  2. Oszacuj: koszt = input x stawka input + (myślenie + odpowiedź) x stawka output, za 1M tokenów.
  3. Wiele zadań, takich jak przepisywanie, ekstrakcja i tworzenie szkiców, nie wymaga modelu rozumowania.
  4. To API to niezależny endpoint czatu (model uncensored) ze stawką $0,15 za input i $0,50 za output za 1 mln tokenów, nie jest to produkt DeepSeek.

Dlaczego lista stawek zaniża rachunek

Model rozumowania taki jak R1 rozwiązuje problem krok po kroku przed podaniem ostatecznej odpowiedzi. Te kroki to tokeny, a dostawcy zazwyczaj rozliczają je po stawce output. Zapytanie zwracające odpowiedź o 300 tokenach może wygenerować tysiące tokenów łącznie.

Aby ten artykuł był aktualny, nie publikujemy tu stawek DeepSeek. Ich ceny się zmieniają, a przestarzała liczba jest gorsza niż żadna. Pobierz aktualne stawki wejściowych i wyjściowych ze strony cenowej DeepSeek i użyj poniższych wzorów. Sprawdź również, jak ta strona opisuje tokeny myślenia i czy API zwraca je w odpowiedzi.

koszt za zapytanie = (input / 1M) x stawka wejściowych + ((thinking + answer) / 1M) x stawka wyjściowych

Nieznaną w tym wzorze jest thinking. Zależy on od pytania: proste polecenia mogą zużyć kilka setek tokenów, trudne kilka tysięcy. Zmierz to na własnych poleceniach zamiast zgadywać.

Efekt mnożący, z liczbami

Użyj naszej stawki, $0,50 za 1 mln tokenów output, jako neutralnego przykładu, aby rachunki dało się sprawdzić. Załóżmy, że zapytanie ma odpowiedź o 300 tokenach.

Tokeny myśleniaŁączny wyjściowychKoszt output przy $0,50 za 1 mlnWobec bezpośredniej odpowiedzi
0 (bezpośredni czat)300$0,000151x
1 0001 300$0.000654,3x
5 0005 300$0.0026517,7x
10 00010 300$0.0051534,3x

Stosunek nie zależy od listy stawek. U każdego dostawcy 5000 tokenów myślenia plus odpowiedź o 300 tokenach to około 17,7 razy więcej outputu niż odpowiedź bezpośrednia o 300 tokenach. Przelicz to na miesiąc: 100 000 zapytań z 5000 tokenami myślenia każde to 530 mln tokenów output. Przy $0,50 za 1 mln byłoby to $265, wobec $15 za te same 100 000 bezpośrednich odpowiedzi (30 mln tokenów).

Zadania wymagające rozumowania i takie, które nie wymagają

Modele rozumowania zwracają koszt na problemach z wieloma zależnymi krokami. Codzienna praca z tekstem rzadko ma taką strukturę.

Często warto użyć modelu rozumowania

  • Wielokrokowe zadania matematyczne i logiczne
  • Debugowanie trudnego kawałka kodu, gdzie przyczyna nie jest oczywista
  • Zadania planistyczne z wzajemnie oddziałującymi ograniczeniami

Zwykle wystarczy zwykły model czatu

  • Przepisywanie, zmiany tonu i edycje w stylu tłumaczenia
  • Ekstrakcja do JSON ze strony tekstu
  • Klasyfikacja i tagowanie
  • Pisanie szkiców e-maili, tekstów marketingowych i opisów
  • Roleplay, fikcja i postaci towarzyszące, gdzie szybkość i głos są ważniejsze niż dokładne krok po kroku rozumowania

Zadania w stylu czatu zyskują też na niższym opóźnieniu, ponieważ nie ma fazy myślenia przed pierwszym widocznym tokenem. Jeśli Twoi użytkownicy obserwują strumieniowaną odpowiedź, to ma znaczenie.

Co oferuje to API

Ta strona to niezależne, kompatybilne z OpenAI API. Nie jest to oficjalne API DeepSeek ani jego reseller. Obsługuje jeden model o otwartych wagach od niezależnego dostawcy, dostrojony do odpowiadania bez odmów treści dla prawnego użytku dorosłego, z ID modelu uncensored. Nie publikujemy tu benchmarków, więc nie zakładaj, że model dorównuje dedykowanemu modelowi rozumowania w trudnych zadaniach. Przetestuj go na własnych zadaniach.

Stawki wynoszą $0,15 za 1 mln tokenów wejściowych i $0,50 za 1 mln tokenów wyjściowych, przedpłacone, bez subskrypcji. Nieudane lub odrzucone zapytania nie są rozliczane, a kredyt nigdy nie wygasa. Okno kontekstu wynosi 100 000 tokenów, łącznie z promptem i uzupełnieniem. Obsługuje strumieniowanie, wywoływanie funkcji i tryb JSON. Zobacz stronę z cenami, aby doładować środki i skorzystać z bonusów.

Przykład obliczeń dla miesiąca z 100 000 zapytań przy bezpośrednich odpowiedziach czatu: input 1000 tokenów to 100 mln tokenów x $0,15 = $15, output 300 tokenów to 30 mln x $0,50 = $15, razem $30.

Wypróbuj najpierw tanio, eskaluj gdy trzeba

Rozsądną konfiguracją jest kierowanie większości ruchu do taniego modelu czatu i eskalacja tylko promptów, które nie przejdą sprawdzenia. Poniższy kod najpierw próbuje tego API i przechodzi do drugiego klienta tylko przy niepowodzeniu walidacji. Wstaw bazowy URL i nazwę modelu drugiego dostawcy z jego dokumentacji.

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

Samozgłoszona pewność to słaby sygnał, więc użyj lepszego testu, gdy masz taką możliwość: sprawdzenie schematu, test jednostkowy lub regułę długości. Chodzi o to, by płacić za tokeny myślenia tylko tam, gdzie zmieniają one wynik.

Zabezpieczenia przed niespodziewanymi rachunkami

Bez względu na wybrany model, ustaw limity przed uruchomieniem dużej partii.

  • Ogranicz output. Ustaw max_tokens przy każdym wywołaniu w pętli. Przy modelu rozumowania sprawdź, jak limit oddziałuje na myślenie, ponieważ zbyt niski limit może uciąć odpowiedź po tym, jak już zapłacisz za myślenie.
  • Przetestuj najpierw na 50. Pomnóż zmierzony koszt przez pełną liczbę przed uruchomieniem pozostałych 99 950.
  • Kontroluj stan konta. Nagłówek X-Balance-USD w tym API pokazuje pozostały kredyt po każdym wywołaniu, dzięki czemu skrypt może sam się zatrzymać poniżej ustalonego progu.
  • Loguj użycie. Przechowuj liczbę tokenów prompt i completion dla każdego zapytania. Jeden outlierowy prompt generujący bardzo długi output łatwo znaleźć dzięki logom, a prawie niemożliwie bez nich.

Kolejne kroki

Aby zmierzyć koszty na własnych danych, odbierz darmowy kredyt próbny w wysokości $0,50 na stronie klucza API. Nie wymaga podania karty, ważny jest przez 7 dni i pozwala wykonać ponad 1 500 tur czatu po 800 tokenach wejściowych i 400 tokenach wyjściowych ($0,00032 za każdy). Uruchomienie własnych promptów pozwala szybciej ocenić jakość niż jakiekolwiek porównanie stawek.

Powiązane artykuły na tej stronie: strona DeepSeek V4 API, przewodnik korzystania z LangChain z kompatybilnym endpointem oraz dokumentacja API ze szczegółami zapytań.

01

Pytania i odpowiedzi

Ile kosztuje API DeepSeek R1 za milion tokenów?

Sprawdź własną stronę z cenami DeepSeek, aby uzyskać aktualne liczby, ponieważ się one zmieniają. Ta strona ich nie podaje. To, co pozostaje stałe, to fakt, że tokeny myślenia są zazwyczaj rozliczane jako output.

Czy to API jest takie samo jak DeepSeek R1?

Nie. Jest to niezależny endpoint obsługujący jeden model o otwartych wagach o ID uncensored. Nie jest to API DeepSeek i nie przekierowuje do niego.

Czy model rozumowania jest zawsze lepszy?

Nie. Do przepisania, ekstrakcji, tworzenia szkiców i odgrywania ról zwykle wystarczający jest zwykły model czatu, co pozwala uniknąć dodatkowych kosztów i opóźnień związanych z myśleniem.

Jak mierzę tokeny myślenia?

Przeczytaj obiekt użycia zwracany z każdą odpowiedzią i porównaj tokeny uzupełnienia z długością widocznej odpowiedzi. Uśrednij wyniki na podstawie pięćdziesięciu rzeczywistych promptów.

Twój klucz jest o jeden formularz stąd

Utwórz konto, skopiuj klucz, zmień bazowy URL. To cała konfiguracja.

Pobierz klucz API