Por que a tabela de taxas subestima a conta
Um modelo de raciocínio como o R1 resolve um problema passo a passo antes de dar a resposta final. Esses passos são tokens, e os provedores geralmente cobram pela tarifa de saída. Então, uma requisição que retorna uma resposta de 300 tokens pode gerar milhares de tokens no total.
Para manter este artigo preciso, nenhuma taxa da DeepSeek está impressa aqui. Seus preços mudam, e um número desatualizado é pior que nenhum. Pegue as taxas atuais de entrada e saída da própria página de preços da DeepSeek e use as fórmulas abaixo. Verifique também como essa página descreve tokens de raciocínio e se a API os retorna na resposta.
custo por requisição = (entrada / 1M) x tarifa de entrada + ((raciocínio + resposta) / 1M) x tarifa de saída
O desconhecido nessa fórmula é thinking. Ele varia conforme a pergunta: prompts simples podem usar algumas centenas de tokens, enquanto os mais complexos, vários milhares. Meça-o nos seus próprios prompts em vez de estimar.
O efeito multiplicador, com números
Use nossa própria tarifa, $0,50 por 1M de tokens de saída, como exemplo neutro para que a aritmética seja verificável. Suponha que uma requisição tenha uma resposta de 300 tokens.
| Tokens de raciocínio | Saída total | Custo de saída a $0,50 por 1M | Versus uma resposta direta |
|---|---|---|---|
| 0 (chat direto) | 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 |
A razão não depende da tabela de taxas. Em qualquer provedor, 5.000 tokens de raciocínio mais uma resposta de 300 tokens é cerca de 17,7 vezes a saída de uma resposta direta de 300 tokens. Escale para um mês: 100.000 solicitações com 5.000 tokens de raciocínio cada são 530M tokens de saída. A $0,50 por 1M isso seria $265, contra $15 pelas mesmas 100.000 respostas diretas (30M tokens).
Tarefas que precisam de raciocínio e tarefas que não precisam
Modelos de raciocínio justificam seu custo em problemas com várias etapas dependentes. O trabalho de texto cotidiano geralmente não tem essa estrutura.
Vale a pena um modelo de raciocínio
- Quebra-cabeças de matemática e lógica multi-etapa
- Depurar um trecho de código complicado onde a causa não é óbvia
- Tarefas de planejamento com restrições que interagem
Geralmente bom com um modelo de chat simples
- Reescrita, mudanças de tom e edições de estilo de tradução
- Extração para JSON de uma página de texto
- Classificação e marcação
- Rascunho de e-mails, textos de produto e descrições
- Roleplay, ficção e personagens companheiros, onde velocidade e voz importam mais do que lógica passo a passo deliberada
Tarefas estilo chat também se beneficiam de menor latência, pois não há fase de pensamento antes do primeiro token visível. Se seus usuários observam uma resposta transmitida aparecer, isso importa.
O que esta API oferece em vez disso
Este site é uma API independente compatível com OpenAI. Não é a API oficial da DeepSeek nem um revendedor dela. Executa um único modelo de pesos abertos de um provedor independente, ajustado para responder sem filtros de conteúdo para uso adulto legal, com ID do modelo uncensored. Nenhuma benchmark é publicada aqui, então não assuma que ele corresponde a um modelo de raciocínio dedicado em problemas difíceis. Teste-o nas suas próprias tarefas.
As tarifas são $0,15 por 1M de tokens de entrada e $0,50 por 1M de tokens de saída, pré-pagos, sem assinatura. Requisições falhas ou recusadas não são cobradas, e o crédito nunca expira. A janela de contexto é de 100.000 tokens, incluindo prompt e conclusão. Suporta streaming, chamada de funções e modo JSON. Veja a página de preços para recargas e bônus.
Exemplo prático para o mês de 100.000 solicitações acima, com respostas de chat direto: entrada de 1.000 tokens cada são 100M tokens x $0,15 = $15, saída de 300 tokens cada são 30M x $0,50 = $15, total $30.
Tente barato primeiro, escale quando necessário
Uma configuração sensata é enviar a maior parte do tráfego para um modelo de chat de baixo custo e escalar apenas os prompts que falham em uma verificação. O código abaixo tenta esta API primeiro e volta para um segundo cliente apenas quando uma validação falha. Preencha a URL base e o nome do modelo do segundo provedor na documentação dele.
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
A confiança autorrelatada é um sinal fraco, então use um teste melhor quando tiver: uma verificação de esquema, um teste de unidade ou uma regra de comprimento. O ponto é pagar por tokens de raciocínio apenas onde eles alteram o resultado.
Barreiras contra contas surpresa
Qualquer que seja o modelo que você escolher, defina limites antes de executar um lote grande.
- Limite a saída. Defina
max_tokensem todas as chamadas em um loop. Em um modelo de raciocínio, verifique como o limite interage com o raciocínio, porque um limite muito baixo pode cortar a resposta depois que você já pagou pelo raciocínio. - Teste em 50 primeiro. Multiplique o custo medido pela contagem total antes de lançar os outros 99.950.
- Observe o saldo. O cabeçalho
X-Balance-USDnesta API mostra o crédito restante após cada chamada, permitindo que um script pare a si mesmo abaixo de um limite. - Registre o uso. Armazene contagens de tokens de prompt e conclusão por solicitação. Um prompt outlier que aciona saída muito longa é fácil de encontrar se você registrar, e quase impossível se não registrar.
Próximos passos
Para medir o custo nos seus próprios dados, solicite o crédito de teste de $0,50 na página da chave de API. Não precisa de cartão, dura 7 dias e cobre mais de 1.500 rodadas de chat com 800 tokens de entrada e 400 tokens de saída ($0,00032 cada). Executar seus próprios prompts nele responde à questão de qualidade mais rápido do que qualquer comparação de tarifas.
Leitura relacionada neste site: a página da API DeepSeek V4, o guia para usar LangChain com um endpoint compatível e a documentação da API para detalhes da solicitação.

