ทำไมบัตรอัตราราคาจึงแสดงบิลต่ำกว่าความเป็นจริง
โมเดลให้เหตุผลอย่าง R1 จะแก้ปัญหาทีละขั้นตอนก่อนให้คำตอบสุดท้าย ขั้นตอนเหล่านี้คือโทเคน และผู้ให้บริการส่วนใหญ่คิดค่าโทเคนเหล่านี้ในอัตราของเอาต์พุต ดังนั้นคำขอที่ส่งคำตอบขนาด 300 โทเคน อาจสร้างโทเคนรวมหลายพันตัว
เพื่อให้บทความนี้ถูกต้อง เราไม่ได้พิมพ์อัตราของ DeepSeek ไว้ที่นี่ ราคาของพวกเขาเปลี่ยนแปลง และตัวเลขที่ล้าสมัยนั้นแย่กว่าไม่มีเลย นำอัตราอินพุตและเอาต์พุตปัจจุบันจากหน้ากำหนดราคาของ DeepSeek โดยตรง แล้วใช้สูตรด้านล่าง นอกจากนี้ให้ตรวจสอบว่าหน้านั้นอธิบายโทเคนการคิดอย่างไร และ API ส่งโทเคนเหล่านั้นกลับมาในการตอบสนองหรือไม่
ต้นทุนต่อคำขอ = (อินพุต / 1M) x อัตราอินพุต + ((การคิด + คำตอบ) / 1M) x อัตราเอาต์พุต
ตัวแปรที่ไม่ทราบค่าในสูตรนี้คือ thinking มันแปรผันตามคำถาม: พรอมต์ง่ายๆ อาจใช้โทเคนไม่กี่ร้อยตัว ส่วนที่ยากอาจใช้หลายพันตัว วัดค่านี้จากพรอมต์ของคุณเองแทนที่จะคาดเดา
ผลคูณตัวคูณ พร้อมตัวเลข
ใช้อัตราของเราเองคือ $0.50 ต่อโทเคนเอาต์พุต 1M เป็นตัวอย่างที่เป็นกลาง เพื่อให้การคำนวณตรวจสอบได้ สมมติว่าคำขอมีคำตอบขนาด 300 โทเคน
| โทเคนการคิด | เอาต์พุตทั้งหมด | ต้นทุนเอาต์พุตที่ $0.50 ต่อ 1M | เทียบกับคำตอบโดยตรง |
|---|---|---|---|
| 0 (แชทโดยตรง) | 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 |
อัตราส่วนนี้ไม่ขึ้นอยู่กับตารางอัตรา ที่ผู้ให้บริการรายใดก็ตาม โทเคนการคิด 5,000 ตัวบวกกับคำตอบขนาด 300 โทเคน จะเท่ากับเอาต์พุตของคำตอบโดยตรงขนาด 300 โทเคนประมาณ 17.7 เท่า ขยายเป็นรายเดือน: คำขอ 100,000 ครั้งที่มีโทเคนการคิด 5,000 ตัวต่อครั้ง จะเท่ากับเอาต์พุต 530 ล้านโทเคน ที่ $0.50 ต่อ 1M จะคิดเป็น $265 เทียบกับ $15 สำหรับคำตอบโดยตรง 100,000 ครั้งเดียวกัน (30 ล้านโทเคน)
งานที่ต้องการการให้เหตุผล และงานที่ไม่ต้องการ
โมเดลให้เหตุผลคุ้มค่ากับต้นทุนในปัญหาที่มีหลายขั้นตอนที่พึ่งพาซึ่งกันและกัน งานข้อความในชีวิตประจำวันส่วนใหญ่ไม่มีโครงสร้างนั้น
มักคุ้มค่าที่จะใช้โมเดลให้เหตุผล
- โจทย์คณิตศาสตร์และตรรกะหลายขั้นตอน
- การดีบักโค้ดที่ซับซ้อนซึ่งสาเหตุไม่ชัดเจน
- งานวางแผนที่มีข้อจำกัดซึ่งมีปฏิสัมพันธ์กัน
ปกติใช้โมเดลแชทธรรมดาได้
- การเขียนใหม่ การเปลี่ยนน้ำเสียง และการแก้ไขแบบแปลภาษา
- การดึงข้อมูลเป็น JSON จากหน้าข้อความ
- การจัดประเภทและการติดแท็ก
- การร่างอีเมล คัดลอกสินค้า และคำอธิบาย
- การสวมบทบาท นิยาย และตัวละครเพื่อนคู่สนทนา ซึ่งความเร็วและน้ำเสียงสำคัญกว่าตรรกะแบบขั้นตอนที่คิดอย่างรอบคอบ
งานรูปแบบแชทยังได้ประโยชน์จากความหน่วงต่ำ เนื่องจากไม่มีขั้นตอนการคิดก่อนโทเคนที่ปรากฏครั้งแรก หากคุณดูผู้ใช้เห็นการตอบกลับแบบสตรีมมิงปรากฏขึ้น นั่นสำคัญ
สิ่งที่ API นี้เสนอแทน
เว็บไซต์นี้เป็น API ที่เข้ากันได้กับ OpenAI โดยเป็นอิสระ ไม่ได้เป็น API ทางการของ DeepSeek และไม่ใช่ตัวแทนจำหน่าย มันรันโมเดลแบบเปิดน้ำหนักหนึ่งตัวจากผู้ให้บริการอิสระ ซึ่งปรับแต่งให้ตอบโดยไม่มีการปฏิเสธเนื้อหาสำหรับการใช้งานผู้ใหญ่ที่ถูกต้องตามกฎหมาย โดยมีโมเดล ID uncensored ไม่มีข้อมูลการทดสอบเผยแพร่ที่นี่ ดังนั้นอย่าสันนิษฐานว่ามันเทียบเท่ากับโมเดลการให้เหตุผลเฉพาะทางในปัญหาที่ยาก ให้ทดสอบกับงานของคุณเอง
อัตราคือ $0.15 ต่อ 1M โทเคนอินพุต และ $0.50 ต่อ 1M โทเคนเอาต์พุต แบบเติมเงินล่วงหน้า ไม่ต้องสมัครสมาชิก คำขอที่ล้มเหลวหรือถูกปฏิเสธจะไม่ถูกเรียกเก็บเงิน และเครดิตไม่หมดอายุ บริบทคือ 100,000 โทเคน รวมพรอมต์และการตอบกลับ รองรับสตรีมมิง การเรียกใช้ฟังก์ชัน และโหมด JSON ดูหน้าราคาสำหรับการเติมเงินและโบนัส
ตัวอย่างการทำงานสำหรับเดือนคำขอ 100,000 ข้างต้น พร้อมการตอบแชทโดยตรง: อินพุต 1,000 โทเคนต่อครั้ง รวมเป็น 100M โทเคน x $0.15 = $15 เอาต์พุต 300 โทเคนต่อครั้ง รวมเป็น 30M x $0.50 = $15 รวมเป็น $30
ลองใช้โมเดลราคาถูกก่อน ปรับระดับเมื่อจำเป็น
การตั้งค่าที่เหมาะสมคือส่งการจราจรส่วนใหญ่ไปยังโมเดลแชทต้นทุนต่ำ และปรับระดับเฉพาะพรอมต์ที่ไม่ผ่านการตรวจสอบ โค้ดด้านล่างลองใช้ API นี้ก่อน และเปลี่ยนไปใช้ไคลเอนต์ที่สองเฉพาะเมื่อการตรวจสอบล้มเหลว กรอก Base URL และชื่อโมเดลของผู้ให้บริการที่สองจากเอกสารประกอบ
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
ความมั่นใจที่รายงานด้วยตนเองเป็นสัญญาณที่อ่อนแอ ดังนั้นให้ใช้การทดสอบที่ดีกว่าเมื่อคุณมี: การตรวจสอบสคีมา การทดสอบหน่วย หรือกฎความยาว จุดประสงค์คือจ่ายสำหรับโทเคนการคิดเฉพาะเมื่อมันเปลี่ยนผลลัพธ์
รั้วป้องกันบิลที่ไม่คาดคิด
ไม่ว่าคุณจะเลือกโมเดลใด ให้กำหนดขีดจำกัดก่อนที่คุณจะรันชุดข้อมูลขนาดใหญ่
- กำหนดค่าสูงสุดของเอาต์พุต ตั้งค่า
max_tokensในการเรียกใช้ทุกครั้งในลูป บนโมเดลการให้เหตุผล ให้ตรวจสอบว่าการจำกัดมีปฏิสัมพันธ์กับการคิดอย่างไร เพราะการจำกัดที่ต่ำเกินไปสามารถตัดการตอบกลับหลังจากที่คุณได้จ่ายสำหรับการคิดไปแล้ว - ทดสอบกับ 50 ก่อน คูณต้นทุนที่วัดได้ด้วยจำนวนเต็มก่อนเริ่มใช้งาน 99,950 ตัวที่เหลือ
- ตรวจสอบยอดคงเหลือ เฮดเดอร์
X-Balance-USDใน API นี้แสดงเครดิตคงเหลือหลังการเรียกใช้แต่ละครั้ง ดังนั้นสคริปต์จึงสามารถหยุดตัวเองได้ต่ำกว่าเกณฑ์ - บันทึกการใช้งาน เก็บจำนวนโทเคนพรอมต์และการตอบกลับต่อคำขอ พรอมต์ตัวเดียวที่ก่อให้เกิดเอาต์พุตยาวมากจะหาได้ง่ายหากคุณบันทึก และแทบเป็นไปไม่ได้หากคุณไม่บันทึก
ขั้นตอนถัดไป
เพื่อวัดต้นทุนบนข้อมูลของคุณเอง ให้ขอเครดิตทดลองใช้ $0.50 จากหน้า API key ไม่ต้องใช้บัตร ใช้ได้ 7 วัน และครอบคลุมการสนทนาแชทมากกว่า 1,500 รอบที่มี 800 โทเคนอินพุตและ 400 โทเคนเอาต์พุต ($0.00032 ต่อคำขอ) การรันพรอมต์ของคุณผ่านมันจะตอบคำถามคุณภาพได้เร็วกว่าการเปรียบเทียบอัตราใดๆ
การอ่านที่เกี่ยวข้องบนเว็บไซต์นี้: หน้าDeepSeek V4 API คู่มือการใช้ LangChain กับเอนด์พอยต์ที่เข้ากันได้ และเอกสาร API สำหรับรายละเอียดคำขอ

