为何费率表低估了账单
推理模型(如 R1)在给出最终答案前会逐步解决问题。这些步骤是 token,提供商通常按输出费率计费。因此,返回 300 token 回答的请求可能会生成数千个 token。
为保持文章准确,此处不显示 DeepSeek 的费率。其价格会变动,过时的数字比没有更糟。请从 DeepSeek 官方定价页面获取当前的输入和输出费率,并使用以下公式。同时检查该页面如何描述思考 token 以及 API 是否在响应中返回它们。
每次请求成本 = (输入 / 1M) x 输入费率 + ((思考 + 回答) / 1M) x 输出费率
该公式中的未知数是 thinking。它因问题而异:简单提示词可能只需几百个 token,困难提示词可能需要数千个。请在自己的提示词上进行测算,而不是猜测。
乘数效应,以数字为例
使用我们自己的费率,每 1M 输出 token $0.50,作为中性示例以便验证算术。假设一个请求包含 300 token 的回答。
| Thinking token | 总输出 | 输出成本:每 1M 输出 token $0.50 | 与直接回答对比 |
|---|---|---|---|
| 0(直接对话) | 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 |
该比率与费率表无关。在任何供应商处,5,000 个思考 token 加上 300-token 的回答,其输出量约为 300-token 直接回答的 17.7 倍。按月计算:100,000 次请求,每次 5,000 个思考 token,将产生 530M 输出 token。按每 1M $0.50 计算,费用为 $265,而相同的 100,000 次直接回答(30M token)费用仅为 $15。
需要推理的任务与不需要推理的任务
推理模型在具有多个依赖步骤的问题上证明其成本合理性。日常文本工作大多缺乏这种结构。
通常值得使用推理模型
- 多步数学和逻辑谜题
- 调试原因不明的棘手代码
- 具有交互约束的规划任务
普通对话模型通常即可胜任
- 重写、语气调整和类翻译编辑
- 从文本页面提取 JSON
- 分类和标记
- 起草电子邮件、产品文案和描述
- 角色扮演、小说和陪伴角色,其中速度和语气比深思熟虑的逐步逻辑更重要
对话类任务也从较低的延迟中受益,因为第一个可见 token 出现前没有思考阶段。如果用户观看流式回复的出现,这很重要。
此 API 提供什么替代方案
本站是一个独立的 OpenAI 兼容 API。它不是 DeepSeek 的官方 API,也不是其转售商。它运行来自独立供应商的一个开放权重模型,经过调优以在合法成人用途中无内容拒绝地回答,模型 ID 为 uncensored。此处未发布基准测试,因此不要假设它在难题上能媲美专用推理模型。请在您自己的任务上测试它。
费率为输入每百万 token $0.15,输出每百万 token $0.50,预付,无订阅。失败或被拒的请求不收费,且额度永不过期。上下文窗口为 100,000 个 token(提示词加补全)。支持流式输出、函数调用和 JSON 模式。请参阅 定价页面 进行充值和获取奖金。
上述 100,000 次请求月份的直接对话回答示例:每次输入 1,000 个 token,总计 1 亿 token x $0.15 = $15;每次输出 300 个 token,总计 3000 万 token x $0.50 = $15,总计 $30。
先尝试便宜的,需要时再升级
合理的设置是将大部分流量发送给低成本聊天模型,并仅将未通过检查的提示词发送到更高级的模型。下面的代码会先尝试此 API,仅在验证失败时才回退到第二个客户端。请根据文档填入第二个供应商的基础 URL 和模型名称。
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
自我报告的置信度是一个弱信号,因此当有更好的测试时请使用它:模式检查、单元测试或长度规则。目的是仅在思考 token 改变结果的地方为其付费。
防止意外账单的护栏
无论选择哪个模型,在运行大批量之前都请设置限制。
- 限制输出。 在循环中的每次调用时设置
max_tokens。在推理模型上,检查限制与思考的交互方式,因为如果限制过低,可能会在您已经为思考付费后截断回答。 - 先测试 50 个。在启动其余 99,950 个请求之前,将测得的成本乘以完整数量。
- 监控余额。 此 API 的
X-Balance-USD标头显示每次调用后的剩余额度,因此脚本可以在低于阈值时自行停止。 - 记录使用情况。 存储每次请求的提示词和补全 token 数。如果一个异常提示词触发非常长的输出,记录日志可以轻松找到它,而不记录则几乎不可能。
后续步骤
要在您自己的数据上衡量成本,请从 API 密钥页面 领取 $0.50 的试用额度。它无需绑卡,有效期 7 天,可覆盖超过 1,500 轮对话(每轮 800 个输入 token 和 400 个输出 token,每轮 $0.00032)。通过它运行您自己的提示词,比任何费率比较都能更快地回答质量问题。
本站相关阅读:DeepSeek V4 API 页面,使用 LangChain 配合兼容接口指南,以及请求详情的 API 文档。

