OpenAI API billing, ipinaliwanag gamit ang tunay na numero

Mabilis na sagot: paano gumagana ang OpenAI API billing

Tatlong numero ang nagdedesisyon sa bawat linya ng bill mo: input tokens na ipinadala, output tokens na nilikha, at ang per-million-token rate ng model na pinili mo. Walang subscription at walang per-request fee. I-multiply, hatiin sa isang milyon, tapos na. Ang bitag ay iba ang kilos ng tatlong numero. Ang input tokens ay tahimik na lumalaki habang naiipon ang chat history, ang output tokens ay may malaking per-token premium, at ang rate ay nagbabago tuwing lilipat ka ng model. Susuriin ng natitirang bahagi ng gabay na ito ang mekanismo, ang kasalukuyang rate ng gpt-5.5, tatlong buong halimbawa, at ang mga lugar kung saan biglang tumataas ang bill nang walang babala.

• Unit ng billing: tokens, sinusukat nang hiwalay para sa input (prompt + history) at output (ang tugon)
• Payment model: prepaid credits, bumababa kada request; nabibigo ang mga request sa zero na balanse maliban kung naka-on ang auto-recharge
• Ang usage tiers ay nagbabago ng rate limits mo, hindi ng presyo mo
• Batch API: kalahati ang presyo para sa asynchronous na jobs na kayang maghintay hanggang 24 oras

Prepaid credits, usage tiers, at ang Batch API

Inilipat ng OpenAI ang mga API account sa prepaid billing: bumibili ka ng credits nang maaga at bumabawas dito ang usage. Dalawang detalye ang bitag sa mga tao. Una, ang hindi nagamit na credits ay nag-e-expire 12 buwan pagkatapos bilhin, kaya ang pagload ng isang taon na budget noong Enero ay isang donasyon kung mababa ang traffic mo. Pangalawa, kapag umabot sa zero ang balanse, agad na nagbabalik ng errors ang mga request mo, na para bang isang outage kung walang nag-oown ng billing dashboard. Inaayos ng auto-recharge ang matigas na hinto pero inaalis nito ang natural na spending cap, kaya isama ito sa usage limits. Ang usage tiers ang ikalawang mekanismo. Umaakyat ng tier ang mga account habang lumalaki ang kabuuang gastos at edad ng account, at itinataas ng bawat tier ang rate limits mo (requests per minute at tokens per minute). Hindi binabago ng tiers ang per-token prices. Kung nakakakuha ka ng 429 errors sa mababang volume, nasa mababang tier ka, at ang ayos ay spend history o isang rate-limit increase request, hindi ibang plano. Ang Batch API ang isang built-in na diskwento na dapat i-plano. Magsumite ng file ng mga request, tanggapin ang resulta sa loob ng 24-oras na window, at magbayad ng kalahati ng standard rate sa parehong input at output. Anumang hindi user-facing at latency-sensitive (evals, backfills, summarization, classification) ay nabibilang doon. Ang cached input ay may diskwento rin kapag nagbabahagi ang mga prompt mo ng mahaba at stable na prefix, na gumagantimpala sa paglalagay ng static na instructions muna at variable content sa huli.

Subaybayan ang eksaktong usage mula sa API response

Hindi mo kailangang tantiyahin ang tokens gamit ang isang tokenizer library pagkatapos ng katotohanan. Kasama sa bawat chat completion response ang isang usage object na may eksaktong bilang na sinisingil sa iyo. I-log ito sa bawat tawag at ang cost accounting mo ay ground truth, hindi approximation. Isang bitag: kapag naka-enable ang streaming, ang usage object ay ipinapadala lamang kung hihilingin mo ito sa pamamagitan ng stream_options. Kung ang logs mo ay nagpapakita ng zero-token na streamed requests, iyon ang dahilan.

curl https://api.openai.com/v1/chat/completions \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-5.5",
    "messages": [{"role": "user", "content": "Summarize the attached notes in one line."}],
    "max_completion_tokens": 200,
    "stream_options": {"include_usage": true}
  }'

# Kasama sa response ang eksaktong bilang na sinisingil:
# "usage": {
#   "prompt_tokens": 42,
#   "completion_tokens": 118,
#   "total_tokens": 160
# }

Gumawa ng OpenAI API cost calculator sa sampung linya

Ang mga online cost calculator ay laos sa sandaling magbago ang isang presyo. Ang isang sampung-linyang function na kinakainan ng usage object ay hindi kailanman. Panatilihin ang isang rates table kada model, i-multiply, at i-log ang dollar figure sa tabi ng bawat request ID. Tandaan na ang mga reasoning-capable na model ay sinisingil ang nakatagong reasoning tokens bilang completion tokens, kaya nananatiling tama ang calculator sa ibaba hangga't binabasa mo ang completion_tokens mula sa response sa halip na bilangin mo mismo ang nakikitang text.

# USD kada 1M tokens: {"in": input_rate, "out": output_rate}
RATES = {
    "gpt-5.5": {"in": 4.00, "out": 24.00},
    "claude-sonnet-4-6": {"in": 2.40, "out": 12.00},
    "deepseek-v4-flash": {"in": 0.126, "out": 0.252},
}

def cost_usd(model: str, prompt_tokens: int, completion_tokens: int) -> float:
    rate = RATES[model]
    return (prompt_tokens * rate["in"] + completion_tokens * rate["out"]) / 1_000_000

usage = response.usage
print(f"{cost_usd('gpt-5.5', usage.prompt_tokens, usage.completion_tokens):.6f}")

Talahanayan ng presyo ng gpt-5.5 at paghahambing ng model

Ang mga rate sa ibaba ay ang APIsRouter catalog: ang APIsRouter ay isang OpenAI-compatible gateway (Base URL https://api.apisrouter.com/v1) na may pay-as-you-go billing at walang subscription, kung saan ang mga global model ay may presyong 20% na mas mababa sa opisyal na list at ang mga Chinese model ay nasa ibaba ng opisyal na rate nila. Ang checkout sa /topup ay hindi nangangailangan ng signup: magbayad muna, darating ang key sa email, at ang unang top-up ay nagdaragdag ng +100% na balance. Palaging kumpirmahin ang opisyal na rate ng OpenAI sa pricing page nila bago mag-budget ng direktang account, dahil gumagalaw ang list prices. Bilang konteksto, ang parehong catalog ay may kasamang mga model na aktwal na inihahambing ng mga tao sa gpt-5.5. Nakalista rin ang kimi-k2.6 at mimo para sa mga chat-heavy na workload.

Paano ihahambing ang gpt-5.5 sa presyo

Parehong matematika, magkaibang rate. Ang pagpili ng model ang pinakamalaking lever sa isang token bill, at karamihan sa mga workload ay pinagsasama ang mga model sa halip na pumili ng isa.

Mga halimbawa: tatlong workload, kinalkula nang buo

Ginagamit ng lahat ng tatlong halimbawa ang mga rate ng gpt-5.5 sa itaas ($4.00 input, $24.00 output kada 1M tokens). Halimbawa 1, isang production chatbot: 100,000 request kada buwan na ang average ay 1,500 input at 300 output tokens bawat isa. Input: 150M tokens sa $4.00 ay $600. Output: 30M tokens sa $24.00 ay $720. Kabuuan: $1,320 kada buwan, at pansinin na ang output ay higit sa kalahati ng bill kahit ikalimang bahagi lang ito ng tokens. Halimbawa 2, isang 60-turn na roleplay o character-chat session kung saan muling ipinapadala ng frontend ang average na 6,000-token na context kada turn na may 250-token na tugon. Input: 360K tokens ay $1.44. Output: 15K tokens ay $0.36. Kabuuan: mga $1.80 kada session. Ang parehong session sa deepseek-v4-flash ay nagkakahalaga ng mga limang sentimo, kaya bihirang patakbuhin ng mga long-session na chat user ang flagship para sa bawat turn. Halimbawa 3, pag-summarize ng 20,000 dokumento sa 2,500 input at 150 output tokens bawat isa. Input: 50M tokens ay $200. Output: 3M tokens ay $72. Kabuuan: $272 bilang synchronous na job, o mga $136 sa pamamagitan ng Batch API dahil walang latency-sensitive dito.

Mga sorpresang gastos na nagpapataas ng OpenAI bills

Wala sa mga ito ang lumalabas sa isang per-request na test. Lumalabas ang mga ito sa buwan dalawa, kapag tumatagal na ang mga session at lihim nang tumatlo ang history window. I-instrument ang usage object mula sa unang araw at i-graph ang input tokens kada session sa paglipas ng panahon; ang isang graph na iyon ay nahuhuli ang karamihan sa listahan sa itaas.

• Muling pagpapadala ng history: bawat chat turn ay muling nagpapadala ng buong conversation, kaya lumalaki ang input cost kada session nang halos parisukat sa bilang ng turn hanggang i-trim mo ito
• Ang output premium: ang output ng gpt-5.5 ay 6x ng input rate nito, kaya ang mga verbose na tugon at walang cap na haba ang dominante sa bills
• Reasoning tokens: ang nakatagong chain-of-thought ay sinisingil bilang completion tokens na hindi mo nakikita sa text
• Client timeouts: kung inabandona ng side mo ang isang request pagkatapos magsimulang mag-generate ang server, sinisingil pa rin ang mga nagawang tokens
• Vision inputs: ang mga larawan ay tinotokenize at ang isang high-detail na larawan ay maaaring magkahalaga ng libu-libong input tokens
• Credit expiry: ang prepaid balance na binili nang higit sa 12 buwan na ang nakalipas ay wala na, gamit man o hindi

Paano bawasan ang OpenAI API costs

Ang routing ang pinakamalaking lever. Ang mga team na naghahati ng traffic sa pagitan ng isang flagship at isang value model tulad ng deepseek-v4-flash o glm-5 ay karaniwang nakababawas ng mas malaking gastos kaysa sa anumang prompt tweak, dahil hawak ng murang model ang mga turn na malaki ang volume. Para sa mga character-chat at roleplay frontend partikular, ang deepseek-v4-pro at deepseek-v4-flash na pares ang karaniwang sagot ng community sa value, karapat-dapat subukan ang kimi-k2.6 at mimo, at ang mga Claude model ang pili kapag pinakamahalaga ang pino at SFW na prosa. Anumang frontend ang ikonekta mo, sundan ang terms of service at age requirements nito. Ang billing math mismo ay hindi kailanman nagbabago: tokens sa loob, tokens sa labas, rate. Ilagay ang tatlong numerong iyon sa logs mo at ang bawat desisyon sa gastos ay nagiging aritmetika sa halip na hula.

• I-cap ang output gamit ang max_completion_tokens sa bawat tawag; ito ang pinakamurang guardrail na meron
• I-trim ang history gamit ang sliding window, o i-summarize ang lumang turns sa isang maigsi na tala sa halip na muling ipadala ito nang buo
• Ilipat ang non-interactive na trabaho sa Batch API at bayaran ang kalahating rate
• Panatilihin ang mahaba at stable na system prompt sa una at variable content sa huli para talagang mag-trigger ang cached-input discounts
• Mag-route ayon sa gawain: ang classification, extraction, at casual chat turns ay hindi nangangailangan ng flagship; itago ang gpt-5.5 para sa mga hakbang na nabibigo sa mas murang models
• Magtakda ng balance alerts at per-key limits para hindi maubos ng isang tumatakbong loop ang account

Mga madalas itanong