Origem do número
Uma API de modelo vende tokens, não chaves. Para o preço da chave GLM API, os valores necessários são a taxa de entrada, a taxa de saída e qualquer desconto para requisições em cache ou em lote, todos listados por 1M de tokens na página de preços oficial do provedor. Taxas e nomes de modelos mudam, então não os citamos aqui. Copie os números atuais para a tabela abaixo e o restante deste artigo funciona para qualquer provedor.
Um token é um trecho de texto, aproximadamente três quartos de uma palavra em inglês. Outros idiomas e código podem usar mais tokens por palavra. O tokenizer do seu provedor ou o campo usage nas respostas fornece a contagem exata, que supera qualquer regra prática.
Você também verá termos como comprimento de contexto, limite de taxa e tier em páginas de preços. Apenas as duas primeiras taxas alteram sua conta. O comprimento de contexto limita o quanto você pode enviar por requisição, e os limites de taxa limitam a velocidade de envio. Nesta API, a janela é de 100.000 tokens e uma chave completa permite 8 requisições simultâneas e 300 por minuto.
Conte tokens por requisição
Anote quatro números para cada tipo de requisição que seu aplicativo faz:
- Entrada fixa: prompt de sistema e definições de ferramentas.
- Entrada variável: mensagem do usuário, documentos recuperados, histórico de chat.
- Saída: o comprimento típico da resposta.
- Volume: requisições por dia.
O histórico de chat é a surpresa usual. Cada turno reenvia tudo antes dele, então uma conversa de 10 turnos não custa 10 mensagens de entrada, custa a soma de 1 + 2 + ... + 10 mensagens, que é 55 unidades de mensagem. Reduza ou resuma o histórico se as conversas forem longas.
Para medir em vez de adivinhar, registre o bloco de uso. Nesta API, ele é retornado com cada resposta e, com streaming, chega no final do fluxo:
from openai import OpenAI
client = OpenAI(base_url="https://api.apikeyglm.com/v1", api_key="YOUR_KEY")
stream = client.chat.completions.create(
model="uncensored",
messages=[{"role": "user", "content": "Write a 100-word product blurb for a lamp."}],
stream=True,
stream_options={"include_usage": True},
)
for event in stream:
if event.usage:
print("in:", event.usage.prompt_tokens, "out:", event.usage.completion_tokens)Para uma previsão inicial, amostre dados reais. Pegue 50 mensagens ou documentos reais de usuários, execute-os e use a média e o percentil 90 das contagens de tokens. A média fornece a conta esperada, o percentil mostra quão ruim um mês pesado parece.
Exemplo resolvido 1: um chatbot
500 usuários por dia enviam 6 mensagens cada, totalizando 3.000 requisições. Cada requisição tem em média 2.000 tokens de entrada (histórico mais prompt de sistema) e 300 tokens de saída.
- Entrada diária: 3.000 x 2.000 = 6M de tokens, então 6 x $0,15 = $0,90.
- Saída diária: 3.000 x 300 = 0,9M de tokens, então 0,9 x $0,50 = $0,45.
- Total diário: $1,35. Em 30 dias: $40,50.
Exemplos resolvidos 2 e 3: processamento em lote e recuperação
Resuma 50.000 documentos, cada um com 1.500 tokens, em resumos de 150 tokens.
- Entrada: 50.000 x 1.500 = 75M de tokens, então 75 x $0,15 = $11,25.
- Saída: 50.000 x 150 = 7,5M de tokens, então 7,5 x $0,50 = $3,75.
- Total: $15,00.
Trabalhos em lote têm uma alavanca a mais: podem ser executados em paralelo, mas uma chave completa é limitada a 8 requisições simultâneas e 300 requisições por minuto, então 50.000 requisições precisam de pelo menos 167 minutos no limite por minuto (50.000 / 300). Planeje o tempo real de execução além do custo.
Exemplo resolvido 3: respostas aumentadas por recuperação
Um assistente de suporte lida com 20.000 perguntas por mês. Cada uma envia 8.000 tokens de entrada (instruções mais trechos recuperados) e recebe uma resposta de 400 tokens.
- Entrada: 20.000 x 8.000 = 160M de tokens, então 160 x $0,15 = $24,00.
- Saída: 20.000 x 400 = 8M de tokens, então 8 x $0,50 = $4,00.
- Total: $28,00 por mês.
A janela de contexto aqui é de 100.000 tokens, prompt mais conclusão, então 8.000 tokens de contexto deixam muito espaço. A entrada representa 86 por cento desta conta, o que é típico para recuperação: cortar o texto recuperado importa mais que encurtar respostas.
Como o tamanho da requisição altera o preço
O preço por 1.000 requisições é uma unidade prática porque escala por multiplicação simples. Aqui estão quatro formatos de requisição a $0.15 e $0.50 por 1M de tokens:
| Formato da requisição | Custo de entrada por 1.000 | Custo de saída por 1.000 | Total por 1.000 |
|---|---|---|---|
| 500 entrada, 200 saída | $0,075 | $0,100 | $0,175 |
| 2.000 entrada, 300 saída | $0,300 | $0,150 | $0,450 |
| 8.000 entrada, 400 saída | $1,200 | $0,200 | $1,400 |
| 30.000 entrada, 1.000 saída | $4,500 | $0,500 | $5,000 |
O padrão é claro. Requisições de chat curtas são baratas e pesadas em saída. Requisições de contexto grande são pesadas em entrada, e a linha de entrada domina. Saber qual tipo você executa diz qual alavanca puxar: respostas mais curtas para o primeiro, contexto reduzido para o segundo.
Erros que tornam as estimativas erradas
- Contando palavras em vez de tokens. Um texto em inglês de 1.000 palavras tem aproximadamente 1.300 tokens, e mais para código ou texto não inglês.
- Esquecendo o histórico. A entrada de chat cresce a cada turno, como mostrado acima.
- Usar médias para tráfego irregular. Um dia de lançamento pode ser dez vezes um dia normal. Preveja o pico que você consegue suportar.
- Ignorando as retentativas. Adicione uma margem. Nesta API, requisições falhas ou recusadas não são cobradas, mas verifique isso para qualquer provedor que você comparar.
- Ignorando o limite de saída. A saída custa mais por token. Se você só precisa de um rótulo ou um resumo curto, solicite isso e defina
max_tokensonde um limite rígido ajuda. É opcional aqui.
Comparar com as taxas do GLM
Preencha esta tabela com os valores atuais do provedor e seus próprios volumes:
| Linha | Esta API | GLM (verifique a precificação atual) |
|---|---|---|
| Taxa de entrada por 1M | $0.15 | consultar |
| Taxa de saída por 1M | $0.50 | consultar |
| Desconto de entrada em cache | não faz parte da tabela de preços | consultar |
| Requisições falhas cobradas | não | consultar |
| Pagamento | cripto pré-paga, sem expiração | consultar |
Depois, compare além do preço. O comportamento de recusa, o tamanho da janela de contexto e se o modelo segue seu formato de saída alteram quantas retentativas você paga. Esta API oferece um modelo de pesos abertos, uncensored, ajustado para responder sem recusas de conteúdo para uso adulto legal. É um serviço independente e não a API oficial da Zhipu, Z.ai ou qualquer outro fornecedor. Para ver uma integração similar, o guia de integração de chave de API Kimi segue o mesmo padrão.
Orçamento e recargas
Adicione 20 a 30 por cento à sua estimativa para retentativas, prompts mais longos e crescimento. O chatbot a $40,50 torna-se um orçamento de cerca de $49 a $53. Recarregue em valores inteiros de $20 a $500; uma recarga de $50 adiciona +5% e fornece $52,50 de crédito, $100 adiciona +10% para $110,00, e $200 adiciona +15% para $230,00. O pagamento é apenas em cripto, USDT na TRC20 ou USDC na Base, e o crédito nunca expira.
Novos usuários podem testar o endpoint com $0,50 de crédito de teste, válido por 7 dias. Com 2.300 tokens por requisição no exemplo do chatbot, isso são cerca de 1.100 requisições de teste. Abra a página de preços para a tabela de preços completa, depois obtenha uma chave e leia a documentação para limites e cabeçalhos.
Por fim, defina um alerta. Cada resposta inclui X-Balance-USD, então algumas linhas de código podem avisar você quando o crédito cair abaixo de um número de dias de gasto. O guia de integração de chave de API Kimi mostra o mesmo tipo de configuração de cliente em um contexto relacionado.
