GPT-6.1 Terra vs Sol vs Luna do kodowania: koszt na zadanie

Twoja sesja agenta się zakończyła, diff wygląda dobrze, a teraz zastanawiasz się, czy najdroższy poziom był konieczny. Krótka odpowiedź: zacznij od Terra, proste kroki masowe wysyłaj do Luna, a za Sol płać tylko za zadanie, które Terra już przegapiła. Przy jednej identycznej edycji (40 000 tokenów na wejściu, 3000 na wyjściu) standardowe ceny OpenAI dają 0,0055 USD na Luna, 0,055 USD na Terra i 0,11 USD na Sol.

Co mówi cennik#

Strona z cenami OpenAI (sprawdzona 29 października 2026, poziom standardowy, wejście do 272 tys. tokenów) podaje następujące ceny za 1 mln tokenów:

Wzorzec jest przejrzysty. Sol to dokładnie dwa razy Terra w każdej kolumnie. Luna to jedna dziesiąta Terra na wejściu i wyjściu oraz jedna piąta na wejściu z cache. Drabinka kosztów jest więc stała, a prawdziwe pytanie brzmi, jak często tańszy szczebel wystarcza do wykonania zadania.

Ostatnia kolumna to zwykła arytmetyka. Na Terra: 40 000 × 1,00 / 1 000 000 = 0,04 za wejście i 3000 × 5,00 / 1 000 000 = 0,015 za wyjście, czyli 0,04 + 0,015 = 0,055. Na Sol ta sama suma to 0,08 + 0,03 = 0,11, a na Luna 0,004 + 0,0015 = 0,0055.

Jedna edycja, a potem pięćdziesiąt#

Załóżmy, że robisz 50 takich edycji dziennie: przepisujesz funkcję, naprawiasz testy, które się zepsuły, około 40 000 tokenów plików i instrukcji na wejściu oraz 3000 tokenów patcha i wyjaśnienia na wyjściu. Dzień kosztuje wtedy 50 × 0,055 = 2,75 dolara na Terra, 50 × 0,11 = 5,50 na Sol i 50 × 0,0055 = 0,275 na Luna.

Nikt nie odczuwa 0,11 USD za jedną edycję. Miesiąc na Sol w takim tempie to inna rozmowa i właśnie dlatego poziom wybiera się raz na rodzaj zadania, a nie raz na nastrój.

Oto całe obliczenie w kilku linijkach, które możesz wkleić i uruchomić ponownie z własnymi liczbami tokenów (przykładowe ceny z powyższej tabeli, wstaw aktualne):

PRICES = {  # $ per 1M tokens: (input, output), OpenAI, 29 Oct 2026
    'luna': (0.10, 0.50),
    'terra': (1.00, 5.00),
    'sol': (2.00, 10.00),
}

def cost(tier, tokens_in, tokens_out):
    p_in, p_out = PRICES[tier]
    return (tokens_in * p_in + tokens_out * p_out) / 1_000_000

print(cost('terra', 40_000, 3_000))  # 0.055

Pętle agenta: rachunek to wejście#

Edycja to jedno żądanie. Agent to dwadzieścia takich żądań pod rząd, a każdy krok ponownie odczytuje pliki i dotychczasową historię. Weźmy pętlę 20 kroków, w której każdy krok wysyła około 30 000 tokenów i dostaje około 1000 z powrotem. To 600 000 tokenów na wejściu i 20 000 na wyjściu.

Na Terra: 600 000 × 1,00 / 1 000 000 = 0,60 za wejście i 20 000 × 5,00 / 1 000 000 = 0,10 za wyjście, czyli 0,60 + 0,10 = 0,70 dolara. Sol podwaja to do 1,40, Luna obniża do 0,07. Spójrz na podział: 0,60 z 0,70 USD to to, co wysyłasz, a nie to, co pisze model. To odwrotność tego, jak większość ludzi wyobraża sobie rachunek.

Cache zmienia obraz, jeśli twój prefiks naprawdę się powtarza. Załóżmy, że 25 000 z 30 000 tokenów w każdym kroku to ten sam prefiks i trafia do cache: 100 000 × 1,00 / 1 000 000 = 0,10 świeżego wejścia, 500 000 × 0,05 / 1 000 000 = 0,025 wejścia z cache plus 0,10 wyjścia, więc Terra daje 0,10 + 0,025 + 0,10 = 0,225. Jak to działa, opisano w czym jest prompt caching; dlaczego historia wciąż rośnie, w dlaczego agenci AI zużywają tak wiele tokenów.

Poniższy kalkulator uruchamia tę samą pętlę na modelach CheapTokens. Zmień kroki i tokeny, aby dopasować je do swojego agenta.

Który poziom do jakiego zadania#

Pewien autor kanału na Telegramie, który prowadzi eksperymenty z AI, porównał Terra z Sol i Luna w Codex i opublikował wideo 28 października 2026. Jego wniosek, zawarty we własnym tytule, jest taki, że Terra to poziom średni i nie jest to wadą (wpis). To użyteczna wskazówka: środkowy szczebel jest domyślny, a pozostałe dwa wymagają uzasadnienia.

Uzasadnieniem są zwykle ponowienia. Przy równych liczbach tokenów dwie próby na Terra kosztują 2 × 0,055 = 0,11, czyli tyle co jedna próba na Sol. A dziesięć prób na Luna kosztuje 10 × 0,0055 = 0,055, czyli tyle co jedna próba na Terra. Jeśli więc Sol jest jedynym poziomem, który za pierwszym razem wykonuje pewną klasę zadań, zwraca się na tych zadaniach. Jeśli Luna wykonuje pewną klasę zadań częściej niż raz na dziesięć, jest tańszym sposobem ich wykonania, zanim policzysz czas spędzony na przeglądaniu nieudanych prób.

Wybierz sytuację najbliższą swojej:

Kiedy tańszy model open-weight wystarcza#

Ta sama edycja na trzech poziomach OpenAI obok trzech modeli CheapTokens, z tymi samymi 40 000 tokenów na wejściu i 3000 na wyjściu:

Słupki pokazują cenę, nie wyniki. Czy któryś z tych modeli jest wystarczająco dobry do twoich edycji, sprawdzasz tak samo jak w przypadku Luna: powtarzasz rzeczywiste zadania i czytasz diffy. Jeśli przejdzie, rachunek spada jeszcze bardziej. W przypadku pętli agenta DeepSeek-V4-Flash ma kontekst 380 tys., do 32 768 tokenów w odpowiedzi i jedną cenę o każdej porze dnia. GLM-5.3-Flash ma kontekst 390 tys., a MiniMax-M2.7 180 tys.; wszystkie ceny są na stronie z cenami, a kroki połączenia w dokumentacji.

Powtórz własne zadania#

Tabela podaje koszt. Jakość poznasz w jedno popołudnie: weź dziesięć zadań z ostatniej historii, uruchom każde na Luna, potem na Terra, i połóż diffy obok siebie. Jedyne liczby, których potrzebujesz, są w odpowiedzi, w polu usage, co ułatwia dokładne wycenienie przebiegu. W CheapTokens wygląda to tak:

curl https://api.cheaptokens.dev/v1/chat/completions \
  -H "Authorization: Bearer $CHEAPTOKENS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model": "deepseek-ai/DeepSeek-V4-Flash-0731", "messages": [{"role": "user", "content": "Rename the variable x to retry_count in this function: ..."}]}'

W zwróconym JSON-ie usage.prompt_tokens i usage.completion_tokens to twoje wejście i wyjście dla tego zadania. Wstaw je do pomocnika cost() powyżej, a otrzymasz koszt na zadanie dla dowolnego modelu z ceną. Szczegóły premiery nowego poziomu znajdziesz w cena API GPT-6.1 Terra; podział wejścia i wyjścia w tokeny wejścia vs wyjścia.