GPT-6.1 Terra vs Sol vs Luna para sa coding: gastos kada gawain

Tapos na ang session ng agent mo, maayos ang diff, at ngayon iniisip mo kung kailangan ba talaga ang pinakamahal na tier. Maikling sagot: magsimula sa Terra, ipadala ang bulk na simpleng hakbang sa Luna, at magbayad para sa Sol lamang para sa gawaing nabigo na ang Terra. Sa isang magkaparehong edit (40,000 tokens in, 3,000 out) ang OpenAI standard na presyo ay nagbibigay ng $0.0055 sa Luna, $0.055 sa Terra at $0.11 sa Sol.

Ano ang sinasabi ng price list#

Ang pricing page ng OpenAI (sinuri noong 29 Oktubre 2026, standard tier, input hanggang 272K tokens) ay naglilista ng mga presyong ito kada 1M tokens:

Maayos ang pattern. Ang Sol ay eksaktong doble ng Terra sa bawat column. Ang Luna ay ikasampu ng Terra sa input at output, at ikalima sa cached input. Kaya fixed ang cost ladder, at ang tunay na tanong ay kung gaano kadalas natatapos ng mas murang rung ang trabaho.

Ang huling column ay plain arithmetic. Sa Terra: 40,000 × 1.00 / 1,000,000 = 0.04 para sa input at 3,000 × 5.00 / 1,000,000 = 0.015 para sa output, kaya 0.04 + 0.015 = 0.055. Sa Sol ang parehong sum ay 0.08 + 0.03 = 0.11, sa Luna 0.004 + 0.0015 = 0.0055.

Isang edit, tapos limampu#

Sabihin nating gumagawa ka ng 50 edit na ganito kada araw: i-rewrite ang isang function, ayusin ang mga test na nabasag nito, mga 40,000 tokens ng files at instructions in at 3,000 tokens ng patch at explanation out. Ang isang araw ay nagkakahalaga ng 50 × 0.055 = 2.75 dollars sa Terra, 50 × 0.11 = 5.50 sa Sol at 50 × 0.0055 = 0.275 sa Luna.

Walang nakakaramdam ng $0.11 sa isang edit. Ang isang buwan ng Sol sa ganoong bilis ay ibang usapan, at ito ang dahilan para magdesisyon ng tier isang beses kada uri ng gawain sa halip na isang beses kada mood.

Narito ang buong kalkulasyon bilang ilang linya na maaari mong i-paste at i-rerun gamit ang sarili mong token counts (halimbawang presyo mula sa table sa itaas, ilagay ang kasalukuyan):

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

Agent loops: ang input ang bill#

Ang edit ay isang request. Ang agent ay dalawampu nito nang sunod-sunod, at bawat hakbang ay binabasa muli ang mga file at ang history hanggang ngayon. Kunin ang loop na 20 hakbang kung saan ang bawat hakbang ay nagpapadala ng mga 30,000 tokens at nakakakuha ng mga 1,000 pabalik. Iyon ay 600,000 tokens in at 20,000 out.

Sa Terra: 600,000 × 1.00 / 1,000,000 = 0.60 para sa input at 20,000 × 5.00 / 1,000,000 = 0.10 para sa output, kaya 0.60 + 0.10 = 0.70 dollars. Dinodoble ito ng Sol sa 1.40, binabawasan ito ng Luna sa 0.07. Tingnan ang split: $0.60 ng $0.70 ay ang ipinapadala mo, hindi ang isinusulat ng modelo. Iyon ang kabaligtaran ng kung paano iniisip ng karamihan ang bill.

Binabago ng caching ang picture, kung talagang umuulit ang prefix mo. Ipagpalagay na 25,000 ng 30,000 tokens sa bawat hakbang ay parehong prefix at tumama sa cache: 100,000 × 1.00 / 1,000,000 = 0.10 fresh input, 500,000 × 0.05 / 1,000,000 = 0.025 cached input, plus 0.10 output, kaya ang Terra ay umaabot sa 0.10 + 0.025 + 0.10 = 0.225. Kung paano ito gumagana ay nasa what prompt caching is; kung bakit patuloy na lumalaki ang history ay nasa why AI agents use so many tokens.

Ang calculator sa ibaba ay nagpapatakbo ng parehong loop sa mga modelong CheapTokens. Baguhin ang steps at tokens para tumugma sa agent mo.

Aling tier para sa aling gawain#

Isang Telegram channel author, na nagpapatakbo ng AI experiments, ay inihambing ang Terra sa Sol at Luna sa Codex at nag-publish ng video noong 28 Oktubre 2026. Ang kanyang takeaway, sa sarili niyang title, ay ang Terra ay middle tier at hindi iyon drawback (the post). Ang framing na iyon ay kapaki-pakinabang na pointer: ang middle rung ang default, at ang dalawa pa ay nangangailangan ng dahilan.

Ang dahilan ay kadalasan retries. Sa pantay na token counts, ang dalawang Terra attempts ay nagkakahalaga ng 2 × 0.055 = 0.11, na isang Sol attempt. At ang sampung Luna attempts ay nagkakahalaga ng 10 × 0.0055 = 0.055, na isang Terra attempt. Kaya kung ang Sol ang tanging tier na nakakakuha ng isang klase ng gawain sa unang subok, sulit ito para sa mga gawaing iyon. Kung ang Luna ay nakakakuha ng isang klase ng gawain nang higit sa isang beses sa sampu, ito ang mas murang paraan para makuha ang mga iyon, bago mo bilangin ang oras na ginugol sa pag-review ng mga miss.

Piliin ang sitwasyong pinakamalapit sa iyo:

Kailan sapat ang mas murang open-weight model#

Ang parehong edit sa tatlong OpenAI tiers sa tabi ng tatlong modelong CheapTokens, na may parehong 40,000 tokens in at 3,000 out:

Ang mga bar ay nagpapakita ng presyo, hindi resulta. Kung sapat ba ang isa sa mga modelong ito para sa iyong mga edit ay sinusuri mo sa parehong paraan tulad ng sa Luna: i-replay ang totoong mga gawain at basahin ang mga diff. Kung pumasa, bumababa pa ang bill. Para sa agent loops, ang DeepSeek-V4-Flash ay may 380K context, hanggang 32,768 tokens sa isang sagot at isang presyo sa anumang oras ng araw. Ang GLM-5.3-Flash ay may 390K context at ang MiniMax-M2.7 ay may 180K; lahat ng presyo ay nasa pricing page, at ang mga hakbang sa pagkonekta ay nasa docs.

I-replay ang sarili mong mga gawain#

Ang table ay nagbibigay sa iyo ng gastos. Ang kalidad ay malalaman mo sa isang hapon: kumuha ng sampung gawain mula sa iyong kamakailang history, patakbuhin ang bawat isa sa Luna, tapos sa Terra, at ilagay ang mga diff nang magkatabi. Ang tanging numero na kailangan mo ay nasa response, sa usage field, na nagpapadali sa eksaktong pagpepresyo ng isang run. Sa CheapTokens ganito ang hitsura:

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: ..."}]}'

Sa JSON na bumabalik, ang usage.prompt_tokens at usage.completion_tokens ay ang iyong input at output para sa gawaing iyon. Ipasok ang mga ito sa cost() helper sa itaas, at mayroon ka nang gastos kada gawain para sa anumang model na may presyo. Para sa mga detalye ng paglulunsad ng bagong tier, tingnan ang GPT-6.1 Terra API price; para sa input/output split, input vs output tokens.