Ilang token ang ginagamit ng isang API request? Sinukat sa 3 gawain

Tanungin kung magkano ang isang request sa AI API at karaniwang maririnig mo ang "depende". Totoo iyon, pero hindi ka makakapagplano ng budget nang ganyan. Kaya kumuha kami ng tatlong pang-araw-araw na gawain, ipinadala sa DeepSeek-V4-Flash sa pamamagitan ng CheapTokens API noong 23 Oktubre 2026, at isinulat kung ano ang sinabi ng usage field sa bawat pagkakataon.

Ang maikling bersyon: ang isang mabilis na tanong ay umabot sa 110 tokens, ang isang paragraph summary sa 396, at ang pag-convert ng email sa JSON sa 299. Nasa ibaba ang hitsura ng bawat request, ang bumalik, at ang halaga nito.

Isang mabilis na tanong#

Nagsimula kami sa isang bagay na madalas itanong ng mga tao sa chat assistants: ang pagkakaiba ng git merge at git rebase, sa dalawa o tatlong pangungusap.

Ang tanong ay kumuha ng 23 tokens, ang sagot ay 87. Iyon ang unang dapat mapansin: ang sagot ay halos apat na beses na mas mahaba kaysa sa tanong, at ang output ang mas mahal na bahagi, sa MiniMax-M2.7 ngayon ito ay $0.15 bawat 1M output tokens kumpara sa $0.05 para sa input. Sa mga rate na iyon, ang isang request na ganito ay nagkakahalaga ng $0.000014. Isang libo nito, $0.0142.

Narito ang eksaktong request na iyon, kung gusto mong makita ang mga numero sa sarili mong screen:

curl https://api.cheaptokens.dev/v1/chat/completions \
  -H "Authorization: Bearer $CHEAPTOKENS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "MiniMaxAI/MiniMax-M2.7",
    "messages": [
      {"role": "user", "content": "What is the difference between git merge and git rebase? Answer in two or three sentences."}
    ],
    "max_tokens": 2048,
    "temperature": 0.2
  }'

Ang mga bilang ay nasa usage block sa dulo ng response: ang prompt_tokens ay ang ipinadala mo, ang completion_tokens ay ang isinulat ng modelo, ang total_tokens ay pareho.

Isang summary, at ang mga token na hindi mo binabasa#

Ikalawang gawain: paikliin ang isang maikling incident report sa dalawang pangungusap. Ginagamit ito ng mga team sa isang modelo buong araw: tickets, reports, mahahabang email thread. Narito ang prompt:

Summarize this incident report in two sentences.

On Tuesday between 14:05 and 14:50 UTC the checkout API returned errors for about 6% of requests. The cause was a configuration change deployed at 13:58 that lowered the database connection pool from 50 to 5 connections per instance. Under normal load nobody noticed, but when the afternoon traffic peak arrived, requests queued for a free connection and timed out after 30 seconds. The on-call engineer saw the growing p99 latency at 14:12, found the change in the deploy log at 14:31 and rolled it back at 14:44. To prevent a repeat, the pool size is now validated in CI against a minimum value, and an alert fires when more than 20 requests wait for a connection for two minutes.

At ang sagot:

Noong Martes, isang pagbabago sa configuration na nagpababa sa database connection pool mula 50 hanggang 5 ang nagdulot ng checkout API errors para sa humigit-kumulang 6% ng mga request noong afternoon peak, hanggang sa na-roll back ito noong 14:44. Upang maiwasan ang pag-ulit, ang pool size ay vine-validate na ngayon sa CI at may alert na nagti-trigger kapag lumampas ang connection wait times sa thresholds.

Dalawang pangungusap, 331 characters, at 146 output tokens. Mukhang marami iyon para sa napakaikling teksto, at ipinaliwanag ng response kung bakit: ang usage ay may isa pang field, ang reasoning_tokens: 76. Bago sumagot, gumugol ang modelo ng 76 tokens sa pag-iisip. Bahagi sila ng 146 (250 in + 146 out = 396 sa kabuuan), kaya halos kalahati ng output ay napunta sa reasoning na hindi bahagi ng teksto ng sagot, at sinisingil ito tulad ng anumang output token.

Mabuting malaman kapag nagpaplano ng budget: sa mga gawaing humihinto ang modelo para mag-isip, ang output ay maaaring kapansin-pansing mas malaki kaysa sa tekstong natatanggap mo. Isang libong summary na ganito ang nagkakahalaga ng $0.0344.

Email papasok, malinis na JSON palabas#

Ikatlong gawain: isang order confirmation na kailangang maging database record.

Ibinalik ng modelo ang eksaktong mga key na hiniling namin at wala nang iba, walang "Here is your JSON". Tugma ang total sa email, at ang delivery date ay bumalik bilang 2026-11-03, nasa format na hiniling na namin. 199 tokens in, 100 out.

Ang kapansin-pansin ay ang density: 100 tokens para sa 276 characters ng JSON, habang ang git answer ay kumuha ng 87 tokens para sa 421 characters ng plain text. Ang mga quotes, braces at commas ay tokens din, kaya ang structured output ay mas mahal bawat character kaysa sa prose. Isang libong email na ganito: $0.025.

Lahat ng tatlo nang magkatabi#

Ang mga gastos ay kinakalkula mula sa mga token count na ito sa kasalukuyang presyo ng MiniMax-M2.7, kaya mananatili silang tama kapag nagbago ang presyo.

Panalo ang output sa bawat gawain, kahit sa summary, kung saan mas marami ang ipinadala namin kaysa sa natanggap. Kaya ang pinakamadaling lever sa bill mo ay ang haba ng sagot: ang "in two or three sentences" o "return only JSON" ay may tunay na epekto.

Para sa scale: ang support bot na sumasagot ng 2,000 mabilis na tanong bawat araw, bawat isa tulad ng una, ay gumagastos ng humigit-kumulang $0.852 bawat buwan sa MiniMax-M2.7. Ang isang tunay na chat ay nagre-resend ng history nito sa bawat turn, kaya lumalaki ang input sa bawat mensahe, ngunit para sa one-off na mga tanong iyon na ang buong bill.

Subukan ito sa sarili mong prompts#

Ang iyong mga prompt ay mapupunta sa iba't ibang numero, at isang minuto lang para malaman. Ipinapadala ng script na ito ang bawat prompt, nilalaktawan ang mga sagot na naputol, at ipinapakita ang mga token at ang gastos ng 1,000 requests:

import os
from openai import OpenAI

client = OpenAI(base_url="https://api.cheaptokens.dev/v1", api_key=os.environ["CHEAPTOKENS_API_KEY"])

MODEL = "MiniMaxAI/MiniMax-M2.7"
PRICE_IN, PRICE_OUT = 1.00, 4.00  # USD per 1M tokens: example values, use the current ones from the price list

PROMPTS = [
    "What is the difference between git merge and git rebase? Answer in two or three sentences.",
    # add your own prompts here
]

for prompt in PROMPTS:
    r = client.chat.completions.create(
        model=MODEL,
        messages=[{"role": "user", "content": prompt}],
        max_tokens=2048,
        temperature=0.2,
    )
    if r.choices[0].finish_reason != "stop":
        print("cut off at max_tokens, raise the limit:", prompt[:40])
        continue
    tin, tout = r.usage.prompt_tokens, r.usage.completion_tokens
    per_1000 = (tin * PRICE_IN + tout * PRICE_OUT) * 1000 / 1_000_000
    print(f"{tin} in, {tout} out, 1,000 requests = ${per_1000:.4f} | {prompt[:40]}")

Ilagay ang kasalukuyang presyo sa PRICE_IN at PRICE_OUT: para sa MiniMax-M2.7 iyon ay $0.05 bawat 1M input tokens at $0.15 bawat 1M output tokens. Ang unang prompt ay ang mula sa aming test; bahagyang nagkakaiba ang token counts sa pagitan ng mga modelo, kaya asahan ang mga numero sa parehong saklaw ng 23 in at 87 out. Kakailanganin mo ang openai package (pip install openai) at ang iyong key sa CHEAPTOKENS_API_KEY.

Kung may kakaibang numero: ang finish_reason: length ay nangangahulugang naabot ng sagot ang max_tokens (bakit napuputol ang mga sagot sa gitna ng pangungusap); ang malaking reasoning_tokens ay nagpapaliwanag ng output na mas malaki kaysa sa teksto; at ang buong formula para sa input at output prices ay nasa input vs output tokens.

Saan magsisimula#

Sa kabuuan, kasama ang input at output, ang MiniMax-M2.7 sa CheapTokens ay mas mura kaysa sa reference price ng OpenRouter para sa lahat ng tatlong gawain sa itaas. Mayroon itong 180K context, sagot na hanggang 8,192 tokens at isang presyo sa anumang oras. Mag-top up ng balance, gumawa ng key at ipadala ang curl request mula sa itaas ng pahinang ito: ang docs ay sumasaklaw sa key at base URL, ang DeepSeek page ay may model catalog, at ang pricing ay may live na price list.