Бюджет довгого агентського проєкту: обчислення проти токенів (кейс RSA-260)

Ця цифра ~$400k з факторизації RSA-260 від Cognition — це оренда GPU, а не рахунок за модель. У звіті взагалі не оцінюється агентська частина, тож якщо ви плануєте довгий агентський проєкт, ви самі оцінюєте рядок токенів: сесії × кроки × токени на крок, за живими цінами. Саме це робить решта цієї сторінки.

Джерело — стаття Cognition від Eric Lu, інженера Cognition (Factoring RSA-260, опублікована 9 вересня 2026, перевірена 6 листопада 2026). Її поширюють із доларовою цифрою в заголовку, і цю цифру легко прочитати неправильно.

За що насправді платять $400k#

Автор факторизував 260-значне число методом GNFS, використовуючи сильно модифікований CADO-NFS, що працює на GPU. У звіті наведено час GPU для кожної фази:

• вибір полінома: 643 GPU-дні
• просіювання: 3 813 GPU-днів
• розв'язування лінійної системи: 467 GPU-днів

Разом 643 + 3 813 + 467 = 4 923 GPU-дні, що у звіті округлено до ~4 900. За припущеною у звіті ціною $3.50 за GPU-годину:

4 923 × 24 × 3.50 = 413 532

Це збігається з цифрою $414k для GPU у додатку. Отже, заголовок — це орендоване обладнання, яке тижнями виконує обчислювальну роботу. Жодних токенів моделі в цій сумі немає.

Що робили агенти і про що звіт мовчить#

Агентська частина описана діяльністю, а не вартістю. Перший запит надіслано 13 серпня 2026, робота тривала близько трьох тижнів, а цифри такі:

• 233 сесії Devin для факторизації, у середньому 3 працювали паралельно, 18 на піку
• 192 з них отримали повідомлення від автора, 36 працювали без жодного втручання людини
• 101 дочірню сесію запущено іншими сесіями
• Власний облік Devin: 14 450 ACU (це одиниця Devin, а не токени)

Сесії займалися вимірюваннями, операціями з кластером, налаштуванням і налагодженням. Людина встановлювала пріоритети й будувала бенчмарки. Дві чесні деталі від автора: декомпозицію навколо CADO-NFS спроєктувала людина, і вона була критично важливою, а агенти тим більше заплутувалися, чим далі код відходив від upstream.

Бракує саме того, що потрібно для бюджету: які моделі, скільки токенів. Тож не намагайтеся вивести рахунок за токени з 14 450 ACU. Будь-що в інтернеті, що це робить, — це здогадка.

Третій рядок: людське керування#

Автор надіслав 3 328 повідомлень, загалом 82 702 слова. Це 82 702 ÷ 3 328 ≈ 25 слів на повідомлення — короткі підказки, а не есе. Ці слова майже нічого не коштують у токенах. Вони коштують уваги: хтось має читати, що зробили агенти, і вирішувати, що далі. Коли ви бюджетуєте агентський проєкт, виносьте це в окремий рядок у годинах, а не в доларах за використання API.

Отже, довгий агентський проєкт має три рядки:

Оцініть свій рядок токенів#

Ось формула і те, що люди забувають: кожен крок повторно надсилає історію. Агент не пам'ятає сесію; кожен виклик несе завдання, файли, які він прочитав, і вивід інструментів на цей момент. Саме тому вхідні токени зазвичай значно перевищують вихідні (докладніше в чому AI-агенти використовують так багато токенів).

Припустімо, ви плануєте проєкт розміром як у Cognition, 233 сесії, і припускаєте 60 кроків на сесію. Ці два числа — припущення цієї сторінки, а не дані Cognition. Тоді:

233 × 60 = 13 980

це 13 980 викликів моделі. Тепер розмір одного виклику. Припустімо, середній крок надсилає 60 000 токенів на вході (завдання, історія, файл-два) і отримує 1 500 токенів назад (команда або патч). Підсумки:

60 000 × 13 980 = 838 800 000

1 500 × 13 980 = 20 970 000

Отже, близько 839 млн вхідних токенів і 21 млн вихідних. Вхід у сорок разів більший за вихід, і саме там живе ваш бюджет. На DeepSeek-V4-Flash цей проєкт коштує $14.68, а одна сесія з 60 кроків — $0.063. Ось те саме навантаження на кожній моделі, поруч із довідкою OpenRouter:

Якщо рахувати загалом, разом вхід і вихід, кожна з наших моделей для цього навантаження виходить дешевшою за OpenRouter. Ціни живі з сторінки цін, тож таблиця змінюється разом із тарифами.

Отримайте власні цифри за десять хвилин#

Припущення — лише відправна точка. Запустіть одну реальну сесію вашого завдання на дешевій моделі й прочитайте об'єкт usage, який API повертає в кожній відповіді. OpenAI-сумісні ендпоінти повідомляють prompt_tokens і completion_tokens на кожен виклик:

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", "max_tokens": 1500, "messages": [{"role": "user", "content": "Summarize this test failure and propose a fix: ..."}]}'

Підсумуйте usage за всю сесію, поділіть на кількість викликів і замініть 60 000 і 1 500 вище на свої середні. Деталі налаштування — у документації CheapTokens; відстеження по кроках у коді — у відстеженні вартості токенів AI-агента в Python. Для тієї ж арифметики на одній сесії з 50 кроків дивіться вартість агентської сесії на GLM, DeepSeek або MiniMax.

Для довгих циклів DeepSeek-V4-Flash має вікно контексту 380K і до 32 768 вихідних токенів на відповідь, з однією ціною в будь-яку годину. GLM-5.3-Flash має вікно 390K, а MiniMax-M2.7 — 180K, тож перевірте, що ваш найбільший запит уміщується.

Звужте завдання, перш ніж підвищувати бюджет#

У звіті є ще один урок, що пасує до бюджету: чим далі код відходив від upstream, тим більше заплутувалися агенти. Заплутані агенти роблять більше кроків. Якщо ваша оцінка виглядає зависокою, спершу скоротіть кроки на сесію: чіткіший бриф, менша ділянка коду, фіксовані кроки, винесені в скрипти (див. чи потрібна агентам модель на кожному кроці). Зменшення кроків удвічі зменшує рядок токенів удвічі; це найлегший важіль, який у вас є.