למה טוקנים של פלט ב-Claude יקרים פי 5 מטוקנים של קלט?
טוקני פלט ב-Claude יקרים פי חמישה מטוקני קלט בשל אופי פעולת ה-Decoding. המאמר מסביר את ההבדל הטכני בין שלבי ה-Prefill ל-Decoding וכיצד הם משפיעים על עלות השימוש החודשית.
מדוע אסימוני פלט יקרים יותר מאסימוני קלט
עלות אסימוני פלט (output tokens) גבוהה פי חמישה מעלות אסימוני קלט (input tokens) בכל דגמי Claude בקטלוג הנוכחי. הסיבה לכך נעוצה במבנה החישוב. קריאת prompt היא מעבר יחיד על המודל. כתיבת תשובה היא מעבר אחד לכל אסימון, וכל מעבר חייב להמתין לסיום זה שקדם לו.
יחס זה זהה בכל שורה במחירון, לכן בחירת המודל אינה משנה את החלק של אסימוני הפלט בחשבונית שלכם. אופי עומס העבודה שלכם הוא שקובע זאת. שלב של סוכן (agent) שקורא 60,000 אסימונים ועונה ב-800 כמעט אינו מוציא דבר על פלט. משימת ניסוח שקוראת 2,000 אסימונים וכותבת 12,000 כמעט אינה מוציאה דבר על קלט. שני המקרים מחושבים להלן לפי התעריפים שפרסמה Anthropic, נכון ל-27 באוקטובר 2026.
שלב ה-Prefill מתבצע פעם אחת, שלב ה-Decoding מתבצע פעם אחת לכל טוקן
שרת הסקה (inference server) מטפל בבקשה בשני שלבים בעלי עלויות שונות בתכלית. שלב ה-Prefill קורא את ה-prompt. שלב ה-Decoding כותב את התשובה.
שלב ה-Prefill מעבד את כל ה-prompt בבת אחת. כל טוקן ב-prompt נכנס לרשת ב-forward pass יחיד, כך שהעבודה על ה-attention וה-feed-forward הופכת למספר קטן של כפל מטריצות גדול המכסה אלפי טוקנים בכל פעם. קריאה אחת של משקולות המודל מהזיכרון משרתת את כל ה-prompt. יחידות המטריצה של המאיץ נשארות עמוסות, מה שאומר ש-Prefill הוא בדרך כלל מוגבל-חישוב (compute-bound): המגבלה היא המהירות שבה השבב מסוגל לבצע כפל. התיעוד של NVIDIA בנושא הגשה (serving) מציין את החריגים: prefills קצרים מאוד, או כאלו שבהם קיים prefix ארוך שכבר נמצא ב-cache, הופכים למוגבלי-זיכרון (memory-bound).
תהליך Decoding רגיל אינו יכול לעבוד כך, כיוון שטוקן 2 תלוי בטוקן 1. הטוקן שהמודל הרגע הפיק הופך לחלק מהקלט לשלב הבא, ולכן השלבים רצים בזה אחר זה. כל טוקן פלט מקבל forward pass משלו, וכל אחד מהמעברים הללו קורא את מלוא סט משקולות המודל, בתוספת ה-KV cache (מטמון מפתחות/ערכים, מצב ה-attention שנשמר עבור כל טוקן עד כה), מתוך זיכרון בעל רוחב פס גבוה כדי להפיק טוקן בודד. זה הופך את ה-Decoding בדרך כלל למוגבל-זיכרון: המגבלה היא המהירות שבה ניתן להעביר משקולות ומצב שמור, ולא המהירות שבה ניתן לבצע כפל. בהקשרים ארוכים, NVIDIA מצביעה על קריאות ה-KV cache כצוואר הבקבוק. אותה תעבורת משקולות שצרכה prompt שלם במהלך ה-Prefill, קונה לכם טוקן אחד במהלך ה-Decoding.
שיטת Speculative decoding משנה את הכלל הזה מבלי לשבור אותו. מודל טיוטה קטן מנחש כמה טוקנים קדימה, והמודל הגדול בודק את כולם במקביל במעבר יחיד, מה שלדברי NVIDIA יכול להסיט את ה-Decoding לכיוון של מוגבל-חישוב. המודל הגדול עדיין מקבל את הניחושים לפי הסדר ועוצר בטוקן השגוי הראשון, כך שתשובה ארוכה עדיין דורשת מעברים רבים.
מערכות הגשה נלחמות בזה באמצעות batching. בקשות רבות עוברות Decoding יחד, כך שקריאה אחת של המשקולות מפיקה טוקן אחד עבור כל בקשה ב-batch. זו הסיבה שה-Decoding הוא בכלל בר-ביצוע. התקרה היא שוב הזיכרון. כל בקשה פעילה מחזיקה KV cache משלה, המטמון הזה גדל עם כל טוקן שנוצר, וכאשר הוא ממלא את המאיץ, ה-batch אינו יכול לגדול יותר.
שום דבר מזה לא נותן לכם מספר מדויק, ואל לכם לפרש את 5x כיחס חומרה שנמדד. זהו מחיר, שנקבע על ידי Anthropic, בהתבסס על אותה אסימטריה. מה שאתם יכולים לבדוק בעצמכם הוא הכיוון, וזה לוקח בערך דקה.
מדדו בעצמכם את הפער בין הקלט לפלט
התקינו את הכלים על כל מכונת Ubuntu:
sudo apt update && sudo apt install -y curl jq moreutilsכעת הזרימו (stream) הנחיה קצרה המבקשת תשובה ארוכה, והוסיפו חותמת זמן לכל שורה המציינת מתי הגיעה.
curl -sN https://api.anthropic.com/v1/messages \
-H "x-api-key: $ANTHROPIC_API_KEY" \
-H "anthropic-version: 2023-06-01" \
-H "content-type: application/json" \
-d '{"model":"claude-sonnet-5","max_tokens":1000,"stream":true,
"messages":[{"role":"user","content":"Count from 1 to 300, one number per line."}]}' \
| ts -s '%.s'הפקודה ts -s מוסיפה לכל שורה את מספר השניות שחלפו מאז תחילת הרצת הפקודה. ישנם שני נתונים שכדאי להפיק מהפלט הזה. השורה הראשונה של content_block_delta היא הזמן עד לקבלת ה־token הראשון, ובתוכה נכלל כל תהליך ה־prefill. כל שורה לאחר מכן מייצגת צעד קטן של פענוח (decoding), והחותמות ממשיכות לעלות עד להגעת message_stop.
כעת הפכו את התבנית. הזינו מסמך ארוך בהנחיה והגבילו את התשובה למספר קטן של tokens.
curl -sN https://api.anthropic.com/v1/messages \
-H "x-api-key: $ANTHROPIC_API_KEY" \
-H "anthropic-version: 2023-06-01" \
-H "content-type: application/json" \
-d "$(jq -n --rawfile doc ./long-document.txt \
'{model:"claude-sonnet-5", max_tokens:16, stream:true,
messages:[{role:"user", content:("Answer in one word. Is this document about networking?\n\n" + $doc)}]}')" \
| ts -s '%.s'ה־delta הראשון לוקח זמן רב יותר מאשר בהנחיה הקצרה, כיוון שלתהליך ה־prefill יש הרבה יותר טקסט לקרוא. לאחר הגעתו, התגובה מסתיימת כמעט מיד, כיוון שנותרו רק tokens בודדים לפענוח. עשרות אלפי tokens נכנסו והשעון בקושי זז. כמה מאות יצאו והשעון רץ לאורך כל הזמן.
כל תגובה שאינה מוזרמת (non-streaming) מסתיימת במספרים שלפיהם אתם מחויבים בתשלום.
{
"usage": {
"input_tokens": 41283,
"output_tokens": 6,
"cache_creation_input_tokens": 0,
"cache_read_input_tokens": 0
}
}תעדו את כל ארבעת השדות עבור כל בקשה. output_tokens כולל tokens של חשיבה, לכן מודל שחושב לפני שהוא עונה מחייב על חשיבה זו לפי תעריף ה־output. כדי לתמחר הנחיה לפני השליחה, POST /v1/messages/count_tokens מקבל את אותו גוף בקשה עבור רוב הבקשות, מחזיר את {"input_tokens": N} כהערכה מבלי להריץ את המודל, והוא חינמי, במסגרת מגבלת ה־rate limit שלו. הוא דוחה כמה גופי בקשות ש־Messages API מקבל: רוב כלי השרת כגון חיפוש ברשת, מחבר ה־MCP, ובלוקים של תמונה או מסמך עם מקור url או file; לכן, שלחו תמונות וקבצי PDF כ־base64 בעת ספירתם. זהו אינו החלק היחיד ב־API שאינו עולה דבר, וכדאי לבדוק אילו חלקים ב־Claude API אינם מחויבים בתשלום לעולם לפני שמתקצבים פרויקט ראשון.
מהם התעריפים של Claude למיליון טוקנים נכון לאוקטובר 2026
הנתונים שמאחורי התרשים
[
{
"label": "Haiku 4.5",
"input_usd": 1,
"output_usd": 5,
"output_multiple": 5
},
{
"label": "Sonnet 5",
"input_usd": 2,
"output_usd": 10,
"output_multiple": 5
},
{
"label": "Opus 5",
"input_usd": 5,
"output_usd": 25,
"output_multiple": 5
},
{
"label": "Fable 5",
"input_usd": 10,
"output_usd": 50,
"output_multiple": 5
}
]העמודה האחרונה מציגה את יחס הפלט לקלט, והיא מציגה 5 בכל שורה. עבור Haiku 4.5 החיוב הוא $1 לקלט ו-$5 לפלט. עבור Opus 5 החיוב הוא $5 ו-$25. המודל היקר ביותר, Fable 5, מחויב ב-$10 ו-$50, ומומלץ לקרוא מה מקבלים תמורת התעריפים של Fable 5 לפני שפוסלים את השורה הראשונה. מעבר למודל יקר יותר מכפיל את שני הצדדים באותו גורם, כך שהסכום הכולל משתנה אך היחס בין הקלט לפלט נשאר זהה.
Sonnet 5 מחויב ב-$2 לקלט ו-$10 לפלט. Anthropic השיקה את המודל בתעריף זה כמחיר היכרות עד 31 באוגוסט 2026, עם עלייה מתוכננת ל-$3 ו-$15 החל מה-1 בספטמבר, אך לבסוף קבעה את המחיר הסטנדרטי על $2 ו-$10. העלייה מעולם לא נכנסה לתוקף, לכן התעריף בכל הדוגמאות להלן הוא המחיר שאתם משלמים כיום.
מאז פרסום דף זה, Anthropic שחררה מודלים חדשים יותר, ודף claude.com/pricing מציג כעת את ארבעת המודלים לעיל כמודלים מדור קודם שעדיין זמינים. המודלים החדשים שומרים על אותו יחס של 5x. עבור Opus 5.5 החיוב הוא $4 ו-$20, עבור Sonnet 5.5 החיוב הוא $2 ו-$10, עבור Fable 5.1 החיוב הוא $10 ו-$50, ועבור Haiku 5.5 החיוב הוא $0.10 ו-$0.50 עבור פרומפטים של עד 100,000 טוקנים, ועולה ל-$0.50 ו-$2.50 מעבר לכך. עלות שלב הסוכן של 60,000 טוקנים המופיעה בהמשך נמצאת מתחת לרף זה, אך סוכן שההיסטוריה שלו ממשיכה לגדול יחצה אותו בסופו של דבר, והמאמר כיצד שני תעריפי המחיר של Haiku 5.5 משפיעים על משימות אמיתיות מראה את ההשפעה של קפיצה זו על החשבונית. תעריפי הבסיס של Opus 5.5 לקלט ופלט נמוכים ב-20% מאלו של Opus 5, לכן כל נתון של Opus 5 ללא Cache המופיע להלן נמוך ב-20% ב-Opus 5.5. נתוני Cache נמוכים אף יותר, כיוון ש-Opus 5.5 קורא פגיעות Cache ב-$0.20 למיליון טוקנים לעומת $0.50 ב-Opus 5, הפחתה של 60%. שלב הסוכן ב-Cache שעולה $0.0725 ב-Opus 5 עולה בהמשך כ-$0.047 ב-Opus 5.5, ירידה של כ-35%.
תעריפים משתנים, ודף זה אינו המקום לבדוק אותם. claude.com/pricing הוא המקור המוסמך. מה ששורד שינויי מחיר הוא המתודולוגיה.
הסתייגות אחת מופיעה בהערות תחת טבלת המחירים של Anthropic ולא בתעריפים עצמם. דף התמחור של Anthropic מציין כי Claude 4.7 ומודלים מאוחרים יותר משתמשים ב-Tokenizer חדש יותר, המייצר כ-30% יותר טוקנים עבור אותו טקסט בהשוואה ל-Tokenizer ב-Sonnet 4.6 ומודלים מוקדמים יותר. השוואת שני מודלים על בסיס מחיר למיליון טוקנים בלבד תציג את המודל החדש באור מחמיא מדי, כיוון שאותו מסמך מכיל בו יותר טוקנים. בצעו השוואה לפי עלות למשימה מוגמרת, וחשבו את הפרומפטים האמיתיים שלכם מול המודל שאתם מתכננים להשתמש בו בפועל. אותו מלכוד קיים בין ספקים שונים, שכן ה-Tokenizers שלהם שונים זה מזה, לכן חישוב עלות משימה אמיתית ב-Claude וב-ChatGPT יספק לכם מידע רב יותר מאשר השוואת כרטיסי תעריפים זה לצד זה. המאמר מה שווה מיליון טוקנים של Claude בטקסט אמיתי מסביר כיצד נפח זה נראה בפועל.
מתי ה-output מתחיל להוות את עיקר העלות בחשבונית שלכם?
כאשר ה-output מתומחר פי 5 מה-input, קל לחשב את נקודת האיזון בראש. נסמן את טוקני ה-input ב-I ואת טוקני ה-output ב-O. עלות ה-input היא I. עלות ה-output היא פי 5 מ-O. ה-output מהווה יותר ממחצית ההוצאה כאשר 5 פעמים O גדול מ-I, כלומר יחס של 5 טוקני input על כל 1 טוקן output.
לכן, אם ה-prompt שלכם ארוך פי יותר מ-5 מהתשובה, ה-input הוא סעיף ההוצאה המשמעותי יותר. מתחת ליחס זה, ה-output הוא הסעיף המשמעותי.
הנתונים שמאחורי התרשים
[
{
"label": "100:1",
"input_share_pct": 95.2,
"output_share_pct": 4.8
},
{
"label": "75:1",
"input_share_pct": 93.75,
"output_share_pct": 6.25
},
{
"label": "20:1",
"input_share_pct": 80,
"output_share_pct": 20
},
{
"label": "10:1",
"input_share_pct": 66.7,
"output_share_pct": 33.3
},
{
"label": "5:1",
"input_share_pct": 50,
"output_share_pct": 50
},
{
"label": "1:1",
"input_share_pct": 16.7,
"output_share_pct": 83.3
},
{
"label": "1:6",
"input_share_pct": 3.2,
"output_share_pct": 96.8
}
]ביחס של 100 ל-1, ה-output מהווה 4.8% מההוצאה, וצמצום ה-prompt הוא הפעולה היחידה ששווה להשקיע בה. ביחס של 5 ל-1 שני הצדדים שווים. ביחס של 1 ל-6, ה-output מהווה 96.8% וה-prompt הוא טעות עיגול בלבד. רוב האנשים מעריכים לא נכון את היחס שלהם, לכן כדאי להפיק נתונים מה-logs לפני שמתחילים לבצע אופטימיזציה כלשהי.
עומס עבודה של סוכן: קלט ארוך, פלט קצר
בצעו צעד אחד של סוכן אחזור: 60,000 אסימוני קלט של מסמכים שאוחזרו והיסטוריית שיחה, ותשובה בת 800 אסימונים. זהו יחס של 75 ל־1, והוא רגיל בכל מערכת שקוראת לפני שהיא כותבת.
הנתונים שמאחורי התרשים
[
{
"label": "Haiku 4.5",
"input_cost": 0.06,
"output_cost": 0.004,
"total_cost": 0.064
},
{
"label": "Sonnet 5",
"input_cost": 0.12,
"output_cost": 0.008,
"total_cost": 0.128
},
{
"label": "Opus 5",
"input_cost": 0.3,
"output_cost": 0.02,
"total_cost": 0.32
},
{
"label": "Fable 5",
"input_cost": 0.6,
"output_cost": 0.04,
"total_cost": 0.64
}
]הפלט הוא 6.25% מהעלות של הקריאה הזו בכל מודל, משום שהיחס קבוע בכל המחירון. עלות הקריאה היא $0.32$ ב־Opus 5, $0.128$ ב־Sonnet 5, ו־$0.064$ ב־Haiku 4.5. ביצוע 200 צעדים כאלה ביום ב־Opus 5 עולה $64 ליום.
המנוף ברור ברגע שרואים את החלוקה. קיצור התשובה מ־800 אסימונים ל־400 חוסך כ־3% מעלות הקריאה. הסרת 20,000 אסימונים של הקשר מיושן מה־prompt חוסכת כשליש מהעלות. הידוק אורך הפלט בסוכן שמבצע בעיקר קריאה הוא כמעט מאמץ מבוזבז. לאן הולכים בפועל האסימונים של סוכן קידוד מפרט מה ממלא את ה־prompt מלכתחילה.
עומס עבודה של יצירה: הנחיה קצרה, טיוטה ארוכה
כעת נהפוך את היחס. תדריך של 2,000 אסימונים, טיוטה של 12,000 אסימונים, יחס של 1 ל-6.
הנתונים שמאחורי התרשים
[
{
"label": "Haiku 4.5",
"input_cost": 0.002,
"output_cost": 0.06,
"total_cost": 0.062,
"batch_total_cost": 0.031
},
{
"label": "Sonnet 5",
"input_cost": 0.004,
"output_cost": 0.12,
"total_cost": 0.124,
"batch_total_cost": 0.062
},
{
"label": "Opus 5",
"input_cost": 0.01,
"output_cost": 0.3,
"total_cost": 0.31,
"batch_total_cost": 0.155
},
{
"label": "Fable 5",
"input_cost": 0.02,
"output_cost": 0.6,
"total_cost": 0.62,
"batch_total_cost": 0.31
}
]הפלט מהווה 96.8% מחשבון זה. Opus 5 עולה $0.31 לטיוטה, לעומת $0.062 ב-Haiku 4.5. פער של פי חמישה זה נובע כמעט כולו מצד הפלט, וזהו בדיוק המקום שבו מודל זול יותר חוסך לכם הכי הרבה.
העמודה האחרונה מציגה את אותה משימה דרך ה-Batch API, המעניק הנחה של 50% על קלט ופלט. העלות של Opus 5 יורדת ל-$0.155 לטיוטה. עיבוד ב-Batch הוא אסינכרוני ולא מיידי. לפי Anthropic, רוב ה-batches מסתיימים תוך פחות משעה, אך batch שעדיין מעובד לאחר 24 שעות יפוג, וכל בקשה שהמערכת טרם הגיעה אליה באותו זמן תחזור כפגה, ללא חיוב וללא הודעה. לכן, שיטה זו מתאימה ליצירת דוחות ליליים וסיווג בכמויות גדולות, עם שלב הגשה מחדש לכל מה שפג תוקפו. היא אינה מתאימה למשימות שבהן אדם ממתין לתוצאה בזמן אמת.
ניתוב מודלים משתלם כאן באופן שאינו קיים בשלב ה-agent. אם החלק המילולי של המשימה הוא מכני, כמו עיצוב מחדש של טקסט או הרחבת ראשי פרקים שכבר אישרתם, המודל הזול מייצר את האסימונים הללו בחמישית מהמחיר. בחירה בין Opus, Sonnet ו-Haiku מפרט היכן עובר בפועל קו האיכות.
הנחות על Caching חלות על קלט בלבד
מנגנון ה-Prompt caching שומר קידומת של ה-prompt בשרת ומחייב בתעריף חלקי של עלות הקלט עבור קריאה חוזרת שלו. נכון ל-27 באוקטובר 2026, המכפילים הם 1.25x מתעריף הקלט הבסיסי לכתיבת cache ל-5 דקות, 2x לכתיבת cache לשעה, ו-0.1x עבור קריאת hit במודלים המופיעים בדף זה. המודלים החדשים ביותר קוראים hits בעלות נמוכה יותר: 0.05x ב-Opus 5.5 ו-Sonnet 5.5, ו-0.025x ב-Fable 5.1.
פלט אינו כלול בהסדר זה. אין cache לפלט. כל token שהמודל כותב מחויב בתעריף הפלט המלא, בכל פעם, ללא קשר לכמות ה-prompt שחזרה כ-cache hit.
נבחן את אותו צעד של סוכן (agent) ב-Opus 5, כאשר 55,000 מתוך 60,000 tokens של קלט מוגשים מתוך cache פעיל.
הנתונים שמאחורי התרשים
[
{
"label": "No cache",
"input_cost": 0.3,
"output_cost": 0.02,
"total_cost": 0.32
},
{
"label": "55k prefix cache read",
"input_cost": 0.0525,
"output_cost": 0.02,
"total_cost": 0.0725
}
]העלות של הקריאה יורדת מ-$0.32 ל-$0.0725. שורת הפלט אינה משתנה: $0.02 לפני, ו-$0.02 אחרי. ה-Caching מקטין את החשבונית ומשנה את הרכבה. הפלט היווה 6.25% מאותה קריאה. כעת הוא מהווה יותר מרבע ממנה, מה שמשנה את סדרי העדיפויות לביצוע אופטימיזציה בהמשך.
הקריאה הראשונה משלמת על הכתיבה. כתיבת cache ל-5 דקות עולה 1.25x מקלט בסיסי, לכן היא מחזירה את עלותה לאחר hit אחד בלבד. כתיבה לשעה עולה 2x, לכן היא דורשת שני hits. מכפילי הכתיבה והקריאה, והנקודה שבה ה-caching מפסיק להיות משתלם מפרט את החישובים הללו.
ארבעה מנופים בשליטתך
- הגדר את
max_tokensלפי אורך הפלט ב-p95, ולא לפי המקסימום של המודל. - נתב שלבים מפורטים למודל זול יותר.
- בצע Batch לכל מה שאף אחד לא ממתין לו.
- מחק הנחיות שמנפחות את התשובות.
max_tokens הוא תקרה קשיחה, והגדרתו על ערך גבוה אינה עולה דבר כשלעצמה, שכן החיוב מתבצע לפי טוקנים שהופקו ולא לפי התקרה. מה שקאפ נדיב עושה הוא להסיר את המגבלה מתשובה שמשתבשת. חלץ את התפלגות ה-output_tokens מהלוגים שלך, הגדר את הקאפ מעט מעל האחוזון ה-95, וטפל ב-stop_reason: "max_tokens" בקוד על ידי המשך התגובה או ניסיון חוזר. קיטוע שאתה מזהה עולה פחות מאשר פטפטת של 4,000 טוקנים שאתה משלם עליה וזורק. תהליך החשיבה (Thinking) נכנס גם הוא ל-output_tokens ונספר כחלק מ-max_tokens, לכן קבע את גודל הקאפ לפי אותן ראיות, ובמודלים עם חשיבה אדפטיבית, הנמך את רמת המאמץ אם החשיבה ממשיכה לנגוס בתשובה.
ניתוב עובד כאשר החלק היקר בשלב הוא הנפח ולא שיקול הדעת. השאר את המודל החזק על ההחלטה, והעבר את הכתיבה למודל זול יותר. מדוד את הגרסה המנותבת על סט הבדיקות שלך תחילה, כי המספר שקובע הוא עלות למשימה שהושלמה. בשלב הסוכן לעיל, שני ניסיונות של Haiku 4.5 עולים $0.128 לעומת $0.32 לניסיון אחד של Opus 5, כך שפער המחיר סופג ניסיון חוזר או שניים. מה שהוא לא סופג הוא תשובה שגויה שאף אחד לא תופס.
Batching הוא המנוף היחיד שנותן הנחה על פלט. 50% הנחה על שני הצדדים, רוב ה-Batches מסתיימים תוך שעה, וכל מה שעל בסיס לוח זמנים זכאי לכך, בתנאי שהמשימה מגישה מחדש כל מה שפג תוקפו בסימן ה-24 שעות.
המנוף האחרון הוא זה שאנשים מדלגים עליו. ביטויים כמו "be thorough" ו-"explain your reasoning" קובעים את אורך הפלט שלך בכל קריאה שתבצע אי פעם. החלף אותם בצורה שאתה רוצה: "Answer in at most three sentences", או "Return only the JSON object, with no preamble". פרומפט מערכת שמוסיף 300 טוקנים לכל תשובה עולה פי חמישה מאותם 300 טוקנים בפרומפט עצמו. שמירה על עלויות של סוכן פעיל תחת שליטה מכסה את צד הניטור, וכדאי להכריע ב-האם ה-API או מנוי קבוע זולים יותר עבור דפוס העבודה שלך לפני שתבלה שבוע בכוונון הוצאות לפי טוקן שמנוי היה סופג. עבור מפתח בודד זה מסתכם בעיקר בשאלה האם ה-$20 לחודש של Claude Pro ומגבלות השימוש הנלוות אליו מכסים את העבודה שהיית מודד אחרת. אם אתה כבר מגיע למגבלות האלה באמצע סשן, הבנה על איזה חלון אתה ממתין קודמת לכל, כי הפתרון משם הוא מודל קטן יותר, הקשר קל יותר, קרדיטים נוספים לשימוש, או העברת העבודה ל-API המדוד. אם ה-API המדוד מתברר כבית זול יותר לעבודה זו, מעבר לתוכנית קטנה יותר או ביטולה משאיר את החודש שכבר שילמת עליו שלם, כך שהמעבר לא עולה לך דבר בדרך החוצה. אם התוכנית שאתה שוקל מול Pro היא זו של ChatGPT ולא ה-API המדוד, שני מסלולי המנויים זה לצד זה מראים איזה מהם יוצא זול יותר לעבודת תכנות. אם השאלה נשאלת עבור צוות ולא עבור מפתח בודד, שים לב ש-Claude Enterprise משלב דמי מנוי לכל משתמש עם טוקנים הנמדדים לפי אותם תעריפי API, כך שכל מנוף בדף זה עדיין חל על החלק המדוד של החשבונית הזו.
FAQ
מדוע אסימוני פלט (output tokens) יקרים יותר מאסימוני קלט (input tokens)?
יצירתם דורשת זמן רב יותר של מאיץ לכל אסימון. הנחיה (prompt) מעובדת במעבר קדימה (forward pass) אחד על פני כל אורכה, כך שקריאה בודדת של משקלי המודל מכסה אלפי אסימונים, והחומרה מוגבלת בדרך כלל על ידי תפוקת הכפל. בפענוח רגיל, תשובה מופקת אסימון אחר אסימון, כאשר כל אסימון דורש מעבר קדימה משלו שקורא שוב את משקלי המודל ואת ה-KV cache ההולך וגדל, ולכן החומרה מוגבלת בדרך כלל על ידי רוחב פס של זיכרון. טכניקות כגון פענוח ספקולטיבי (speculative decoding) מצמצמות את הפער הזה מבלי לבטל אותו. Anthropic מתמחרת פלט בפי 5 מהקלט לאורך כל הקטלוג הנוכחי, מ-Haiku 5.5 ועד Fable 5.1.
האם מטמון הנחיות (prompt caching) מוזיל את אסימוני הפלט?
לא. מטמון הנחיות חל על קלט בלבד. נכון ל-27 באוקטובר 2026, קריאה מהמטמון עולה פי 0.1 מתעריף הקלט הבסיסי ברוב המודלים (פי 0.05 ב-Opus 5.5 ו-Sonnet 5.5, פי 0.025 ב-Fable 5.1), וכתיבה למטמון עולה פי 1.25 עבור משך זמן של 5 דקות או פי 2 עבור משך זמן של שעה. הפלט מחויב בתעריף המלא בכל קריאה, ללא קשר למה שבוצע במטמון. זו הסיבה לכך שמטמון משנה את מבנה החשבונית שלך כמו גם את גודלה: ברגע שצד הקלט מצטמצם, הפלט הופך לחלק המשמעותי שראוי לייעל.
האם max_tokens גבוה עולה לי כסף אם התשובה שחוזרת קצרה?
לא. החיוב מתבצע עבור האסימונים שהמודל מפיק בפועל, לכן max_tokens הוא תקרה ולא הזמנה מראש. הוא עדיין חשוב, כיוון שהוא המגבלה הקשיחה היחידה על תשובה שיוצאת משליטה. הגדירו אותו מעט מעל האחוזון ה-95 של ה-output_tokens שצפיתם, ולאחר מכן טפלו ב-stop_reason: "max_tokens" בקוד במקום לשלוח תשובה שנקטעה בשתיקה.
כיצד אמצא את יחס אסימוני הקלט לפלט שלי?
תעדו את input_tokens, output_tokens, cache_read_input_tokens ו-cache_creation_input_tokens מתוך האובייקט usage של כל תגובה, ולאחר מכן חלקו את הסכומים המצטברים לאורך שבוע. מעל יחס של 5 קלט ל-1 פלט, הכסף שלכם מושקע בהנחיה, לכן בצעו מטמון לחלק היציב וקצצו את השאר. מתחת ליחס זה, הכסף שלכם מושקע בתשובה, לכן הגבילו את אורכה והעבירו את השלבים שמייצרים את רוב הפלט למודל זול יותר או ל-Batch API.