SSD Nodes Learn Hosting plans →
Przewodniki Matt ConnorAutor: Matt Connor · Zaktualizowano 2026-10-28

Dlaczego tokeny wyjściowe Claude kosztują więcej?

Tokeny wyjściowe w modelach Claude są pięciokrotnie droższe od wejściowych. Wyjaśniamy techniczne różnice między fazami prefill i dekodowania oraz ich wpływ na budżet.

Dlaczego tokeny wyjściowe kosztują więcej niż wejściowe

Tokeny wyjściowe kosztują pięciokrotnie więcej niż tokeny wejściowe w każdym modelu Claude dostępnym w bieżącym katalogu. Przyczyną jest charakter obliczeń. Przetworzenie promptu to jeden przebieg przez model. Generowanie odpowiedzi to jeden przebieg na każdy token, przy czym każdy kolejny przebieg musi oczekiwać na zakończenie poprzedniego.

Ten stosunek jest stały w każdym wierszu cennika, więc wybór modelu nie zmienia udziału kosztów wyjściowych w całkowitym rachunku. Decyduje o tym charakter obciążenia. Krok agenta, który odczytuje 60,000 tokenów i odpowiada 800 tokenami, generuje znikome koszty wyjściowe. Zadanie polegające na tworzeniu szkicu, które odczytuje 2,000 tokenów i zapisuje 12,000, generuje znikome koszty wejściowe. Oba przypadki przeanalizowano poniżej w oparciu o opublikowane stawki Anthropic, zweryfikowane w dniu 27 października 2026.

Prefill jest wykonywany raz, dekodowanie raz na token

Serwer wnioskowania obsługuje żądanie w dwóch fazach o znacznie różniących się kosztach. Prefill odczytuje prompt. Dekodowanie zapisuje odpowiedź.

Prefill przetwarza cały prompt jednocześnie. Każdy token promptu trafia do sieci w tym samym przebiegu w przód (forward pass), więc operacje uwagi (attention) i sieci typu feed-forward sprowadzają się do niewielkiej liczby dużych mnożeń macierzy obejmujących tysiące tokenów naraz. Jednokrotny odczyt wag modelu z pamięci obsługuje cały prompt. Jednostki macierzowe akceleratora pozostają obciążone, co oznacza, że prefill jest zazwyczaj ograniczony mocą obliczeniową (compute-bound): limitem jest szybkość, z jaką układ potrafi wykonywać mnożenia. Dokumentacja serwerowa NVIDIA wskazuje wyjątki: bardzo krótkie prefille oraz prefille, w których długi prefiks jest już trafieniem w pamięci podręcznej (cache hit), stają się ograniczone przepustowością pamięci (memory-bound).

Zwykłe dekodowanie nie może działać w ten sposób, ponieważ token 2 zależy od tokena 1. Token, który model właśnie wygenerował, staje się częścią wejścia dla kolejnego kroku, więc kroki wykonywane są jeden po drugim. Każdy token wyjściowy otrzymuje własny przebieg w przód, a każdy z tych przebiegów odczytuje pełny zestaw wag modelu oraz KV cache (pamięć podręczną kluczy/wartości, czyli zapisany stan uwagi dla każdego dotychczasowego tokena) z pamięci o wysokiej przepustowości, aby wygenerować pojedynczy token. Zazwyczaj czyni to dekodowanie procesem ograniczonym przepustowością pamięci: limitem jest szybkość przesyłania wag i zbuforowanego stanu, a nie szybkość mnożenia. W przypadku długich kontekstów NVIDIA wskazuje odczyty z KV cache jako wąskie gardło. Ten sam ruch wag, który podczas prefilla przetworzył cały prompt, w fazie dekodowania pozwala uzyskać tylko jeden token.

Dekodowanie spekulatywne (speculative decoding) nagina tę zasadę, nie łamiąc jej. Mały model pomocniczy (draft model) przewiduje kilka tokenów do przodu, a duży model sprawdza je wszystkie równolegle w jednym przebiegu, co według NVIDIA może przesunąć dekodowanie w stronę ograniczenia mocą obliczeniową. Duży model nadal akceptuje przewidywania w kolejności i zatrzymuje się na pierwszym błędnym, więc długa odpowiedź nadal wymaga wielu przebiegów.

Systemy serwujące przeciwdziałają temu poprzez batching. Wiele żądań jest dekodowanych razem, więc jeden odczyt wag generuje po jednym tokenie dla każdego żądania w batchu. Dlatego dekodowanie jest w ogóle opłacalne. Ograniczeniem ponownie jest pamięć. Każde aktywne żądanie przechowuje własny KV cache, który rośnie wraz z każdym wygenerowanym tokenem. Gdy zapełni on akcelerator, batch nie może być dalej powiększany.

Żaden z tych opisów nie podaje dokładnej liczby i nie należy traktować wartości 5x jako zmierzonego wskaźnika sprzętowego. Jest to cena ustalona przez Anthropic, wynikająca z tej asymetrii. Kierunek zmian można sprawdzić samodzielnie, co zajmuje około minuty.

Samodzielny pomiar opóźnień wejścia i wyjścia

Zainstaluj narzędzia na dowolnym systemie Ubuntu:

sudo apt update && sudo apt install -y curl jq moreutils

Teraz prześlij krótki prompt wymuszający długą odpowiedź i oznacz każdą linię czasem jej nadejścia.

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'

ts -s poprzedza każdą linię liczbą sekund, które upłynęły od uruchomienia polecenia. Z tego wyjścia należy odczytać dwie wartości. Pierwsza linia content_block_delta to czas do uzyskania pierwszego tokena (Time To First Token), w którym mieści się cały proces prefill. Każda kolejna linia to pojedynczy krok dekodowania, a znaczniki czasu rosną aż do momentu nadejścia message_stop.

Teraz odwróć proporcje. Umieść długi dokument w prompcie i ogranicz odpowiedź do kilku tokenów.

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'

Pierwsza delta trwa dłużej niż w przypadku krótkiego promptu, ponieważ faza prefill wymaga przetworzenia znacznie większej ilości tekstu. Po jej zakończeniu odpowiedź generowana jest niemal natychmiast, gdyż do zdekodowania pozostało tylko kilka tokenów. Dziesiątki tysięcy tokenów zostały przetworzone, a zegar niemal nie drgnął. Kilkaset tokenów zostało wygenerowanych, a zegar pracował przez cały ten czas.

Każda odpowiedź niebędąca strumieniową kończy się liczbami, na podstawie których naliczane są opłaty.

{
  "usage": {
    "input_tokens": 41283,
    "output_tokens": 6,
    "cache_creation_input_tokens": 0,
    "cache_read_input_tokens": 0
  }
}

Rejestruj wszystkie cztery pola dla każdego żądania. output_tokens uwzględnia tokeny myślowe, więc model, który "myśli" przed udzieleniem odpowiedzi, rozlicza ten proces według stawki za wyjście. Aby wycenić prompt przed wysłaniem, POST /v1/messages/count_tokens przyjmuje to samo ciało żądania dla większości zapytań i zwraca {"input_tokens": N} jako szacunek bez uruchamiania modelu; usługa ta jest bezpłatna w ramach własnego limitu zapytań. Odrzuca ona niektóre ciała żądań akceptowane przez Messages API: większość narzędzi serwerowych, takich jak wyszukiwarka internetowa, konektor MCP oraz bloki obrazów lub dokumentów ze źródłem url lub file, dlatego obrazy i pliki PDF należy przesyłać w formacie base64 podczas ich zliczania. Nie jest to jedyna część API, która nie generuje kosztów, dlatego warto sprawdzić które części Claude API są zawsze bezpłatne przed zaplanowaniem budżetu pierwszego projektu.

Opłaty za milion tokenów w Claude według stanu na październik 2026 r.

WykresClaude API list rates, US dollars per million tokens, October 2026
Dane, na których opiera się ten wykres
[
  {
    "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
  }
]

Ostatnia kolumna to wynik dzielenia kosztu wyjścia przez koszt wejścia; w każdym wierszu widnieje 5. Model Haiku 4.5 kosztuje 1 USD za wejście i 5 USD za wyjście. Opus 5 kosztuje 5 USD oraz 25 USD. Fable 5, najdroższy z nich, kosztuje 10 USD oraz 50 USD, a lektura tego, co oferują stawki Fable 5 jest zalecana przed odrzuceniem tego wariantu. Przejście na wyższy model mnoży obie strony przez ten sam współczynnik, co zmienia całkowity koszt, ale zachowuje proporcję między wejściem a wyjściem.

Sonnet 5 kosztuje 2 USD za wejście i 10 USD za wyjście. Anthropic wprowadził tę stawkę jako promocyjną do 31 sierpnia 2026 r., z planowanym wzrostem do 3 USD i 15 USD od 1 września, jednak ostatecznie ustalono standardową cenę na poziomie 2 USD i 10 USD. Podwyżka nie weszła w życie, więc stawka w każdym poniższym przykładzie jest stawką obowiązującą obecnie.

Od czasu powstania tej strony Anthropic udostępnił nowsze modele, a witryna claude.com/pricing wymienia cztery powyższe jako modele starszej generacji, które pozostają dostępne. Nowe modele zachowują ten sam stosunek 5x. Opus 5.5 kosztuje 4 USD i 20 USD, Sonnet 5.5 kosztuje 2 USD i 10 USD, Fable 5.1 kosztuje 10 USD i 50 USD, a Haiku 5.5 kosztuje 0,10 USD i 0,50 USD dla promptów do 100 000 tokenów, ze wzrostem do 0,50 USD i 2,50 USD powyżej tego limitu. Koszt kroku agenta wynoszący 60 000 tokenów znajduje się poniżej tej granicy, ale agent, którego historia stale rośnie, ostatecznie ją przekroczy, a analiza dwóch progów cenowych Haiku 5.5 w rzeczywistych zadaniach pokazuje wpływ tego skoku na rachunek. Podstawowe stawki wejścia i wyjścia Opus 5.5 są o 20% niższe niż w Opus 5, więc każda wartość dla Opus 5 bez cache'owania jest o 20% niższa w przypadku Opus 5.5. Wartości z użyciem cache'owania spadają jeszcze bardziej, ponieważ Opus 5.5 odczytuje trafienia w cache po 0,20 USD za milion tokenów w porównaniu do 0,50 USD w Opus 5, co stanowi redukcję o 60%. Krok agenta z cache'owaniem, który w Opus 5 kosztuje 0,0725 USD, w Opus 5.5 kosztuje około 0,047 USD, czyli o około 35% mniej.

Ceny ulegają zmianom, dlatego nie należy sprawdzać ich na tej stronie. claude.com/pricing jest źródłem aktualnych informacji. Metoda obliczeń pozostaje niezmienna niezależnie od zmian cen.

Jedno zastrzeżenie znajduje się w uwagach pod tabelą cenową Anthropic, a nie w samych stawkach. Strona cennika Anthropic podaje, że Claude 4.7 i nowsze modele używają nowszego tokenizera, który generuje o około 30% więcej tokenów dla tego samego tekstu niż tokenizer w Sonnet 4.6 i wcześniejszych wersjach. Porównywanie dwóch modeli wyłącznie na podstawie ceny za milion tokenów faworyzuje nowszy model, ponieważ ten sam dokument zawiera w nim więcej tokenów. Należy porównywać koszt wykonania gotowego zadania i przeliczać rzeczywiste prompty względem modelu, który faktycznie ma zostać użyty. Ta sama pułapka występuje przy porównywaniu dostawców, których tokenizery również się różnią, dlatego wycena rzeczywistego zadania zarówno w Claude, jak i ChatGPT dostarcza więcej informacji niż zestawienie dwóch cenników obok siebie. Wartość miliona tokenów Claude w rzeczywistym tekście wyjaśnia, jak ta objętość wygląda w praktyce.

Kiedy koszt wyjściowy zaczyna dominować w rachunku?

Przy cenie tokenów wyjściowych wynoszącej 5 kosztu tokenów wejściowych, punkt równowagi jest łatwy do oszacowania. Oznaczmy tokeny wejściowe jako I, a wyjściowe jako O. Koszt wejścia to I. Koszt wyjścia to 5 razy O. Koszt wyjściowy przekracza połowę wydatków, gdy 5 razy O jest większe niż I, co odpowiada stosunkowi 5 tokenów wejściowych na 1 wyjściowy.

Jeśli prompt jest ponad pięciokrotnie dłuższy niż odpowiedź, to koszt wejścia stanowi większą część wydatków. Poniżej tej wartości dominuje koszt wyjścia.

WykresShare of spend by input to output token ratio, at 5x output pricing
Dane, na których opiera się ten wykres
[
  {
    "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
  }
]

Przy stosunku 100 do 1, koszt wyjściowy stanowi 4.8% wydatków i tylko optymalizacja promptu przynosi wymierne korzyści. Przy stosunku 5 do 1 obie strony są równe. Przy stosunku 1 do 6, koszt wyjściowy wynosi 96.8%, a koszt promptu staje się pomijalny. Większość osób błędnie szacuje własny stosunek, dlatego przed przystąpieniem do optymalizacji należy pobrać dane z logów.

Obciążenie agenta: długi kontekst wejściowy, krótka odpowiedź

Rozważmy jeden krok agenta wyszukującego: 60 000 tokenów wejściowych z pobranych dokumentów i historii konwersacji oraz 800 tokenów odpowiedzi. Daje to stosunek 75 do 1, co jest typowe dla każdego procesu, który czyta przed zapisem.

WykresOne agent step, 60,000 input and 800 output tokens, US dollars per call
Dane, na których opiera się ten wykres
[
  {
    "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
  }
]

Dane wyjściowe stanowią 6.25% tego wywołania w każdym modelu, ponieważ stosunek ten jest stały w całym cenniku. Wywołanie kosztuje $0.32 w modelu Opus 5, $0.128 w modelu Sonnet 5 oraz $0.064 w modelu Haiku 4.5. Dwieście takich kroków dziennie w modelu Opus 5 generuje koszt 64 USD dziennie.

Dźwignia optymalizacji staje się oczywista po przeanalizowaniu podziału kosztów. Skrócenie odpowiedzi z 800 do 400 tokenów pozwala zaoszczędzić około 3% kosztu wywołania. Usunięcie 20 000 tokenów nieaktualnego kontekstu z promptu pozwala zaoszczędzić około jednej trzeciej kosztu. Ograniczanie długości danych wyjściowych w agencie intensywnie korzystającym z odczytu jest niemal bezcelowe. gdzie faktycznie trafiają tokeny agenta programistycznego szczegółowo wyjaśnia, co w pierwszej kolejności wypełnia taki prompt.

Generowanie obciążenia: krótki prompt, długi szkic

Teraz odwróćmy proporcje. Krótki prompt o długości 2000 tokenów, szkic o długości 12 000 tokenów, stosunek 1 do 6.

WykresOne draft, 2,000 input and 12,000 output tokens, US dollars per draft
Dane, na których opiera się ten wykres
[
  {
    "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
  }
]

Dane wyjściowe stanowią 96.8% tego rachunku. Opus 5 kosztuje $0.31 za szkic w porównaniu do $0.062 w przypadku Haiku 4.5. Ta pięciokrotna różnica wynika niemal w całości z kosztów generowania danych wyjściowych, czyli dokładnie z tego obszaru, w którym tańszy model przynosi największe oszczędności.

Ostatnia kolumna przedstawia to samo zadanie wykonane przez Batch API, co pozwala obniżyć koszty wejściowe i wyjściowe o 50%. Koszt Opus 5 spada do $0.155 za szkic. Przetwarzanie wsadowe (Batch) jest asynchroniczne, a nie natychmiastowe. Według Anthropic większość partii kończy się w czasie poniżej godziny, jednak partia, która przetwarza się dłużej niż 24 godziny, wygasa. Każde żądanie, do którego system nie dotarł przed upływem tego czasu, zostaje zwrócone jako wygasłe, nieobciążone kosztami i bez komunikatu. Rozwiązanie to sprawdza się zatem w przypadku generowania raportów nocnych i klasyfikacji masowej, z uwzględnieniem kroku ponownego przesyłania dla elementów, które wygasły. Nie nadaje się natomiast do zadań, na których wynik użytkownik oczekuje w czasie rzeczywistym.

Routing modeli przynosi tutaj korzyści w sposób, który nie występuje na etapie działania agenta. Jeśli rozbudowana część zadania ma charakter mechaniczny, polega na przeformatowaniu tekstu lub rozwinięciu zatwierdzonego już konspektu, tańszy model wygeneruje te tokeny za jedną piątą ceny. wybór między Opus, Sonnet i Haiku omawia, gdzie faktycznie przebiega granica jakości.

Buforowanie obniża koszty danych wejściowych, i tylko wejściowych

Buforowanie promptów przechowuje prefiks promptu na serwerze i nalicza ułamek stawki za dane wejściowe przy ponownym odczycie. Według stanu na 27 października 2026 mnożniki wynoszą 1,25x podstawowej stawki wejściowej za zapis 5-minutowego bufora, 2x za zapis 1-godzinnego bufora oraz 0,1x za odczyt trafienia w modelach wycenianych na tej stronie. Najnowsze modele odczytują trafienia taniej: 0,05x w przypadku Opus 5.5 i Sonnet 5.5 oraz 0,025x w przypadku Fable 5.1.

Dane wyjściowe nie podlegają tej zasadzie. Buforowanie danych wyjściowych nie istnieje. Każdy token wygenerowany przez model jest rozliczany według pełnej stawki za dane wyjściowe, za każdym razem, niezależnie od tego, jaka część promptu została odczytana z bufora.

Rozważmy ten sam krok agenta w modelu Opus 5, gdzie 55 000 z 60 000 tokenów wejściowych pochodzi z aktywnego bufora.

WykresThe same Opus 5 agent step, with and without a warm 55,000 token cache, US dollars
Dane, na których opiera się ten wykres
[
  {
    "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
  }
]

Koszt wywołania spada z $0.32 do $0.0725. Koszt danych wyjściowych pozostaje bez zmian: $0.02 przed i $0.02 po operacji. Buforowanie obniża rachunek i zmienia jego strukturę. Dane wyjściowe stanowiły 6.25% kosztu tego wywołania. Teraz stanowią ponad jedną czwartą, co zmienia priorytety optymalizacji.

Pierwsze wywołanie pokrywa koszt zapisu. Zapis 5-minutowego bufora kosztuje 1,25x podstawowej stawki wejściowej, więc zwraca się po jednym trafieniu. Zapis 1-godzinny kosztuje 2x, więc wymaga dwóch trafień. mnożniki zapisu i odczytu oraz moment, w którym buforowanie przestaje być opłacalne szczegółowo omawia te obliczenia.

Cztery dźwignie pod Twoją kontrolą

  1. Ustaw max_tokens na poziomie długości wyjściowej p95, a nie na maksimum modelu.
  2. Kieruj rozbudowane kroki do tańszego modelu.
  3. Przetwarzaj wsadowo wszystko, na co nikt nie czeka.
  4. Usuń instrukcje, które niepotrzebnie wydłużają odpowiedzi.

max_tokens to twardy limit górny. Ustawienie go na wysokim poziomie nic nie kosztuje, ponieważ opłaty naliczane są za wygenerowane tokeny, a nie za wysokość limitu. Hojny limit usuwa ograniczenie w przypadku odpowiedzi, która przebiega nieprawidłowo. Wyodrębnij rozkład output_tokens ze swoich logów, ustaw limit nieco powyżej 95. percentyla i obsługuj stop_reason: "max_tokens" w kodzie poprzez kontynuację odpowiedzi lub ponowienie próby. Wykryte ucięcie odpowiedzi kosztuje mniej niż 4000 tokenów zbędnego tekstu, za który płacisz, a następnie odrzucasz. Proces myślowy również trafia do output_tokens i wlicza się do max_tokens, więc określ limit na podstawie tych samych danych. W modelach z adaptacyjnym myśleniem obniż poziom wysiłku, jeśli proces myślowy stale wyczerpuje limit odpowiedzi.

Routing sprawdza się, gdy kosztownym elementem kroku jest objętość, a nie sama ocena. Pozostaw decyzję silnemu modelowi, a pisanie tekstu przekaż tańszemu rozwiązaniu. Najpierw zmierz wersję z routingiem na własnym zbiorze ewaluacyjnym, ponieważ kluczową wartością jest koszt wykonania całego zadania. W powyższym kroku agenta dwie próby Haiku 4.5 kosztują 0.128 USD w porównaniu do 0.32 USD za jedną próbę Opus 5, więc różnica w cenie pozwala na jedną lub dwie powtórki. Nie pozwala natomiast na błędną odpowiedź, której nikt nie wyłapie.

Przetwarzanie wsadowe to jedyna dźwignia obniżająca koszt wyjściowy. Oferuje 50% zniżki po obu stronach, większość zadań kończy się w ciągu godziny, a każde zadanie harmonogramowane kwalifikuje się do tej opcji, pod warunkiem że system ponownie przesyła zadania, które wygasają po 24 godzinach.

Ostatnia dźwignia jest tą, którą ludzie pomijają. Frazy takie jak "bądź dokładny" czy "wyjaśnij swoje rozumowanie" ustalają długość odpowiedzi w każdym wywołaniu. Zastąp je pożądanym formatem: "Odpowiedz w maksymalnie trzech zdaniach" lub "Zwróć tylko obiekt JSON, bez wstępu". Prompt systemowy, który dodaje 300 tokenów do każdej odpowiedzi, kosztuje pięć razy więcej niż te same 300 tokenów w treści promptu. utrzymywanie kosztów działającego agenta pod kontrolą omawia kwestię monitorowania, a czy API, czy stała subskrypcja jest tańsza dla Twojego wzorca pracy warto rozstrzygnąć, zanim poświęcisz tydzień na optymalizację wydatków na tokeny, które zostałyby pokryte przez subskrypcję. Dla programisty sprowadza się to głównie do tego, czy 20 USD miesięcznie za Claude Pro i związane z tym limity użycia pokrywają pracę, którą w innym przypadku trzeba by rozliczać według zużycia. Jeśli już osiągasz te limity w trakcie sesji, ustalenie, na które okno czekasz jest priorytetem, ponieważ rozwiązaniem jest mniejszy model, lżejszy kontekst, dodatkowe kredyty lub przeniesienie tej pracy na API rozliczane według zużycia. Jeśli API rozliczane według zużycia okaże się tańszym rozwiązaniem dla tej pracy, przejście na mniejszy plan lub jego anulowanie nie powoduje utraty opłaconego już miesiąca, więc zmiana nie generuje dodatkowych kosztów. Jeśli porównujesz plan Pro z ofertą ChatGPT, a nie z API, zestawienie obu drabin subskrypcyjnych pokazuje, która z nich jest tańsza w przypadku pracy programistycznej. Jeśli pytanie dotyczy zespołu, a nie pojedynczego programisty, pamiętaj, że Claude Enterprise łączy opłatę za stanowisko z tokenami rozliczanymi według tych samych stawek API, więc każda dźwignia opisana na tej stronie ma zastosowanie do rozliczanej części rachunku.

FAQ

Dlaczego tokeny wyjściowe kosztują więcej niż wejściowe?

Ich generowanie wymaga znacznie więcej czasu pracy akceleratora na token. Prompt jest przetwarzany w jednym przebiegu w przód dla całości danych, więc pojedynczy odczyt wag modelu obejmuje tysiące tokenów, a sprzęt jest zazwyczaj ograniczony przepustowością operacji mnożenia. W standardowym dekodowaniu odpowiedź jest generowana token po tokenie, a każdy z nich wymaga osobnego przebiegu w przód, który ponownie odczytuje wagi modelu oraz rosnącą pamięć podręczną KV, przez co sprzęt jest zazwyczaj ograniczony przepustowością pamięci. Techniki takie jak dekodowanie spekulatywne zmniejszają tę różnicę, ale jej nie eliminują. Anthropic wycenia wyjście na pięciokrotność ceny wejścia w całym obecnym katalogu, od Haiku 5.5 aż po Fable 5.1.

Czy prompt caching obniża koszt tokenów wyjściowych?

Nie. Prompt caching dotyczy wyłącznie wejścia. Według stanu na 27 października 2026 odczyt z pamięci podręcznej kosztuje 0.1x bazowej stawki wejściowej w większości modeli (0.05x w Opus 5.5 i Sonnet 5.5, 0.025x w Fable 5.1), a zapis do pamięci podręcznej kosztuje 1.25x dla czasu trwania 5 minut lub 2x dla czasu trwania 1 godziny. Wyjście jest rozliczane według pełnej stawki przy każdym wywołaniu, niezależnie od operacji pamięci podręcznej. Dlatego caching zmienia strukturę rachunku, a nie tylko jego wysokość: gdy koszty wejściowe spadają, to wyjście staje się głównym obszarem do optymalizacji.

Czy wysoki max_tokens generuje koszty, jeśli odpowiedź jest krótka?

Nie. Rozliczenie następuje za tokeny faktycznie wygenerowane przez model, więc max_tokens stanowi górny limit, a nie rezerwację zasobów. Parametr ten pozostaje istotny, ponieważ jest jedynym twardym ograniczeniem dla odpowiedzi, która wymyka się spod kontroli. Należy ustawić go nieco powyżej 95. percentyla obserwowanego output_tokens, a następnie obsługiwać stop_reason: "max_tokens" w kodzie, zamiast wysyłać cicho uciętą odpowiedź.

Jak obliczyć własny stosunek tokenów wejściowych do wyjściowych?

Należy logować input_tokens, output_tokens, cache_read_input_tokens oraz cache_creation_input_tokens z obiektu usage każdej odpowiedzi, a następnie podzielić sumy z całego tygodnia. Przy stosunku powyżej 5 tokenów wejściowych na 1 wyjściowy, główne koszty generuje prompt, więc należy użyć cache dla stabilnej części i skrócić resztę. Poniżej tego poziomu główne koszty generuje odpowiedź, więc należy ograniczyć jej długość i przenieść etapy generujące najwięcej treści do tańszego modelu lub Batch API.

Czy ten artykuł był przydatny?