Claude vs ChatGPT API: எது குறைந்த செலவு?

சுருக்கமான பதில்

Claude மற்றும் ChatGPT API விலைகளில் ஒரே வெற்றியாளர் இல்லை. ஒவ்வொரு tier-லும் இரண்டு vendor-களும் input மற்றும் output-க்கு வெவ்வேறு விலைகளை நிர்ணயிக்கின்றன. August 2026 நிலவரப்படி, Claude-இன் மேல் இரு tier-களும் அவற்றின் OpenAI இணைகளுக்கு சமமான input token விலையையும், குறைந்த output token விலையையும் கொண்டுள்ளன. எனவே output அதிகமுள்ள பணிகளில் Claude சிறிதளவு முன்னிலை பெறுகிறது. குறைந்த tier-ல் அதே பணிக்கு Claude பல மடங்கு அதிகம் செலவாகிறது. tier மற்றும் token mix குறிப்பிடாத எந்தப் பதிலும் ஊகமே.

எனவே இந்தப் பக்கம் முதலில் கணக்கீட்டை வழங்குகிறது. அதன் பிறகு token mix-களுடன் கூடிய மூன்று செலவு கணக்கிடப்பட்ட workloads-ஐ வழங்குகிறது. இறுதியாக, headline rate-ஐ விட உண்மையான bill-ஐ அதிகமாக மாற்றக்கூடிய multipliers-ஐ விளக்குகிறது.

உங்களுக்கு தேவையான ஒரே சூத்திரம்

இரண்டு APIs-உம் text-க்கு ஒரே முறையில் கட்டணம் வசூலிக்கின்றன. நீங்கள் அனுப்பும் tokens-க்கு கட்டணம் செலுத்த வேண்டும். Model திருப்பி எழுதும் tokens-க்கு அதிக விகிதத்தில் கட்டணம் செலுத்த வேண்டும்.

cost = (input tokens / 1,000,000) * input rate + (output tokens / 1,000,000) * output rate

ஒரு token என்பது English-இல் சுமார் 4 characters, அதாவது ஒரு word-ன் சுமார் 0.75 பகுதி. முதல் மதிப்பீட்டுக்கு மட்டும் இதைப் பயன்படுத்துங்கள். உண்மையான கட்டணத்தைக் கணக்கிட, ஒவ்வொரு response-இன் usage object-ல் ஒவ்வொரு API திருப்பி வழங்கும் counts-ஐப் பயன்படுத்த வேண்டும்.

# Rates are US dollars per million tokens.
def cost(in_tok, out_tok, in_rate, out_rate):
    return in_tok / 1e6 * in_rate + out_tok / 1e6 * out_rate

# One support-chat turn: 1,400 tokens in, 220 tokens out, on a $2 / $10 model.
print(round(cost(1400, 220, 2.0, 10.0), 6))

இந்த script 0.005-ஐ அச்சிடுகிறது. இது ஒவ்வொரு turn-க்கும் half a cent ஆகும். ஒரு மாதத்தில் எதிர்பார்க்கும் turns எண்ணிக்கையால் இதைப் பெருக்கினால் budget கிடைக்கும். இந்த ஒரு சூத்திரத்தை அறிந்துகொண்டால், இன்றுக்குப் பிறகு ஏற்படும் ஒவ்வொரு price change-யும் புதிய analysis தேவையில்லாமல், ஒரே வரியில் செய்யும் edit ஆகிவிடும்.

வெளியிடப்பட்ட கட்டணங்கள், August 2026

இவை இரு vendor-களும் 1 August 2026 அன்று வெளியிட்ட பட்டியல் விலைகள். இந்த post-இல் விலை எழுதப்பட்டுள்ள ஒரே பகுதி இதுவாகும். பட்ஜெட்டை உறுதிசெய்வதற்கு முன், இதை claude.com/pricing மற்றும் OpenAI-யின் pricing page ஆகியவற்றுடன் சரிபார்க்கவும்.

[
  {
    "label": "Frontier",
    "claude_input": 5,
    "claude_output": 25,
    "openai_input": 5,
    "openai_output": 30
  },
  {
    "label": "Workhorse",
    "claude_input": 2,
    "claude_output": 10,
    "openai_input": 2,
    "openai_output": 12
  },
  {
    "label": "Workhorse from September",
    "claude_input": 3,
    "claude_output": 15,
    "openai_input": 2,
    "openai_output": 12
  },
  {
    "label": "Small",
    "claude_input": 1,
    "claude_output": 5,
    "openai_input": 0.2,
    "openai_output": 1.2
  }
]

ஒப்பீடுகள் புகழின் அடிப்படையில் அல்ல, ஒவ்வொரு lineup-இலும் உள்ள நிலையின் அடிப்படையில் அமைக்கப்பட்டுள்ளன. Frontier என்பது Claude Opus 5 மற்றும் gpt-5.6-sol ஆகியவற்றின் ஒப்பீடு. Workhorse என்பது Claude Sonnet 5 மற்றும் gpt-5.6-terra ஆகியவற்றின் ஒப்பீடு. Small என்பது Claude Haiku 4.5 மற்றும் gpt-5.6-luna ஆகியவற்றின் ஒப்பீடு. இந்தப் பகுதிக்கு மேலாக இரு vendor-களும் அதிக tier-களையும் விற்பனை செய்கின்றன. OpenAI, பழைய generation-களையும் அவற்றின் அசல் கட்டணங்களில் பட்டியலிடுகிறது. ஒரு தரப்பின் flagship-ஐ மற்றொரு தரப்பின் budget model-உடன் ஒப்பிட்டால், பொருளற்ற எண் கிடைக்கும். பெரும்பாலான வெளியிடப்பட்ட ஒப்பீடுகள் தங்களின் தலைப்புத் தரவை இப்படித்தான் உருவாக்குகின்றன.

இந்தப் பகுதியில் உள்ள இரண்டு அம்சங்களைத் தெளிவாகக் குறிப்பிட வேண்டும். Sonnet 5-ன் 2 மற்றும் 10 அறிமுகக் கட்டணங்கள். Anthropic-ன் ஆவணத்தின்படி, இவை 31 August 2026 அன்று முடிவடையும். அதன் பிறகு Sonnet 5, 3 மற்றும் 15 கட்டணங்களை வசூலிக்கும். இந்த ஒரு மாற்றம் workhorse tier-ஐ, Claude-க்கு சற்றே சாதகமாக இருந்த நிலையிலிருந்து OpenAI-க்கு தெளிவாகச் சாதகமான நிலைக்கு மாற்றுகிறது. மேலும், இந்த மாற்றம் இந்த post-ன் பயன்பாட்டு காலத்திற்குள் நிகழ்கிறது.

இரண்டாவது அம்சம் நினைவில் கொள்ள வேண்டிய ஒரு முறை: மேலுள்ள ஒவ்வொரு வரியிலும் Claude, அதன் சொந்த input rate-ன் சரியாக 5 மடங்கு output-க்கு கட்டணம் நிர்ணயிக்கிறது. OpenAI, output-க்கு 6 மடங்கு கட்டணம் நிர்ணயிக்கிறது. Absolute rate அல்ல, இந்த ratio-தான் உங்கள் token mix-க்கு ஏற்ப வெற்றியாளர் மாறுவதற்குக் காரணம்.

million tokens-க்கான கட்டணம் vendors இடையே ஏன் ஒப்பிட முடியாது

ஒரு rate என்பது ஒரு token-க்கான dollars ஆகும். ஒரு bill என்பது ஒரு token-க்கான dollars-ஐ tokens எண்ணிக்கையால் பெருக்கிய தொகையாகும். ஒரு text பகுதியின் tokens எண்ணிக்கை, அந்த text-ன் பண்பு அல்ல; அது model-ன் பண்பு.

Anthropic இதை நேரடியாக ஆவணப்படுத்துகிறது: Claude Opus 5 மற்றும் Claude Sonnet 5 ஆகியவற்றையும் உள்ளடக்கிய Claude 4.7 மற்றும் அதற்குப் பிந்தைய models, Claude Sonnet 4.6 மற்றும் அதற்கு முந்தைய models-ஐவிட அதே text-க்கு சுமார் 30% அதிக tokens உருவாக்கும் புதிய tokenizer-ஐப் பயன்படுத்துகின்றன. Rate மாறவில்லை. Bill மாறியது.

எனவே ஒரே மாதிரியாகத் தோன்றும் இரண்டு rates, ஒரே மாதிரியான இரண்டு bills அல்ல. இந்த ஒப்பீடு உட்பட எந்த ஒப்பீட்டையும் நம்புவதற்கு முன், உங்கள் சொந்த text-ஐப் பயன்படுத்தி இரு தரப்பிலும் tokens-ஐ எண்ணுங்கள்.

curl https://api.anthropic.com/v1/messages/count_tokens \
  -H "x-api-key: $ANTHROPIC_API_KEY" \
  -H "anthropic-version: 2023-06-01" \
  -H "content-type: application/json" \
  -d '{
    "model": "claude-sonnet-5",
    "messages": [{"role": "user", "content": "Summarise the attached contract."}]
  }'

சரியான response என்பது input_tokens-ஐக் கொண்ட சிறிய JSON object ஆகும். 401 என்பது உங்கள் shell-ல் முக்கிய variable காலியாக உள்ளது என்பதைக் குறிக்கும். அதே text-ஐ மற்ற vendor-ன் tokenizer வழியாகவும் இயக்கி, ஒரு count-ஐ மற்ற count-ஆல் வகுக்கவும். பின்னர் ஒப்பிடுவதற்கு முன், அந்த ratio-வை வெளியிடப்பட்ட rate-ல் பெருக்கவும். மேலுள்ள block-ல் உள்ள ஒவ்வொரு rate வேறுபாட்டையும் விட, ratio ஒரு vendor-க்கு சுமார் 1.2-க்கு மேல் சாதகமாக இருந்தால், அது அதிக தாக்கம் கொண்டது.

சூழல் ஒன்று: chat அம்சம்

ஒரு web application-க்குள் உள்ள support assistant. மாதத்திற்கு 120,000 உரையாடல் turns. ஒவ்வொரு turn-லும் system prompt, tool schemas, மீட்டெடுக்கப்பட்ட 2 help-desk snippets மற்றும் முந்தைய சில messages அனுப்பப்படுகின்றன. இவை சேர்ந்து சுமார் 1,400 input tokens ஆகும். Model சுமார் 220 tokens-ல் பதிலளிக்கிறது. இது interactive பயன்பாடு என்பதால் batch discount இங்கு ஒருபோதும் பொருந்தாது. இதை workhorse tier-ல் இயக்கவும்.

[
  {
    "label": "List price",
    "claude_usd": "600.00",
    "openai_usd": "652.80"
  },
  {
    "label": "Cached prefix",
    "claude_usd": "427.20",
    "openai_usd": "480.00"
  },
  {
    "label": "Small tier, cached",
    "claude_usd": "213.60",
    "openai_usd": "48.00"
  }
]

List price-ல், Claude கட்டணம் 600.00. OpenAI-யின் கட்டணம் 652.80. Input rates ஒரே மாதிரியாக இருப்பதால், input பகுதிகளின் கட்டணமும் ஒரே மாதிரியாகும். முழு வித்தியாசமும் output கட்டணத்தில்தான் உள்ளது. அந்த வித்தியாசம் vendor-ஐத் தேர்வு செய்யும் அளவுக்கு பெரியதாக இல்லை.

இப்போது அந்த 1,400 input tokens-ல் 800 tokens-ஐ நிலையான prefix எனக் குறிக்கவும். இதில் turns-க்கிடையில் மாறாத system prompt மற்றும் tool schemas அடங்கும். Cache hit ஏற்பட்டால், இரு vendors-மும் தங்களின் அடிப்படை input rate-ன் 10% வசூலிக்கின்றன. Claude-ன் கட்டணம் 427.20 ஆகவும், OpenAI-ன் கட்டணம் 480.00 ஆகவும் குறையும். Vendor தேர்வைவிட caching அதிகச் சேமிப்பை வழங்குகிறது. இரு platforms-மும் இதை வழங்குகின்றன.

இங்குதான் Claude பின்தங்குகிறது. பெரும்பாலான support பதில்களுக்கு workhorse model தேவையில்லை. அதே traffic-ஐ small tier-க்கு மாற்றினால், Claude-ன் கட்டணம் 213.60 ஆகவும், OpenAI-ன் கட்டணம் 48.00 ஆகவும் இருக்கும். ஒன்றை மற்றொன்றால் வகுத்தால், அதே பணிக்கு Claude-ன் செலவு சுமார் நான்கரை மடங்கு எனத் தெரியும். Claude Haiku 4.5, ஒவ்வொரு million input tokens-க்கும் 1 வசூலிக்கிறது. இதற்கு மாறாக, gpt-5.6-luna-ன் கட்டணம் 0.2. எந்த அளவு caching செய்தாலும் ஐந்து மடங்கு வித்தியாசத்தை நீக்க முடியாது. உங்கள் workload small model-க்கு ஏற்றதாக இருந்தால், OpenAI மலிவானது; அதன் விலை வித்தியாசமும் பெரியது.

சூழல் இரண்டு: நீண்ட context கொண்ட ஆவண pipeline

ஒரு மாதத்திற்கு 25,000 contracts. ஒவ்வொரு request-லும் அதே 9,000-token instruction மற்றும் JSON schema, பின்னர் 12,000 tokens அளவிலான contract text இருக்கும். Model சுமார் 700 tokens கொண்ட structured fields-ஐத் திருப்பி வழங்கும். இந்தப் பணியில் output மொத்த tokens-ன் 4%-க்கும் குறைவாக உள்ளது. இந்த ஒரு உண்மையே ஒப்பீட்டைத் தீர்மானிக்கிறது.

[
  {
    "label": "Chat feature",
    "claude_usd": "427.20",
    "openai_usd": "480.00"
  },
  {
    "label": "Document pipeline",
    "claude_usd": "820.00",
    "openai_usd": "855.00"
  },
  {
    "label": "Coding agent",
    "claude_usd": "116.10",
    "openai_usd": "124.20"
  }
]

இரு தரப்பிலும் 9,000-token prefix cached செய்யப்பட்ட நிலையில், Claude கட்டணம் 820.00, OpenAI கட்டணம் 855.00. August 2026-ல் input rates ஒன்றாக இருப்பதால், input பகுதிகளின் கட்டணம் cent அளவிலும் ஒன்றாகும். முழு வேறுபாடும் output பகுதியில் உள்ளது: Claude-ல் output, input-ஐ விட 5 மடங்கு விலையிலும், OpenAI-ல் 6 மடங்கு விலையிலும் கணக்கிடப்படுகிறது.

இந்தப் பணிக்கும் batching பயன்படுத்தலாம். இரு vendors-மும் asynchronous work-க்கு input மற்றும் output மீது 50% தள்ளுபடி வழங்குகின்றன. எனவே இரு மொத்தக் கட்டணங்களும் பாதியாகக் குறையும்; விலை வித்தியாசத்தின் வடிவம் மாறாது. இரு platforms-லுமே Batch மிகப் பெரிய தனிப்பட்ட தள்ளுபடியாகும். இரவு நேர document pipeline எப்போதும் இதைப் பயன்படுத்தலாம்.

முன்பைப் போலவே, அதே tier logic காரணமாக Claude இங்கு பின்தங்குகிறது. Fixed schema அடிப்படையிலான field extraction என்பது small model சிறப்பாகச் செய்யும் பணியாகும். இங்கு tokens-ல் 97% input ஆகும். ஒரு tier கீழிறங்கினால், OpenAI input rate 0.1-ஆல் பெருக்கப்படும்; Claude input rate 0.5-ஆல் பெருக்கப்படும். பெரிய model தேவை என்று கருதுவதற்கு முன், 200 documents-ல் small model-ஐச் சோதிக்கவும். இதற்காக ஒரு பணிக்கு ஏற்ற Claude tier-ஐத் தேர்ந்தெடுப்பது போது பயன்படுத்தும் அதே evaluation-ஐப் பயன்படுத்தவும்.

நிலைமை மூன்று: எப்போதும் இயங்கும் coding agent

ஒரு developer, VPS இல் ஒரு agent ஐ இயக்குகிறார். மாதத்திற்கு சுமார் 900 model turns நடைபெறுகின்றன. ஒவ்வொரு turn இலும் repository context ஆக சுமார் 60,000 input tokens அனுப்பப்படுகின்றன. இதில் 80% cache hit ஆகும். மேலும் சுமார் 1,800 tokens அளவிலான edits மற்றும் விளக்கங்கள் உருவாக்கப்படுகின்றன. இதை frontier tier விலையில் கணக்கிடுங்கள். ஏனெனில் coding பணிகளில் capability வேறுபாடு உண்மையான செலவை ஏற்படுத்தும்.

Claude இன் கட்டணம் 116.10 ஆகும். இது OpenAI இன் 124.20 உடன் ஒப்பிடப்படுகிறது. Input rate மற்றும் cache read rate இரண்டிலும் ஒரே விகிதம் உள்ளது. Claude இன் குறைந்த output rate காரணமாக அது சுமார் 7% குறைவாகிறது.

அந்த 7% முன்னர் குறிப்பிடப்பட்ட tokenizer error bar க்குள் வருகிறது. எனவே இந்த நிலைமையில் rates அடிப்படையில் இரண்டையும் சமமாகக் கருதுங்கள். ஆனால் billing model சமமாக இல்லை. இந்த அளவு பயன்பாட்டில் ஒரு developer க்கான subscription seat, metered API calls ஐ விட பொதுவாகக் குறைந்த செலவாகும். ஒன்றைச் சேர்த்தவுடன் முழு ஒப்பீடும் மாறும். Agent ஐ metered billing இல் இயக்குவதற்கு முன், API மற்றும் subscription செலவு ஒப்பீட்டை பயன்படுத்தி இதை முழுமையாகக் கணக்கிடுங்கள். Metering ஐப் பயன்படுத்தினால், முதலில் tokens எங்கு செல்கின்றன என்பதை அறியுங்கள். ஏனெனில் coding agent இன் token பயன்பாடு அது எழுதும் code ஐ விட, ஒவ்வொரு turn இலும் மீண்டும் அனுப்பப்படும் context ஆல் அதிகமாக நிர்ணயிக்கப்படுகிறது.

கட்டணத்தைத் தீர்மானிக்கும் பெருக்கிகள்

இந்தப் பட்டியலில் headline rate மிகக் குறைந்த தாக்கம் கொண்டது. கீழே உள்ள ஒவ்வொரு காரணியும், ஒரே tier-இல் உள்ள இரண்டு vendors-ன் விலை வேறுபாட்டைவிட அதிகமாக உண்மையான bill-ஐ மாற்றும்.

Cached input. Cache hit ஏற்பட்டால், இரு vendors-மும் base input-ன் 10% கட்டணம் வசூலிக்கின்றன. Anthropic cache-ஐ எழுதுவதற்கும் கட்டணம் வசூலிக்கிறது: five-minute entry-க்கு base input-ன் 1.25 மடங்கு, one-hour entry-க்கு 2 மடங்கு. பின்னர் ஏற்படும் hit, read price-இல் அந்த entry-ஐ refresh செய்கிறது. ஆகவே, five-minute entry ஒன்று ஒரு read-க்கு பிறகு தனது செலவை ஈட்டுகிறது. Requests இடையே நீண்ட இடைவெளிகள் உள்ள workload, read செய்வதைவிட அதிகமாக write செய்யும். அத்தகைய workload-ல் caching சேமிப்பைவிட அதிக செலவாகும். நிலையான traffic-க்கு caching சிறப்பாகப் பயன்படும். இடைவெளிகளுடன் வரும் traffic-க்கு அது பயனளிக்காது.

Batch discounts. இரு platforms-லும் input மற்றும் output-க்கு 50% தள்ளுபடி கிடைக்கும். இது asynchronous work-க்கு மட்டுமே பொருந்தும். Job காத்திருக்கக்கூடியதாக இருந்தால், எந்த vendor-ஐ பயன்படுத்தினாலும் bill பாதியாகக் குறையும். இந்தத் தள்ளுபடி caching உடனும் சேர்ந்து செயல்படும்.

Output share. Claude, output-க்கு தனது input rate-ன் 5 மடங்கு கட்டணம் வசூலிக்கிறது. OpenAI, 6 மடங்கு வசூலிக்கிறது. உங்கள் tokens-இல் read செய்வதைவிட எழுதப்படுவது அதிகமாக இருந்தால், ஒரே input rate-இல் Claude சிறந்ததாகத் தெரியும். Input அதிகமாக உள்ள workload-க்கு இதன் எதிர்மாறான நிலை பொருந்தும்.

Retries. Retry ஒவ்வொன்றும் முழு input-க்கான கட்டணத்தை மீண்டும் வசூலிக்கும்; பயன்படுத்தக்கூடிய output எதையும் வழங்காது. உங்கள் calls-ல் 6% schema validation-ல் தோல்வியடைந்து retry செய்யப்பட்டால், உங்கள் திட்டமிட்ட அளவைவிட input leg 6% பெரியதாகும். Retries-ஐ error line ஆக அல்லாமல், cost line ஆக log செய்யுங்கள். Teams இந்தப் பெருக்கியை கடைசியாகக் கண்டறிகின்றன. அவர்கள் ஒரு வாரம் விவாதித்த vendor gap-ஐவிட இது பெரிதாக இருப்பது வழக்கமானது.

எந்தப் பக்கம் இழக்கிறது, எங்கு

சிறிய tier-ல் Claude முழுமையாகப் பின்தங்குகிறது. ஒரு million input tokens-க்கு gpt-5.6-luna 0.2 கட்டணமாக வசூலிக்கிறது; Claude Haiku 4.5-க்கு இது 1. Output கட்டணம் முறையே 1.2 மற்றும் 5. அதிக அளவிலான classification மற்றும் குறுகிய extraction பணிகள் Claude-ல் சுமார் நான்கு மடங்கு அதிகமாகச் செலவாகும்.

1 September 2026 முதல் workhorse tier-லும் Claude பின்தங்குகிறது. அந்த நாளில் introductory rate முடிவடைகிறது. Sonnet 5-ன் கட்டணம் 3 மற்றும் 15 ஆகிறது. gpt-5.6-terra-வின் கட்டணம் மாறாது. Output rate அடிப்படையில் frontier tier-ல் Claude முன்னிலை வகிக்கிறது. ஆனால் உங்கள் சொந்த token எண்ணிக்கைகள் அந்த வித்தியாசத்தை நீக்கக்கூடும். August 2026-ல் input-dominated பணிகளில் எந்தப் பக்கமும் முன்னிலை பெறாது. இரு பக்கங்களிலும் ஒரு million-க்கு 2 என்ற கட்டணம் இருப்பதால் input செலவு ஒரே அளவில் உள்ளது.

உங்கள் சொந்த traffic-ஐ அளவிடுவது எப்படி

ஒவ்வொரு response-லும் usage object-ஐப் படித்து, ஒவ்வொரு request-க்கும் நான்கு எண்ணுகளைச் சேமிக்கவும்: input tokens, output tokens, cache read tokens மற்றும் cache write tokens. Claude API-ல் அவை input_tokens, output_tokens, cache_read_input_tokens மற்றும் cache_creation_input_tokens ஆக வருகின்றன. அவற்றை நாள்தோறும் கூட்டி, தற்போதைய rates-ஆல் பெருக்கி, உங்கள் மொத்தத்தை invoice-உடன் ஒப்பிடவும். இரண்டிற்கும் இடையிலான வித்தியாசம் பொதுவாக retries அல்லது நீங்கள் release செய்ததை மறந்த code path காரணமாக இருக்கும்.

ஒரு sample prompt-ஐப் பயன்படுத்தாமல், உண்மையான traffic-ன் ஒரு வாரத்தில் இந்த ஒப்பீட்டை இயக்கவும். Cost per token-க்கு பதிலாக, cost per completed task-ஐ ஒப்பிடவும். இரண்டு மடங்கு rate-ல் ஒரே முயற்சியில் பதிலளிக்கும் model, பாதி rate-ல் மூன்று முயற்சிகள் தேவைப்படும் model-ஐவிட மலிவானது. Cost per token என்பது ஒரு rate. Cost per completed task என்பது உங்கள் bill.

எதையும் running நிலையில் விடுவதற்கு முன், அதிகபட்ச spend ceiling-ஐ நிர்ணயிக்கவும். இரண்டு platforms-மும் தங்களின் consoles-ல் spend limits வழங்குகின்றன. Retry loop-ல் சிக்கிய agent ஒன்று, ஒரே இரவில் ஒரு மாத budget-ஐச் செலவிடலாம். இதை எப்போதும் இயங்கும் agent-க்கான cost control-க்கு நீங்கள் அமைப்பது போல அமைக்கவும். நீங்கள் சொந்தமாக நிர்வகிக்கும் server-ல் முதல் version-ஐ உருவாக்கினால், இந்தக் கணக்கீடு சார்ந்திருக்கும் key handling மற்றும் request loop-ஐ VPS-ல் முதல் Claude API app விளக்குகிறது.

FAQ

Claude API, ChatGPT API-ஐ விட மலிவானதா?

எப்போதும் இல்லை. August 2026-ல், இரு தரப்பிலும் frontier மற்றும் workhorse tiers, ஒவ்வொரு input token-க்கும் ஒரே கட்டணத்தை வசூலிக்கின்றன. Claude, output token-க்கு குறைவாக வசூலிப்பதால், output அதிகமுள்ள பணிகளில் Claude சில சதவீதம் மலிவாக இருக்கும். சிறிய tier-ல், OpenAI-ன் gpt-5.6-luna, ஒவ்வொரு input token-க்கும் Claude Haiku 4.5-ன் கட்டணத்தில் ஐந்தில் ஒரு பங்கு மட்டுமே செலவாகும். எனவே, அதிக அளவிலான classification பணிகள் OpenAI-ல் மிகவும் மலிவாகும். உங்கள் token கலவையைப் பயன்படுத்தி நீங்களே செலவை கணக்கிடுங்கள். ஏனெனில் இவ்வளவு சிறிய வித்தியாசம் price list-ஐ விட உங்கள் workload-ஆல் தீர்மானிக்கப்படுகிறது.

ஒரே சொற்களுக்கு ஒவ்வொரு API-யிலும் ஏன் வேறுபட்ட token எண்ணிக்கை வருகிறது?

ஒவ்வொரு model-க்கும் தனித்த tokenizer இருப்பதே காரணம். Token எண்ணிக்கை model-ஐ சார்ந்தது. Claude 4.7 மற்றும் அதற்குப் பிந்தைய models, Claude Sonnet 4.6 மற்றும் அதற்கு முந்தைய models-ஐ விட, ஒரே text-க்கு சுமார் 30% அதிக tokens உருவாக்கும் என்று Anthropic ஆவணப்படுத்துகிறது. உங்கள் சொந்த text-ஐ ஒவ்வொரு vendor-ன் token counting endpoint-க்கும் அனுப்புங்கள். ஒரு எண்ணிக்கையை மற்றொன்றால் வகுக்கவும். ஒப்பிடுவதற்கு முன், கிடைக்கக்கூடிய rate-ல் அந்த விகிதத்தைப் பெருக்கவும். 20% token வித்தியாசம், வெளியிடப்பட்ட பெரும்பாலான rate வித்தியாசங்களை விட அதிக தாக்கம் செலுத்தும்.

Prompt caching கட்டணத்தை எப்போதாவது அதிகரிக்குமா?

ஆம், Anthropic-ல் அதிகரிக்கலாம். ஐந்து நிமிட entry-க்கு cache write, அடிப்படை input rate-ன் 1.25 மடங்கு செலவாகும். ஒரு மணி நேர entry-க்கு 2 மடங்கு செலவாகும். Cache hit-க்கு 0.1 மடங்கு செலவாகும். உங்கள் traffic அதிகமாக bursty-ஆக இருந்து, entries-ஐ எதுவும் படிப்பதற்கு முன்பே அவற்றில் பெரும்பாலானவை expire ஆனால், write premium-ஐ செலுத்தியும் எந்த reads-ஐயும் பெறமாட்டீர்கள். உங்கள் logs-ல் cache_creation_input_tokens மற்றும் cache_read_input_tokens ஆகியவற்றை ஒப்பிடுங்கள். விகிதம் 1-க்கு அருகில் இருந்தால், caching உங்களுக்கு பண இழப்பை ஏற்படுத்துகிறது. எனவே entry-ன் காலத்தை நீட்டிக்கவும் அல்லது அதை நீக்கவும்.

Coding agent-ஐ API-ல் இயக்க வேண்டுமா அல்லது subscription-ல் இயக்க வேண்டுமா?

சாதாரண அளவிலான பயன்பாட்டில் ஒரு developer-க்கு, subscription seat பொதுவாக metered API billing-ஐ விட மலிவாக இருக்கும். Coding agent ஒவ்வொரு turn-லும் பெரிய context-ஐ மீண்டும் அனுப்புவதால், அந்த context ஒவ்வொரு முறையும் கட்டணத்துக்குள் வரும். முதலில் ஒரு வாரம் இதற்கான metering செய்யுங்கள். பின்னர் API மொத்தக் கட்டணத்தை seat விலையுடன் ஒப்பிடுங்கள். Usage திடீரென அதிகரிக்கும் முறையில் இருந்தால், அல்லது seat வழங்காத programmatic access உங்களுக்குத் தேவைப்பட்டால், API அதிக பயனுள்ளதாக இருக்கும்.