Bakit ang mahal ng Claude API? Paliwanag sa token math

Bakit mahal ang Claude? Ang maikling sagot

Mahal ang Claude dahil sa apat na dahilan na nagsasama-sama ang epekto. Limang beses ang presyo ng output tokens kumpara sa input tokens. Walang memory ng pag-uusap ang API, kaya ipinapadala at sinisingil muli ang buong history sa bawat turn. Ginagawang dose-dosenang API call ng isang agent ang isang tanong, at dala ng bawat call ang history na patuloy na lumalaki. Bukod dito, nakabatay ang presyo ng frontier model sa hirap ng gawaing isinasagawa nito, hindi sa gastos ng pagpapatakbo ng maliit na model.

Ang token ay isang bahagi ng text, at nakadepende sa model kung gaano karaming text ang katumbas nito. Ginagamit ng Opus 5, Sonnet 5, Fable 5 at 5.1, at lahat ng 5.5 model ang bagong tokenizer na dumating kasama ng Claude 4.7. Ayon sa Anthropic, ang isang milyon ng mga token na ito ay katumbas ng humigit-kumulang 555,000 English words o 2.5 milyong character. Ibig sabihin, ang isang token ay mga dalawa't kalahating character, o bahagyang higit sa kalahating salita. Ginagamit ng mas lumang model gaya ng Sonnet 4.6 at Haiku 4.5 ang naunang tokenizer, kung saan ang isang token ay humigit-kumulang 3.5 English character at ang isang milyon na token ay naglalaman ng mga 750,000 salita. Humigit-kumulang 30 porsiyentong mas maraming token ang binibilang para sa parehong text sa mga bagong model, kaya bilangin itong muli gamit ang model na plano mong gamitin sa halip na gamitin muli ang lumang estimate. Ang mga rate ay ipinapahayag kada isang milyong token at isinusulat bilang MTok (million tokens). Lahat ng rate sa ibaba ay ang inilathalang Claude API rate noong October 2026.

Karamihan sa mga bill na hindi inaasahan ay nagmumula sa pangalawa at pangatlong dahilan sa listahang iyon. Karaniwang iniisip ng mga tao na ang mga sagot na isinusulat ng Claude ang may bayad. Sa isang agent session, kadalasan ay wala pang isang ikasampu ng bill ang napupunta sa pagsusulat.

Mga inilathalang rate, para magkasundo tayo sa mga numero

[
  {
    "label": "Haiku 4.5",
    "input_usd": 1,
    "output_usd": 5,
    "cache_read_usd": "0.10"
  },
  {
    "label": "Sonnet 5",
    "input_usd": 2,
    "output_usd": 10,
    "cache_read_usd": "0.20"
  },
  {
    "label": "Sonnet 4.6",
    "input_usd": 3,
    "output_usd": 15,
    "cache_read_usd": "0.30"
  },
  {
    "label": "Opus 5",
    "input_usd": 5,
    "output_usd": 25,
    "cache_read_usd": "0.50"
  }
]

Tingnan ang pattern, hindi ang mga absolute na numero. Eksaktong limang beses na mas mataas ang singil ng bawat model para sa output kaysa sa input. Ang Opus 5 ay nagkakahalaga ng 5 dollars bawat milyong input token at 25 dollars bawat milyong output token. Ang Haiku 4.5 ay nagkakahalaga ng 1 at 5. Kaya limang beses ang pagitan mula sa pinakamurang model sa talahanayang ito hanggang sa pinakamahal, at limang beses din ang pagitan ng pagbabasa at pagsusulat.

Ang Sonnet 5 ay nagkakahalaga ng 2 at 10 dollars bawat milyon. Unang inilabas ng Anthropic ang presyong iyon bilang introductory rate hanggang August 31, 2026, pagkatapos ay ginawa itong standard price at kinansela ang planong itaas ito sa 3 at 15 dollars. Nagbabago ang mga rate kasabay ng paglabas ng mga bagong model, kaya suriin ang kasalukuyang rate bago ka gumawa ng budget batay rito. Pareho pa rin ang pattern na limang beses sa mga mas bagong model: nakalista ang Opus 5.5 sa 4 at 20 dollars bawat milyon, ang Sonnet 5.5 sa 2 at 10, at ang Haiku 5.5, na inilabas noong October 7, 2026, sa 0.10 at 0.50. Wala ring libreng tier sa ibaba ng talahanayang ito, bagama’t nagsisimula ang mga bagong account na may maliit na credit at walang bayad ang ilang bahagi ng API.

Ang huling column ay ang cache read rate. Ito ang karaniwang nagpapasya sa kabuuang bill. Balikan natin ito pagkatapos ng arithmetic.

Bakit limang beses na mas mahal ang output tokens kaysa sa input tokens?

Hindi pareho ang bigat ng trabaho sa pagbabasa at pagsusulat. Ang input tokens ay pinoproseso sa isang pasada lang. Binabasa ng model ang buong prompt nang sabay-sabay at tumatakbo ang trabaho nang parallel sa kabuuan nito, kaya naman ang 60,000 token na prompt ay hindi nangangailangan ng 60,000 beses na mas mahabang oras para basahin kumpara sa 1,000 token na prompt.

Ang output tokens ay ginagawa nang isa-isa. Ang bawat bagong token ay nangangailangan ng sarili nitong pasada sa model, at kailangan nito ang bawat token na nauna sa kanya bilang konteksto. Ang pagsusulat ng 1,000 tokens ay nangangahulugan ng 1,000 na pasada, nang sunod-sunod. Ang serial na trabahong ito ay hindi maaaring ikalat gaya ng pagbabasa, kaya mas matagal na ginagamit ng bawat output token ang hardware.

Ito ang dahilan kung bakit ang "gawing mas maikli ang sagot" ay hindi kasing-epektibong paraan gaya ng inaasahan ng marami. Gumagana lang ito sa mas maliit na bahagi ng bill ng agent.

Bakit muling binabawas sa bill ang buong usapan sa bawat turn?

Ang Claude API ay stateless. Walang usapang nakaimbak sa panig ng Anthropic na dinadagdagan mo lang ng isang mensahe. Ang bawat request ay nagdadala ng buong history ng mensahe, at binabasa ito ng model bago ito sumulat ng anuman. Kaya ang turn 30 ay may bayad din para sa turn 1 hanggang 29.

Ibig sabihin nito, mas mabilis lumaki ang gastos ng isang usapan kaysa sa haba nito. Ang turn 1 ay may bayad para sa maliit na context. Ang turn 40 ay may bayad para sa malaking context. Pagsamahin ang lahat ng apatnapung turn at nabayaran mo na nang maraming beses ang dami ng tokens na naisulat.

[
  {
    "turn": 1,
    "context_tokens": "20,000"
  },
  {
    "turn": 5,
    "context_tokens": "32,000"
  },
  {
    "turn": 10,
    "context_tokens": "45,000"
  },
  {
    "turn": 15,
    "context_tokens": "55,000"
  },
  {
    "turn": 20,
    "context_tokens": "64,000"
  },
  {
    "turn": 25,
    "context_tokens": "74,000"
  },
  {
    "turn": 30,
    "context_tokens": "84,000"
  },
  {
    "turn": 35,
    "context_tokens": "92,000"
  },
  {
    "turn": 40,
    "context_tokens": "100,000"
  }
]

Ang session sa itaas ay nagsisimula sa 20,000 tokens, na siyang system prompt, ang mga tool definition, at ang mga unang file na binuksan ng agent. Pagsapit ng turn 40, ang context ay naglalaman na ng 100,000 tokens. Kunin ang average nito sa lahat ng apatnapung turn at makakakuha ka ng humigit-kumulang 60,000 tokens na binabasa bawat request.

Bakit mas mahal nang malaki ang isang agent kaysa sa chat?

Isang request lang ang chat para sa bawat tanong. Isang request naman ang agent para sa bawat step. Step ang pagbasa ng isang file. Step ang pagpapatakbo ng isang test. Step ang pagbasa sa output ng test. Step ang pag-edit ng file. Karaniwan para sa isang coding agent ang umabot sa 40 step bago matapos ang isang task.

May dalawang dagdag na gastos na kasama sa paggamit ng tool. Input tokens ang mga tool definition sa bawat request, dahil kailangang sabihin sa model kung anong mga tool ang available sa bawat pagkakataon. Inilalathala ng Anthropic ang overhead: 286 tokens ang tool use system prompt sa Opus 5 kapag nakatakda ang tool_choice sa auto, bukod pa sa mga token ng sarili mong tool schema. May hiwalay ding bayad ang ilang server-side tool. Sinisingil ang web search ng $10 bawat 1,000 search, bukod pa sa mga token na ginagamit ng mga resulta.

Permanenteng bahagi rin ng context ang bawat tool result. Kapag nag-print ang isang command ng 3,000 linya, napupunta ang 3,000 linyang iyon sa bawat kasunod na request hanggang matapos ang session o ma-compact o ma-clear ang history. Makikita ito sa token usage sa bawat session na nire-report ng Claude Code: obserbahan kung paano tumataas ang input number agad pagkatapos ng maingay na command.

Ang aritmetika sa isang totoong session

Narito ang isang makatotohanang oras ng agentic coding sa Opus 5. Apatnapung API requests. Ang context ay lumaki mula 20,000 hanggang 100,000 tokens, kaya ang average nito ay nasa 60,000 tokens bawat request. Ang model ay nagsulat ng humigit-kumulang 700 tokens bawat request, na kombinasyon ng maiikling tool calls at ilang mahahabang blocks ng code.

Requests in the session:      40
Average context per request:  60,000 tokens

Total input tokens billed:    40 x 60,000                    = 2,400,000
Input cost on Opus 5:         2,400,000 x $5 / 1,000,000     = $12.00

Total output tokens:          40 x 700                       =    28,000
Output cost on Opus 5:        28,000 x $25 / 1,000,000       =  $0.70

Session total                                                = $12.70

[
  {
    "label": "Input, context re-read",
    "billed_tokens": "2,400,000",
    "cost_usd": "12.00"
  },
  {
    "label": "Output, code and tool calls",
    "billed_tokens": "28,000",
    "cost_usd": "0.70"
  }
]

Tingnan ang hatian. Ang gastos sa pagbabasa ay 12.00 dollars at ang gastos sa pagsusulat ay 0.70 dollars, kaya ang output na aktwal mong binasa ay nasa limang porsyento lamang ng kabuuang bayarin. Ang model ay nagsulat ng 28,000 tokens at sinisingil para sa pagbabasa ng 2,400,000. Walang nag-type ng 2.4 milyong tokens. Ang parehong 100,000 tokens ang paulit-ulit na binasa.

Lever 1: prompt caching, ang pinakamalaki ang epekto

Iniimbak ng prompt caching ang naprosesong anyo ng stable prefix ng iyong prompt. Sa susunod na request, binabasa ang prefix na iyon mula sa cache sa halip na iproseso ulit. Ang pagsusulat sa cache ay nagkakahalaga ng 1.25 beses ng input rate para sa five minute cache, o 2 beses para sa one hour cache. Ang pagbasa mula rito ay nagkakahalaga ng 0.1 beses ng input rate sa karamihan ng mga model, kabilang ang Opus 5. Ang singil ng Opus 5.5 at Sonnet 5.5 ay 0.05 beses, at ang Fable 5.1 ay 0.025 beses. Sa Opus 5, katumbas ito ng 0.50 dollars bawat milyon sa halip na 5 dollars.

Ilapat ito sa session sa itaas. Isinusulat sa cache nang isang beses ang bawat isa sa 100,000 token habang lumalaki ang conversation. Ang natitirang 2,300,000 input token ay nagiging cache read.

Tokens written to cache:      100,000
Cache write at 1.25x input:   100,000 x $6.25 / 1,000,000    = $0.63

Tokens read from cache:       2,300,000
Cache read at 0.1x input:     2,300,000 x $0.50 / 1,000,000  = $1.15

Output cost, unchanged                                       = $0.70

Session total                                                = $2.48

Tinutukoy mo ang bahaging maaaring i-cache gamit ang field na cache_control. Ilagay ang breakpoint pagkatapos ng content na hindi nagbabago sa pagitan ng mga turn: ang system prompt at ang mga tool definition. Ang mahabang dokumentong palagi mong tinutukoy ay dapat mapabilang sa kaparehong stable block.

{
  "model": "claude-opus-5",
  "system": [
    {
      "type": "text",
      "text": "<long, stable instructions>",
      "cache_control": {"type": "ephemeral"}
    }
  ],
  "messages": [{"role": "user", "content": "..."}]
}

Ang pagkakasunod-sunod ng iyong prompt ang nagtatakda ngayon ng gastos. Kailangan ng cache hit ng eksaktong tugma mula sa pinakasimula ng prompt, kaya dapat ilagay pagkatapos ng lahat ng hindi nagbabago ang anumang nagbabago sa bawat request. Kapag naglagay ka ng timestamp sa itaas ng system prompt, masisira ang cache sa bawat turn: magiging miss ang buong prefix, at magbabayad ka ng 1.25 beses ng input rate upang isulat itong muli.

Sinasabi ng response kung gumana ito. Magpadala ng request at basahin ang usage block.

curl 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-opus-5",
    "max_tokens": 256,
    "messages": [{"role": "user", "content": "Hello"}]
  }'

May dala ang bawat response na usage object na ganito:

{
  "usage": {
    "input_tokens": 105,
    "cache_creation_input_tokens": 7345,
    "cache_read_input_tokens": 7123,
    "output_tokens": 239
  }
}

Ang repeat request na nagpapakita pa rin ng 0 sa cache_read_input_tokens ay nangangahulugang hindi nagkakaroon ng cache hit. Karaniwang sanhi nito ang pagbabago sa isang bagay bago ang iyong breakpoint. Nag-e-expire rin ang five minute cache, kaya ang request na ipinadala pagkalipas ng anim na minuto ay isang miss na sinusundan ng panibagong pagsusulat sa cache.

Lever 2: Ipadala ang mga madaling turn sa mas maliit na model

Hindi mahirap ang karamihan sa mga turn sa isang agent session. Pagbukas ng file, pagpapatakbo ng formatter, at pagbasa ng diff. Hindi kailangan ng mga ito ang frontier model. Kapag niruta ang mga ito sa Haiku 4.5, bababa ang input rate mula 5 dollars bawat milyon tungo sa 1. Mas mababa pa ang nakalistang rate ng Haiku 5.5: 0.10 dollars para sa mga prompt na hanggang 100,000 token. Gayunman, magiging limang beses ang bawat rate nito kapag lumampas ang prompt sa limitasyong iyon, at umaabot doon ang mahabang agent context. Inilalahad sa Magkano ang Haiku 5.5 at saan ito angkop ang dalawang tier.

[
  {
    "label": "Opus 5, no caching",
    "session_cost_usd": "12.70"
  },
  {
    "label": "Opus 5, cached",
    "session_cost_usd": "2.48"
  },
  {
    "label": "Sonnet 5, cached",
    "session_cost_usd": "0.99"
  },
  {
    "label": "Haiku 4.5, cached",
    "session_cost_usd": "0.50"
  }
]

Ang parehong session ay nagkakahalaga ng 12.70 dollars sa Opus 5 kapag walang caching, 2.48 kapag may caching, 0.99 sa Sonnet 5 kapag may caching, at 0.50 sa Haiku 4.5 kapag may caching. Tinatanggal ng caching lang ang humigit-kumulang 80 porsiyento ng bill. Tinatanggal naman ng pagpili ng model ang malaking bahagi ng natitira. Pareho ang kabuuang token sa row ng Haiku 4.5 at sa iba pa para patas na maikumpara ang mga rate. Mas lumang tokenizer ang ginagamit ng Haiku 4.5, samantalang humigit-kumulang 30 porsiyentong mas maraming token ang binibilang ng mas bago para sa parehong text. Dahil dito, humigit-kumulang 23 porsiyentong mas kaunting token ang kailangan ng parehong trabaho sa Haiku 4.5, kaya magiging mas malapit sa 0.38 dollars ang halaga ng session na iyon.

Narito ang mahalagang limitasyon. Kapag mali ang sagot ng mas murang model, babayaran mong muli ang buong session, pati ang sarili mong oras. Mag-route batay sa hirap ng task, hindi sa presyo. Nalalapat din ang panuntunang ito sa mas mahal na model: ang nakalistang presyo ng Claude Fable 5 at Fable 5.1 ay mas mataas sa Opus 5, sa $10 at $50 bawat milyon. Basahin muna ang kung ano ang napapala sa mga rate na iyon bago ka magpadala roon ng turn. Tinalakay sa Pagpili sa pagitan ng Opus, Sonnet at Haiku kung saan maaasahan ang bawat isa.

Antas 3: context hygiene

Ang bawat token na iniiwan mo sa context ay may bayad sa bawat natitirang turn, kaya mas sulit na alisin ang token nang maaga kaysa sa huli. Ang isang 5,000 token file na ipinasok sa turn 5 ng isang 40-turn session ay babasahin pa ng 35 beses. Katumbas ito ng 175,000 extra input tokens, na halos isang dolyar na sa Opus 5 dahil lang sa isang pabayang pag-paste.

Apat na gawi na nagpapababa ng bilang:

• Magsimula ng bagong session para sa bagong task sa halip na ituloy ang kahapon.
• I-filter ang mga maingay na command bago pa makarating ang output sa model, gamit ang gaya ng head -50, sa halip na pagkatapos.
• Hingin lang ang partikular na function na kailangan mo, huwag ang buong file.
• Kapag hindi na umuusad ang isang mahabang session, humingi ng summary at magsimulang muli base rito. Ang summary ay nasa ilang daang tokens lang. Ang transcript ay aabot ng daan-daang libo.

Antas 4: i-batch ang anumang hindi interactive

Ang Batch API ay nagpoproseso ng mga request nang asynchronously at nagbibigay ng 50 percent na bawas sa presyo ng input at output. Kung ang isang job ay hindi nangangailangan ng sagot sa loob ng susunod na segundo, i-batch ito. Sakop nito ang classification, extraction, pag-summarize ng backlog, at mga evaluation run. Ang batch discount ay nagpapatong sa prompt caching. Hindi ito applicable sa isang interactive session, dahil wala namang hinihintay na resulta roon.

Niloloko ba ako?

Iyan ang tunay na tanong sa likod ng "bakit mahal ang Claude", kaya heto ang direktang sagot. Ang mga rate ay naka-publish, pare-pareho para sa lahat ng nasa standard tiers, at sinisingil bawat token. Ang exception ay ang mga negotiated contract, at kahit doon, ang Claude Enterprise pricing ay naglalagay ng per seat charge sa ibabaw ng parehong metered tokens sa halip na palitan ang mga ito. Kung ang paghahambing sa isip mo ay ibang vendor sa halip na ibang plan, ipinapakita ng the same jobs priced on the Claude and ChatGPT APIs kung saan mas nakakatipid sa bawat isa. Walang discretionary sa bill. Hindi masasabi ng rate card kung nakakakuha ka ng value, dahil ang presyo nito ay base sa tokens habang ang mahalaga sa iyo ay ang resulta.

Kaya i-presyo ang resulta sa halip na ang tokens. Ang session sa itaas ay nagkakahalaga ng 12.70 dollars nang walang caching. Kung nakapag-ship ito ng feature na aabutin ka sana ng isang oras, mura na iyon. Kung umabot ito ng apatnapung palitan ng mensahe na paikot-ikot lang, ang parehong 12.70 dollars ay walang naibigay na resulta, at hindi ang rate ang naging problema.

Ito ang bahaging dapat tandaan. Ang bill mo ay lumalaki base sa tokens, hindi sa value. Ang produktibong session at ang nasayang na session na may parehong haba ay may parehong halaga. Kaya mas mahalaga ang apat na levers kaysa sa rate card: hindi mo maaaring i-negotiate ang presyo bawat token, pero ikaw ang nagdedesisyon kung ilang tokens ang kakailanganin ng trabaho.

Kaya i-track ang dollars bawat natapos na task, hindi dollars bawat buwan. Kung bumababa ang numerong iyon habang ina-adjust mo ang caching at routing, gumaganda ang setup mo kahit tumataas ang monthly total, dahil ang total ay tumataas dahil sa mas maraming trabahong natatapos.

Mga hindi nagpapababa ng bill

Kaunti lamang ang naitutulong ng ilang popular na payo. Kapag sinabihan ang model na “maging concise,” nababawasan ang output, pero 5 percent lamang ng halimbawa ng bill ang output. Kapag pinaikli mo ang sarili mong tanong, ilang daang token lamang ang matitipid laban sa 60,000-token context. Nakatutulong ang pag-off ng extended thinking kung malaking bahagi talaga ng output mo ang thinking tokens. Ipinapakita iyon ng usage block para hindi mo kailangang manghula.

Hindi rin awtomatikong dagdag-gastos ang mas malaking context window. Sa Claude 4.6 at mga mas bagong bersyon, maliban sa Haiku 5.5, sinisingil ang buong one million token window sa standard per-token rate. Kaya pareho ang presyo kada token ng 900,000-token request at 9,000-token request. Exception ang Haiku 5.5: batay ito sa prompt length, at ang prompt na mahigit 100,000 token ay may limang beses na mas mataas na singil para sa input, output, at cache. Dahil dito, tumataas ang input mula 0.10 hanggang 0.50 dollars kada million at ang output mula 0.50 hanggang 2.50. Sa lahat ng iba pang kasalukuyang model, hindi itinatakda ng window size ang presyo. Ang nilalagay mo sa window ang nagtatakda nito.

Dapat pagplanuhan ang dalawa pang bagay sa halip na isaalang-alang lamang sa isang session. Kung araw-araw at interactive ang paggamit mo, ihambing ang pay per token sa flat plan: ginagawa iyon ng paghahambing ng gastos sa API at subscription. Kung mas sulit ang flat plan at isinasaalang-alang mo rin ang ibang vendor, ginagawa ng magkatabing presyo ng Claude at ChatGPT plans ang parehong paghahambing para sa dalawa. Kung nagpapatakbo naman ang isang agent nang unattended sa server, magtakda muna ng hard spend cap bago mag-tune ng iba pang setting. Iyan ang saklaw ng mga cost control para sa AI agent sa VPS. Para sa malinaw na pagtatantiya ng scale, ginagawang mga pahina ng text ng kung ano talaga ang nabibili ng one million Claude tokens ang rate card.

FAQ

Bakit biglang tumaas ang bill ko sa Claude nang magsimula akong gumamit ng agent?

Dahil maraming request ang ipinapadala ng agent para sa bawat tanong, at kasama sa bawat request ang buong conversation hanggang sa puntong iyon. Isang request lang ang ipinapadala ng chat para sa bawat tanong. Isang request naman ang ipinapadala ng coding agent sa bawat step, at normal ang apatnapung step para sa isang task. Sinisingil ang bawat request batay sa buong context nito, kaya ang session na nagtatapos sa 100,000 token ay maaaring masingil para sa mahigit dalawang milyong input token sa kabuuan. Basahin ang input_tokens at cache_read_input_tokens sa API response upang makita ito nang direkta.

Malaki ba talaga ang ibinabawas ng prompt caching sa bill?

Sa worked example, ibinaba nito ang session cost mula 12.70 dollars tungo sa 2.48 dollars, dahil ang cache read sa Opus 5 ay nagkakahalaga ng isang-ikasampu ng input rate. Nakadepende nang buo ang matitipid sa hit rate. Sa five-minute cache, nababawi nito ang gastos pagkatapos ng isang read, dahil ang write ay nagkakahalaga ng 1.25 beses ng input at ang read ay nagkakahalaga ng 0.1 beses o mas mababa. Kung nagbabago ang prompt malapit sa simula sa bawat request, wala kang makukuhang hit at babayaran mo nang walang pakinabang ang write premium. Kumpirmahin gamit ang cache_read_input_tokens bago mo ipalagay na gumagana ito.

Dapat ko na lang bang gamitin ang Haiku para sa lahat?

Hindi. Ang Haiku 4.5 ay nagkakahalaga ng 1 dollars bawat milyong input token, kumpara sa 5 para sa Opus 5, kaya tunay ang matitipid sa simple at high-volume na trabaho gaya ng classification at routing. Mas malaki ang gastos ng maling sagot sa mahirap na trabaho kaysa sa natipid sa model, dahil babayaran mo ang retry at ang sarili mong oras. Ang pattern na maaasahan ay mixed: gamitin ang maliit na model para sa mechanical na mga turn, at ang frontier model para sa turn na nangangailangan ng judgement.

Mas mura ba ang API kaysa sa Claude subscription?

Nakadepende ito sa kung gaano ka-steady ang paggamit mo. Ang subscription ay may fixed na monthly price at may kalakip na usage limits. Ang API ay pay per token at walang ceiling. Mas mura ito kapag magaan o pasulpot-sulpot ang paggamit mo, at mas mahal kapag mabigat ang paggamit mo araw-araw ng trabaho. Kunin ang average tokens per day mula sa usage block, i-price ang mga ito gamit ang rate ng model mo, i-multiply sa bilang ng araw na ginagamit mo ito sa isang buwan, at ikumpara ang monthly figure sa plan price. Para sa entry tier, nakasaad ang plan price sa magkano ang Claude Pro at saan ka nililimitahan ng usage nito. Kung mas pabor sa API ang kabuuang halaga, hindi masasayang ang buwan na nabayaran mo na kapag nag-cancel ka, dahil magiging epektibo ang cancellation sa pagtatapos ng kasalukuyang billing period at mananatili sa iyo ang plan hanggang doon. Sinasaklaw ng pag-cancel ng plan o pagbaba sa mas mababang tier ang dalawang opsyon.