Claude vs ChatGPT API: کون سا سستا ہے؟

مختصر جواب

Claude اور ChatGPT API کی قیمتوں میں کوئی ایک واضح فاتح نہیں، کیونکہ دونوں فراہم کنندگان ہر tier پر input اور output کی مختلف قیمتیں مقرر کرتے ہیں۔ August 2026 تک Claude کے اوپری دو tiers میں ہر input token کی قیمت ان کے OpenAI متبادل کے برابر، جبکہ ہر output token کی قیمت کم ہے؛ اس لیے output-heavy کام میں Claude معمولی طور پر بہتر رہتا ہے۔ چھوٹے tier میں اسی کام کے لیے Claude کی لاگت کئی گنا زیادہ ہے۔ جو جواب tier اور token mix بیان نہ کرے، وہ محض اندازہ ہے۔

اس لیے یہ صفحہ پہلے حساب پیش کرتا ہے، پھر token mixes کے ساتھ لاگت والے تین workloads، اور اس کے بعد وہ multipliers بیان کرتا ہے جو headline rate کے مقابلے میں حقیقی bill کو زیادہ متاثر کرتے ہیں۔

درکار واحد فارمولا

دونوں APIs متن کے لیے ایک ہی طریقے سے بل کرتے ہیں۔ آپ جو tokens بھیجتے ہیں ان کی قیمت ادا کرتے ہیں، اور model جو tokens واپس لکھتا ہے ان کے لیے زیادہ rate ادا کرتے ہیں۔

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

ایک token میں انگریزی کے تقریباً 4 characters ہوتے ہیں، جو تقریباً 0.75 لفظ کے برابر ہے۔ ابتدائی اندازے کے لیے صرف یہی تناسب استعمال کریں۔ حقیقی bill کے لیے ہر response کے usage object میں API کی جانب سے واپس کیے گئے counts استعمال کریں۔

# 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))

اس script میں 0.005 دکھائی دیتا ہے، جو ہر turn کے لیے نصف cent ہے۔ اسے ایک ماہ میں متوقع turns کی تعداد سے ضرب دیں، اور آپ کے پاس budget آ جائے گا۔ اگر denominator میں million-token unit سمجھنا مشکل لگتا ہے تو Claude میں ایک million tokens سے حقیقتاً کتنا متن حاصل ہوتا ہے اس کے پیچھے متن کی ایک واضح مقدار پیش کرتا ہے۔ یہ واحد formula سیکھ لیں، پھر آج کے بعد قیمت میں ہر تبدیلی نئی analysis کے بجائے صرف ایک سطری ترمیم بن جائے گی۔

شائع کردہ نرخ، August 2026

یہ وہ فہرست قیمتیں ہیں جو دونوں vendors نے 1 August 2026 کو شائع کی تھیں۔ اس post میں قیمت صرف اسی block میں لکھی گئی ہے۔ بجٹ منظور کرنے سے پہلے اسے claude.com/pricing اور OpenAI کے pricing page سے ملا لیں۔

[
  {
    "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
  }
]

یہ جوڑیاں ہر lineup میں پوزیشن کے لحاظ سے بنائی گئی ہیں، شہرت کے لحاظ سے نہیں۔ Frontier میں Claude Opus 5 کا مقابلہ gpt-5.6-sol سے ہے۔ Workhorse میں Claude Sonnet 5 کا مقابلہ gpt-5.6-terra سے ہے۔ Small میں Claude Haiku 4.5 کا مقابلہ gpt-5.6-luna سے ہے۔ دونوں vendors اس block سے اوپر کے higher tiers بھی فروخت کرتے ہیں، اور OpenAI پرانی generations کو ان کی اصل rates پر فہرست میں برقرار رکھتا ہے۔ Claude کی طرف یہ tier Fable 5 ہے۔ اس کی قیمت frontier row کے دونوں legs پر دوگنی ہے، جبکہ output ratio وہی five-times رہتا ہے۔ اس لیے Fable 5 کی قیمت اور یہ rate کب قابلِ جواز بنتا ہے پڑھ لینا مفید ہے، اس سے پہلے کہ آپ یہ فرض کریں کہ Opus 5 آپ کے bill کا سب سے اوپر والا model ہے۔ ایک طرف flagship اور دوسری طرف budget model کا موازنہ ایسا number پیدا کرتا ہے جس کا کوئی مفہوم نہیں ہوتا۔ زیادہ تر published comparisons کی headline اسی طرح بنتی ہے۔

اس block میں دو باتیں واضح طور پر بیان کرنا ضروری ہے۔ Sonnet 5 کی 2 اور 10 introductory rates ہیں، اور Anthropic کی documentation کے مطابق یہ 31 August 2026 کو ختم ہو جائیں گی۔ اس کے بعد Sonnet 5 کے rates 3 اور 15 ہوں گے۔ اس ایک تبدیلی سے workhorse tier میں Claude کی معمولی برتری ختم ہو کر OpenAI کی واضح برتری بن جاتی ہے، اور یہ تبدیلی اس post کی shelf life کے دوران ہی واقع ہوتی ہے۔

دوسری بات ایک ایسا pattern ہے جسے یاد رکھنا چاہیے: اوپر موجود ہر row میں Claude اپنے input rate سے بالکل 5 گنا output price مقرر کرتا ہے، جبکہ OpenAI output کی قیمت 6 گنا مقرر کرتا ہے۔ winner کا بدلنا absolute rate کے بجائے اسی ratio کی وجہ سے ہوتا ہے، کیونکہ یہ آپ کے token mix کے مطابق نتیجہ تبدیل کرتا ہے۔

فی ملین ٹوکن کی شرح مختلف vendors کے درمیان قابلِ موازنہ کیوں نہیں ہوتی

شرح، فی token ڈالر کی لاگت ہوتی ہے۔ بل، فی token ڈالر کی لاگت کو tokens کی تعداد سے ضرب دینے کا نتیجہ ہوتا ہے، اور کسی متن کے tokens کی تعداد متن کی نہیں بلکہ model کی خصوصیت ہوتی ہے۔

Anthropic یہ بات براہِ راست دستاویز کرتا ہے: Claude 4.7 اور اس کے بعد کے models، جن میں Claude Opus 5 اور Claude Sonnet 5 شامل ہیں، نیا tokenizer استعمال کرتے ہیں جو Claude Sonnet 4.6 اور اس سے پہلے کے models کے مقابلے میں اسی متن کے لیے تقریباً 30% زیادہ tokens بناتا ہے۔ شرح تبدیل نہیں ہوئی۔ بل تبدیل ہو گیا۔

اس لیے بظاہر یکساں دو rates یکساں bills نہیں ہوتے۔ دونوں اطراف اپنے متن کے ساتھ tokens شمار کریں، پھر اس موازنے سمیت کسی بھی comparison پر اعتماد کریں۔

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."}]
  }'

درست response ایک چھوٹا JSON object ہوتا ہے جس میں input_tokens شامل ہوتا ہے۔ 401 کا مطلب ہے کہ key variable آپ کے shell میں خالی ہے۔ اسی متن کو دوسرے vendor کے tokenizer سے گزاریں، ایک count کو دوسرے count پر تقسیم کریں، پھر comparison سے پہلے اس ratio کو published rate میں ضرب دیں۔ اگر ratio کسی ایک vendor کے حق میں تقریباً 1.2 سے زیادہ ہو، تو یہ اوپر والے block میں rate کے ہر فرق پر غالب آ جاتا ہے۔

منظرنامہ ایک: چیٹ کی سہولت

ایک web application کے اندر support assistant۔ ماہانہ 120,000 turns۔ ہر turn میں system prompt، tool schemas، help desk سے حاصل کیے گئے دو snippets اور چند سابقہ messages بھیجے جاتے ہیں۔ یہ تقریباً 1,400 input tokens بنتے ہیں، جبکہ model تقریباً 220 tokens میں جواب دیتا ہے۔ یہ interactive ہے، اس لیے batch discount یہاں کبھی لاگو نہیں ہو سکتا۔ اسے workhorse tier پر چلائیں۔

[
  {
    "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 پر Claude کا بل 600.00 بنتا ہے، جبکہ OpenAI کا 652.80۔ input کے دونوں حصے یکساں ہیں، کیونکہ input rates یکساں ہیں۔ پورا فرق output میں ہے، اور Claude یہ فرق اتنے معمولی margin سے جیتتا ہے کہ اسی بنیاد پر کسی vendor کا انتخاب نہیں کیا جا سکتا۔

اب ان 1,400 input tokens میں سے 800 کو stable prefix سمجھیں: system prompt اور tool schemas، جو turns کے درمیان تبدیل نہیں ہوتے۔ دونوں vendors cache hit کے لیے اپنی base input rate کا 10% وصول کرتے ہیں۔ Claude کا بل کم ہو کر 427.20 اور OpenAI کا 480.00 رہ جاتا ہے۔ caching کی قدر vendor کے انتخاب سے زیادہ ہے، اور دونوں platforms یہ سہولت دیتے ہیں۔

یہاں Claude پیچھے رہ جاتا ہے۔ زیادہ تر support answers کے لیے workhorse model درکار نہیں ہوتا۔ اسی traffic کو small tier پر منتقل کریں۔ Claude کا بل 213.60 جبکہ OpenAI کا 48.00 بنتا ہے۔ ایک کو دوسرے پر تقسیم کریں تو معلوم ہوتا ہے کہ اسی کام کے لیے Claude کی لاگت تقریباً ساڑھے چار گنا زیادہ ہے۔ Claude Haiku 4.5 فی million input tokens 1 وصول کرتا ہے، جبکہ gpt-5.6-luna کی شرح 0.2 ہے، اور caching کی کوئی مقدار بھی پانچ گنا فرق ختم نہیں کر سکتی۔ اگر آپ کا workload small model پر چل سکتا ہے تو OpenAI سستا ہے اور margin بڑا ہے۔

منظرنامہ دو: طویل context والی document pipeline

ہر ماہ 25,000 contracts۔ ہر request میں وہی 9,000-token instruction اور JSON schema، اس کے بعد 12,000 tokens کا contract text شامل ہوتا ہے، جبکہ model تقریباً 700 tokens پر مشتمل structured fields واپس کرتا ہے۔ اس کام میں output کل tokens کے 4% سے بھی کم ہے، اور یہی ایک حقیقت comparison کا فیصلہ کرتی ہے۔

[
  {
    "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"
  }
]

دونوں جانب 9,000-token prefix cache ہونے کی صورت میں Claude کی لاگت 820.00 اور OpenAI کی لاگت 855.00 ہے۔ Input کی لاگت cent تک یکساں ہے، کیونکہ August 2026 میں دونوں کے workhorse input rates یکساں ہیں۔ پورا فرق output leg سے پیدا ہوتا ہے: Claude میں output کی قیمت input سے 5 گنا اور OpenAI میں 6 گنا ہے۔

یہ کام batching کے لیے بھی موزوں ہے۔ دونوں vendors asynchronous work کے لیے input اور output پر 50% رعایت دیتے ہیں، اس لیے دونوں totals نصف ہو جاتے ہیں اور فرق کی نوعیت برقرار رہتی ہے۔ Batch دونوں platforms پر سب سے بڑی واحد رعایت ہے، اور nightly document pipeline ہمیشہ اسے استعمال کر سکتی ہے۔

Claude کا نقصان پہلے جیسی tier logic کی وجہ سے ہوتا ہے۔ Fixed schema کے مطابق field extraction عین وہ کام ہے جس میں small model اچھی کارکردگی دکھاتا ہے، اور یہاں tokens کا 97% input ہے۔ ایک tier نیچے جانے سے OpenAI کا input rate 0.1 گنا اور Claude کا input rate 0.5 گنا ہو جاتا ہے۔ یہ فرض کرنے سے پہلے کہ آپ کو بڑا model درکار ہے، 200 documents پر small model آزمائیں، اور وہی evaluation استعمال کریں جو آپ کسی کام کے لیے درست Claude tier منتخب کرنے پر چلاتے۔

منظرنامہ تین: ہمیشہ فعال coding agent

ایک developer VPS پر agent چلا رہا ہے، اور ماہانہ تقریباً 900 model turns ہوتے ہیں۔ ہر turn میں repository context کے تقریباً 60,000 input tokens شامل ہیں، جن میں سے 80% cache hit ہوتے ہیں، جبکہ agent تقریباً 1,800 tokens پر مشتمل edits اور وضاحت تیار کرتا ہے۔ اس کی قیمت frontier tier کے مطابق لگائیں، کیونکہ coding میں capability gap کی حقیقی مالی لاگت ہوتی ہے۔

Claude کی لاگت 116.10 ہے، جبکہ OpenAI کی لاگت 124.20 ہے۔ input rate یکساں ہے، cache read rate یکساں ہے، اور Claude کا کم output rate تقریباً 7% کی بچت فراہم کرتا ہے۔

یہ 7% پہلے بیان کردہ tokenizer error bar کے اندر آتا ہے، اس لیے اس منظرنامے میں rates کو برابر سمجھیں۔ اصل فرق billing model میں ہے۔ اس volume پر ایک developer کے لیے subscription seat عموماً metered API calls سے کم مہنگی ہوتی ہے، اور اسے شامل کرنے کے بعد پورا موازنہ بدل جاتا ہے۔ Agent کو metered billing پر چلانے سے پہلے API اور subscription cost کا موازنہ مکمل کریں۔ اگر آپ metered billing استعمال کریں تو پہلے معلوم کریں کہ tokens کہاں خرچ ہو رہے ہیں، کیونکہ coding agent کا token usage اس code کے بجائے ہر turn میں دوبارہ بھیجے جانے والے context سے زیادہ متاثر ہوتا ہے۔

بل کا تعین کرنے والے عوامل

سرخی میں دی گئی شرح اس فہرست کی سب سے کم اہم چیز ہے۔ ذیل میں دیا گیا ہر عامل ایک ہی tier پر موجود دونوں vendors کے فرق سے زیادہ حقیقی بل کو متاثر کرتا ہے۔

Cached input۔ دونوں vendors cache hit کے لیے base input کا 10% وصول کرتے ہیں۔ Anthropic cache لکھنے کی فیس بھی لیتا ہے: پانچ منٹ کے entry کے لیے base input کا 1.25 گنا، اور ایک گھنٹے کے entry کے لیے 2 گنا۔ بعد میں آنے والا hit اس entry کو read price پر refresh کر دیتا ہے۔ اس لیے پانچ منٹ کا entry ایک read کے بعد اپنی لاگت پوری کر لیتا ہے۔ جن workloads میں requests کے درمیان طویل وقفے ہوں، ان میں cache کو read کرنے سے زیادہ مرتبہ لکھنا پڑتا ہے، اس لیے caching سے بچت کے بجائے اضافی لاگت آتی ہے۔ مسلسل traffic caching کے لیے موزوں ہے۔ وقفے وقفے سے آنے والا traffic موزوں نہیں۔

Batch discounts۔ دونوں platforms asynchronous کام کے لیے input اور output پر 50% رعایت دیتے ہیں۔ اگر job کے مکمل ہونے تک انتظار کیا جا سکتا ہو تو کسی بھی vendor پر بل آدھا ہو جاتا ہے، اور یہ رعایت caching کے ساتھ بھی لاگو ہوتی ہے۔

Output share۔ Claude output کے لیے اپنی input rate سے 5 گنا چارج کرتا ہے۔ OpenAI 6 گنا چارج کرتا ہے۔ اگر آپ کے tokens میں read کے بجائے write کا حصہ زیادہ ہو تو مساوی input rate پر Claude زیادہ موزوں دکھائی دیتا ہے۔ input-dominated کام میں اس کے برعکس ہوتا ہے۔

Retries۔ ہر retry کے لیے پورے input کی دوبارہ فیس دینی پڑتی ہے، جبکہ کوئی قابلِ استعمال output واپس نہیں ملتا۔ اگر آپ کی 6% calls schema validation میں ناکام ہو کر retry ہوتی ہیں تو input کی لاگت آپ کے منصوبے میں درج مقدار سے 6% زیادہ ہوگی۔ retries کو error line کے بجائے cost line کے طور پر log کریں۔ Teams کو یہ multiplier عموماً آخر میں معلوم ہوتا ہے، حالانکہ اکثر یہ اس vendor gap سے بڑا ہوتا ہے جس پر وہ ایک ہفتہ بحث کرتے رہے ہوتے ہیں۔

کون سا فریق ہارتا ہے، اور کہاں

Claude چھوٹے درجے میں واضح طور پر ہارتا ہے۔ gpt-5.6-luna کی لاگت فی ملین input tokens 0.2 ہے، جبکہ Claude Haiku 4.5 کے لیے یہ لاگت 1 ہے۔ output کی لاگت بالترتیب 1.2 اور 5 ہے۔ زیادہ حجم والی classification اور مختصر extraction کی لاگت Claude پر تقریباً چار گنا زیادہ ہے۔

Claude 1 September 2026 سے workhorse درجے میں ہارتا ہے، کیونکہ introductory rate ختم ہو جاتی ہے اور Sonnet 5 کی قیمتیں 3 اور 15 ہو جاتی ہیں، جبکہ gpt-5.6-terra کی قیمت تبدیل نہیں ہوتی۔ frontier درجے میں output rate کے لحاظ سے Claude جیتتا ہے، لیکن یہ فرق آپ کے اپنے token counts سے ختم ہو سکتا ہے۔ August 2026 میں input-dominated کام میں کوئی فریق نہیں جیتتا، کیونکہ دونوں طرف فی ملین 2 کی قیمت پر input legs کی رقم یکساں ہے۔

اپنے traffic پر اسے کیسے ناپیں

ہر response میں usage object پڑھیں اور ہر request کے لیے چار numbers محفوظ کریں: input tokens، output tokens، cache read tokens اور cache write tokens۔ Claude API میں یہ input_tokens، output_tokens، cache_read_input_tokens اور cache_creation_input_tokens کے طور پر موصول ہوتے ہیں۔ انہیں روزانہ جمع کریں، موجودہ rates سے ضرب دیں، اور اپنی کل رقم کو invoice سے compare کریں۔ دونوں کے درمیان فرق عموماً retries یا ایسے code path کی وجہ سے ہوتا ہے جسے آپ بھول گئے کہ deploy کیا تھا۔

comparison کو کسی sample prompt کے بجائے ایک ہفتے کے حقیقی traffic پر چلائیں، اور cost per token کے بجائے cost per completed task کا موازنہ کریں۔ جو model ایک attempt میں جواب دے اور اس کی rate دو گنا ہو، وہ اس model سے سستا ہے جسے نصف rate پر تین attempts درکار ہوں۔ Cost per token ایک rate ہے۔ Cost per completed task آپ کا bill ہے۔

کسی بھی چیز کو running چھوڑنے سے پہلے hard spend ceiling مقرر کریں۔ دونوں platforms اپنے consoles میں spend limits فراہم کرتے ہیں، اور retry loop میں پھنسا ہوا agent ایک ہی رات میں ایک ماہ کا budget خرچ کر سکتا ہے۔ اسے اسی طرح configure کریں جیسے آپ ہمہ وقت چلنے والے agent کے لیے cost control configure کرتے۔ اگر آپ اپنی ملکیت کے server پر پہلا version بنا رہے ہیں تو VPS پر پہلی Claude API app میں key handling اور request loop کا طریقہ دیا گیا ہے، جن کے اوپر یہ حساب مبنی ہے۔

FAQ

کیا Claude API، ChatGPT API سے سستا ہے؟

ہمیشہ نہیں۔ August 2026 میں دونوں طرف frontier اور workhorse tiers کے لیے ہر input token کی قیمت یکساں ہے، جبکہ Claude ہر output token کے لیے کم قیمت لیتا ہے۔ اس لیے output-heavy کام میں Claude چند فیصد سستا پڑتا ہے۔ small tier میں OpenAI کا gpt-5.6-luna، Claude Haiku 4.5 کے مقابلے میں ہر input token کے لیے ایک پانچواں خرچ ہوتا ہے، اس لیے بڑے پیمانے پر classification کے لیے OpenAI کہیں زیادہ سستا ہے۔ اپنا حساب اپنے token mix کی بنیاد پر کریں، کیونکہ اتنا معمولی فرق price list کے بجائے آپ کے workload سے طے ہوتا ہے۔

ہر API پر ایک ہی الفاظ کے لیے tokens کی تعداد مختلف کیوں ہوتی ہے؟

کیونکہ ہر model کا اپنا tokenizer ہوتا ہے، اور token count کا تعلق model سے ہوتا ہے۔ Anthropic کی دستاویزات کے مطابق Claude 4.7 اور اس کے بعد کے models، اسی text کے لیے Claude Sonnet 4.6 اور اس سے پہلے کے models کے مقابلے میں تقریباً 30% زیادہ tokens پیدا کرتے ہیں۔ اپنا text ہر vendor کے token counting endpoint پر بھیجیں، ایک count کو دوسرے count سے تقسیم کریں، پھر موازنہ کرنے سے پہلے اس ratio کو شائع شدہ rate میں ضرب دیں۔ 20% کا token فرق، شائع شدہ rates کے زیادہ تر فرق پر غالب آ جاتا ہے۔

کیا prompt caching کبھی bill میں اضافہ بھی کرتی ہے؟

ہاں، Anthropic پر۔ پانچ منٹ کے entry کے لیے cache write کی لاگت base input rate سے 1.25 گنا اور ایک گھنٹے کے entry کے لیے 2 گنا ہوتی ہے، جبکہ cache hit کی لاگت 0.1 گنا ہوتی ہے۔ اگر آپ کا traffic اتنا bursty ہو کہ زیادہ تر entries کسی بھی read سے پہلے expire ہو جائیں، تو آپ write premium ادا کرتے ہیں لیکن کوئی read حاصل نہیں کرتے۔ اپنے logs میں cache_creation_input_tokens اور cache_read_input_tokens کا موازنہ کریں۔ 1 کے قریب ratio کا مطلب ہے کہ caching آپ کے پیسے خرچ کر رہی ہے، اس لیے entry کی مدت بڑھائیں یا اسے ختم کر دیں۔

کیا coding agent کو API پر چلانا چاہیے یا subscription پر؟

ایک developer کے لیے معمول کے volume پر subscription seat عموماً metered API billing سے سستی ہوتی ہے، کیونکہ coding agent ہر turn پر بڑا context دوبارہ بھیجتا ہے اور ہر بار اس context کی قیمت وصول کی جاتی ہے۔ پہلے ایک ہفتے تک اس کا meter ریکارڈ کریں، پھر API total کا seat price سے موازنہ کریں۔ API اس وقت بہتر رہتی ہے جب usage میں اچانک اتار چڑھاؤ ہو، یا آپ کو programmatic access درکار ہو جو seat فراہم نہیں کرتی۔ اگر آپ کو API کی طرف usage limit پوری ہونے کی وجہ سے جانا پڑا، قیمت کی وجہ سے نہیں، تو Claude usage limit سے نکلنے کے راستوں میں کئی ایسے راستے شامل ہیں جو metered billing پر منتقل ہونے سے کم خرچ ہیں۔