Claude بمقابلہ ChatGPT API: کون سستا ہے؟

مختصر جواب

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

اس لیے یہ صفحہ پہلے حساب فراہم کرتا ہے، پھر token mixes کے ساتھ لاگت والے تین workloads، اور آخر میں وہ multipliers بیان کرتا ہے جو headline rate کے مقابلے میں حقیقی بل پر زیادہ اثر ڈالتے ہیں۔

واحد فارمولہ جو آپ کو درکار ہے

دونوں APIs متن کے لیے ایک ہی طریقے سے بل وصول کرتے ہیں۔ آپ کے بھیجے گئے tokens کے لیے ادائیگی ہوتی ہے، اور model کے واپس لکھے گئے tokens کے لیے زیادہ شرح لاگو ہوتی ہے۔

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

ایک token میں انگریزی کے تقریباً 4 حروف، یعنی تقریباً 0.75 لفظ، ہوتے ہیں۔ اسے صرف ابتدائی تخمینے کے لیے استعمال کریں۔ حقیقی بل 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))

script 0.005 پرنٹ کرتی ہے، جو ہر turn کے لیے نصف cent ہے۔ اسے ایک ماہ میں متوقع turns کی تعداد سے ضرب دیں، تو آپ کے پاس budget آ جائے گا۔ یہ ایک فارمولہ سیکھ لیں؛ آج کے بعد قیمت میں ہر تبدیلی نئے تجزیے کے بجائے صرف ایک سطری ترمیم بن جائے گی۔

شائع کردہ نرخ، August 2026

یہ وہ فہرستی قیمتیں ہیں جو دونوں فروشندگان نے 1 August 2026 کو شائع کیں۔ اس پوسٹ میں قیمت درج کرنے کی واحد جگہ یہی حصہ ہے۔ بجٹ منظور کرنے سے پہلے اسے claude.com/pricing اور OpenAI کے pricing صفحے سے ملا کر دیکھیں۔

[
  {
    "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 مقام 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 فروشندگان اس حصے سے اوپر زیادہ مہنگے tiers بھی فروخت کرتے ہیں، اور OpenAI پرانی generations کو ان کے اصل نرخوں پر درج رکھتا ہے۔ ایک طرف flagship اور دوسری طرف budget model کا موازنہ ایسا عدد پیدا کرتا ہے جس کا کوئی مفہوم نہیں ہوتا۔ زیادہ تر شائع شدہ موازنوں کی نمایاں سرخی اسی طرح بنتی ہے۔

اس حصے میں دو باتیں واضح طور پر بیان کرنا ضروری ہے۔ Sonnet 5 کے 2 اور 10 تعارفی نرخ ہیں، اور Anthropic کے مطابق یہ 31 August 2026 کو ختم ہو جائیں گے۔ اس کے بعد Sonnet 5 پر 3 اور 15 لاگو ہوں گے۔ یہ ایک تبدیلی Workhorse tier کو معمولی Claude برتری سے واضح OpenAI برتری میں بدل دیتی ہے، اور یہ تبدیلی اس پوسٹ کی قابلِ استعمال مدت کے اندر واقع ہو گی۔

دوسری بات ایک ایسا نمونہ ہے جسے یاد رکھنا مفید ہے: اوپر کی ہر row میں Claude کا output rate اس کے اپنے input rate سے بالکل 5 گنا ہے، جبکہ OpenAI کا output rate 6 گنا ہے۔ فاتح کا بدلنا مطلق نرخ کے بجائے اسی ratio کی وجہ سے ہوتا ہے، کیونکہ آپ کے token mix کا اثر اسی پر منحصر ہے۔

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

شرح، فی ٹوکن ڈالرز میں قیمت ہوتی ہے۔ بل، فی ٹوکن قیمت کو ٹوکنز کی تعداد سے ضرب دینے کے برابر ہوتا ہے، اور کسی متن کے حصے کے ٹوکنز کی تعداد متن کی نہیں بلکہ ماڈل کی خصوصیت ہوتی ہے۔

Anthropic اس کی براہِ راست وضاحت کرتا ہے: Claude 4.7 اور اس کے بعد کے ماڈلز، جن میں Claude Opus 5 اور Claude Sonnet 5 شامل ہیں، نیا tokenizer استعمال کرتے ہیں۔ یہ tokenizer، Claude Sonnet 4.6 اور اس سے پہلے کے ماڈلز کے مقابلے میں، اسی متن کے لیے تقریباً 30% زیادہ ٹوکنز بناتا ہے۔ شرح میں تبدیلی نہیں ہوئی۔ بل میں تبدیلی ہوئی۔

اس لیے بظاہر یکساں دو شرحیں یکساں بل نہیں ہوتیں۔ دونوں طرف اپنے متن کے ساتھ ٹوکنز شمار کریں، پھر اس موازنے سمیت کسی بھی موازنے 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 اہم variable آپ کے shell میں خالی ہے۔ اسی متن کو دوسرے vendor کے tokenizer سے چلائیں، ایک count کو دوسرے count سے تقسیم کریں، پھر شائع شدہ شرح کا موازنہ کرنے سے پہلے اس ratio کو شرح میں ضرب دیں۔ اگر ratio کسی ایک vendor کے حق میں تقریباً 1.2 سے زیادہ ہو، تو اوپر والے block میں شرح کے ہر فرق پر اس کا اثر زیادہ ہوتا ہے۔

منظرنامہ ایک: چیٹ کی خصوصیت

ایک ویب ایپلیکیشن کے اندر معاونت کا اسسٹنٹ۔ ماہانہ 120,000 ٹرنز۔ ہر ٹرن میں ایک system prompt، tool schemas، مدد کے مرکز کے حاصل کردہ دو اقتباسات، اور چند سابقہ پیغامات بھیجے جاتے ہیں۔ ان پٹ تقریباً 1,400 ٹوکنز کا ہوتا ہے، جبکہ ماڈل تقریباً 220 ٹوکنز میں جواب دیتا ہے۔ یہ interactive ہے، اس لیے batch discount یہاں کبھی لاگو نہیں ہو سکتی۔ 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"
  }
]

فہرست کی قیمت پر Claude کا بل 600.00 بنتا ہے، جبکہ OpenAI کا 652.80۔ ان پٹ کے دونوں حصے یکساں ہیں، کیونکہ ان پٹ کی شرحیں یکساں ہیں۔ پورا فرق آؤٹ پٹ میں ہے، اور Claude یہ فرق اتنے کم مارجن سے جیتتا ہے کہ اسی بنیاد پر کسی vendor کا انتخاب نہیں کیا جا سکتا۔

اب ان 1,400 ان پٹ ٹوکنز میں سے 800 کو ایک مستحکم prefix سمجھیں: system prompt اور tool schemas، جو ٹرنز کے درمیان تبدیل نہیں ہوتے۔ دونوں vendors cache hit کے لیے اپنی بنیادی input rate کا 10% وصول کرتے ہیں۔ Claude کا بل کم ہو کر 427.20 اور OpenAI کا 480.00 ہو جاتا ہے۔ Caching کی قدر vendor کے انتخاب سے زیادہ ہے، اور دونوں پلیٹ فارم یہ سہولت فراہم کرتے ہیں۔

Claude یہاں مہنگا ثابت ہوتا ہے۔ زیادہ تر معاونتی جوابات کے لیے workhorse model درکار نہیں ہوتا۔ اسی ٹریفک 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 ہے۔ Claude Haiku 4.5 فی ملین ان پٹ ٹوکنز 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 کے لیے موزوں ہے تو OpenAI سستا ہے، اور فرق نمایاں ہے۔

منظرنامہ دو: طویل سیاق والی دستاویز پائپ لائن

ماہانہ 25,000 معاہدے۔ ہر درخواست میں وہی 9,000 ٹوکن کی ہدایات اور JSON schema شامل ہوتے ہیں، اس کے بعد معاہدے کا 12,000 ٹوکن کا متن آتا ہے، اور ماڈل تقریباً 700 ٹوکن کے ساختہ فیلڈز واپس کرتا ہے۔ اس کام میں آؤٹ پٹ کل ٹوکنز کے 4% سے کم ہے، اور یہی ایک حقیقت موازنے 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 ٹوکن کا prefix cached ہونے کی صورت میں، Claude کی لاگت 820.00 اور OpenAI کی لاگت 855.00 ہے۔ ان پٹ کی لاگت سینٹ تک یکساں ہے، کیونکہ August 2026 میں بنیادی input rates یکساں ہیں۔ پورا فرق آؤٹ پٹ کی لاگت کا ہے، جس کی قیمت Claude پر input کے مقابلے میں 5 گنا اور OpenAI پر 6 گنا ہے۔

یہ کام batch processing بھی استعمال کر سکتا ہے۔ دونوں vendors asynchronous کام کے لیے input اور output پر 50% رعایت دیتے ہیں، اس لیے دونوں کل لاگتیں نصف ہو جاتی ہیں اور فرق کی نوعیت برقرار رہتی ہے۔ Batch دونوں پلیٹ فارمز پر سب سے بڑی واحد رعایت ہے، اور رات کے وقت چلنے والی document pipeline اسے ہمیشہ استعمال کر سکتی ہے۔

Claude کو نقصان اسی tier logic کی وجہ سے ہوتا ہے جس کا پہلے ذکر ہوا ہے۔ مقررہ schema کے مطابق field extraction وہ کام ہے جس میں چھوٹا model اچھی کارکردگی دکھاتا ہے، اور یہاں tokens کا 97% input ہے۔ ایک tier نیچے جانے سے OpenAI کی input rate میں 0.1 کا ضرب لگتا ہے، جبکہ Claude کی input rate میں 0.5 کا ضرب لگتا ہے۔ بڑے model کی ضرورت فرض کرنے سے پہلے 200 دستاویزات پر چھوٹے model کی جانچ کریں، اور وہی evaluation استعمال کریں جو آپ کسی کام کے لیے درست Claude tier منتخب کرنے کے لیے کریں گے۔

منظرنامہ تین: ہمیشہ فعال coding agent

ایک developer، VPS پر agent چلا رہا ہے، اور ماہانہ تقریباً 900 model turns انجام دے رہا ہے۔ ہر turn میں repository context کے تقریباً 60,000 input tokens شامل ہیں، جن میں سے 80% cache hit ہیں، اور تقریباً 1,800 tokens کی edits اور وضاحت پیدا ہوتی ہے۔ اس کی قیمت frontier tier کے مطابق لگائیں، کیونکہ coding میں capability کا فرق حقیقی لاگت کا باعث بنتا ہے۔

Claude کے اخراجات 116.10 ہیں، جبکہ OpenAI کے اخراجات 124.20 ہیں۔ input rate یکساں ہے، cache read rate یکساں ہے، اور Claude کا کم output rate تقریباً 7% کی بچت دیتا ہے۔

یہ 7% پہلے بیان کردہ tokenizer error bar کے اندر ہے، اس لیے اس منظرنامے میں rates کو برابر سمجھیں۔ اصل فرق billing model میں ہے۔ اس حجم پر ایک developer کے لیے subscription seat عموماً metered API calls سے کم لاگت رکھتی ہے، اور اسے شامل کرنے کے بعد پورا موازنہ بدل جاتا ہے۔ کسی agent کو metered billing پر چلانے سے پہلے API اور subscription لاگت کا موازنہ مکمل کریں۔ اگر آپ اسے meter کے ذریعے چلاتے ہیں تو پہلے معلوم کریں کہ tokens کہاں خرچ ہوتے ہیں، کیونکہ coding agent کا token استعمال اس کے لکھے ہوئے code کے بجائے ہر turn میں دوبارہ بھیجے جانے والے context سے زیادہ متعین ہوتا ہے۔

بل کا تعین کرنے والے عوامل

سرخی میں دی گئی شرح اس فہرست کی سب سے چھوٹی مد ہے۔ ذیل میں دیا گیا ہر عامل ایک ہی درجے 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 کے لیے بھی فیس لیتا ہے: پانچ منٹ کے entry کے لیے base input کا 1.25 گنا، اور ایک گھنٹے کے entry کے لیے 2 گنا۔ بعد کا hit read price پر اس entry کی مدت دوبارہ شروع کرتا 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، وہاں cache کو read کرنے کے مقابلے میں زیادہ مرتبہ لکھنا پڑتا ہے، اور caching سے بچت کے بجائے اضافی لاگت آتی ہے۔ مسلسل traffic کے ساتھ caching مؤثر رہتی ہے۔ وقفوں سے آنے والی traffic کے ساتھ نہیں۔

Batch discounts۔ دونوں platforms پر input اور output کے لیے 50% رعایت صرف asynchronous کام کے لیے دستیاب ہے۔ اگر job مؤخر کی جا سکتی ہو، تو یہ کسی بھی vendor کا بل نصف کر دیتی ہے، اور caching کے ساتھ بھی لاگو ہوتی ہے۔

Output share۔ Claude output کے لیے اپنی input rate سے 5 گنا وصول کرتا ہے۔ OpenAI 6 گنا وصول کرتا ہے۔ آپ کے tokens میں جتنا زیادہ حصہ لکھنے کے بجائے پڑھنے پر مشتمل ہو، یکساں input rate پر Claude اتنا بہتر نظر آتا ہے۔ input-dominated کام کے لیے اس کے برعکس صورتِ حال ہوتی ہے۔

Retries۔ retry میں پورے input کی دوبارہ فیس ادا ہوتی ہے اور کوئی قابلِ استعمال output واپس نہیں ملتا۔ اگر آپ کی 6% calls schema validation میں ناکام ہو کر دوبارہ چلائی جاتی ہیں، تو آپ کے input کی لاگت منصوبہ بندی سے 6% زیادہ ہے۔ retries کو error line کے بجائے cost line کے طور پر log کریں۔ Teams کو یہ multiplier عموماً آخر میں معلوم ہوتا ہے، اور یہ اکثر اس vendor gap سے بھی بڑا ہوتا ہے جس پر وہ ایک ہفتہ بحث کر چکے ہوتے ہیں۔

کون سا فریق کہاں نقصان میں ہے

Claude چھوٹے درجے میں واضح طور پر نقصان میں ہے۔ gpt-5.6-luna کی قیمت فی ملین ان پٹ ٹوکن 0.2 ہے، جبکہ Claude Haiku 4.5 کے لیے یہ قیمت 1 ہے۔ آؤٹ پٹ کی قیمتیں بالترتیب 1.2 اور 5 ہیں۔ زیادہ حجم والی درجہ بندی اور مختصر استخراج کی لاگت Claude پر تقریباً چار گنا زیادہ ہے۔

Claude کو 1 September 2026 سے درمیانے درجے میں بھی نقصان ہوگا، کیونکہ تعارفی شرح ختم ہو جائے گی اور Sonnet 5 کی قیمت 3 اور 15 ہو جائے گی، جبکہ gpt-5.6-terra کی قیمت میں کوئی تبدیلی نہیں ہوگی۔ جدید ترین درجے میں آؤٹ پٹ کی شرح کے لحاظ سے Claude کو برتری حاصل ہے، لیکن آپ کے اپنے ٹوکن شمار اس فرق کو ختم کر سکتے ہیں۔ August 2026 میں ان پٹ پر زیادہ انحصار کرنے والے کاموں میں کسی فریق کو برتری حاصل نہیں، کیونکہ دونوں طرف فی ملین 2 کی شرح پر ان پٹ کی لاگت یکساں ہے۔

اپنی network traffic پر اس کی پیمائش کیسے کریں

ہر response پر usage object پڑھیں اور ہر request کے لیے چار اعداد 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 ملائیں۔ دونوں کے درمیان فرق عموماً retries یا کسی ایسے code path کی وجہ سے ہوتا ہے جسے آپ بھول گئے کہ اسے release کیا تھا۔

موازنه کسی sample prompt کے بجائے حقیقی traffic کے ایک ہفتے پر کریں، اور cost per token کے بجائے cost per completed task کا تقابل کریں۔ جو model ایک کوشش میں جواب دے اور اس کی rate دو گنا ہو، وہ اس model سے سستا ہے جسے آدھی rate پر تین کوششیں درکار ہوں۔ Cost per token ایک rate ہے۔ Cost per completed task آپ کا bill ہے۔

کسی چیز کو running چھوڑنے سے پہلے spend کی سخت حد 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 مربوط کریں جیسے آپ ہمیشہ فعال agent کے لیے cost control مربوط 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 احاطہ کیا گیا ہے، جن پر یہ حساب مبنی ہے۔

FAQ

کیا Claude API، ChatGPT API سے سستی ہے؟

مسلسل نہیں۔ August 2026 میں frontier اور workhorse tiers دونوں جانب فی input token یکساں قیمت وصول کرتے ہیں، جبکہ Claude فی output token کم قیمت لیتا ہے۔ اس لیے output-heavy کاموں میں Claude کی لاگت چند فیصد کم رہتی ہے۔ small tier میں OpenAI کا gpt-5.6-luna، ہر input token کے لیے Claude Haiku 4.5 کی قیمت کا one fifth ہے۔ اس لیے high-volume classification، OpenAI پر بہت سستی پڑتی ہے۔ اپنا درست تخمینہ اپنے token mix سے نکالیں، کیونکہ اتنا معمولی فرق price list کے بجائے آپ کے workload سے طے ہوتا ہے۔

دونوں APIs پر ایک ہی الفاظ کی token لاگت مختلف کیوں ہوتی ہے؟

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

کیا prompt caching کبھی bill میں اضافہ کر سکتی ہے؟

ہاں، Anthropic پر۔ پانچ منٹ کی entry کے لیے cache write کی لاگت base input rate کا 1.25 گنا، اور ایک گھنٹے کی entry کے لیے 2 گنا ہے، جبکہ cache hit کی لاگت 0.1 گنا ہے۔ اگر آپ کا traffic اتنا bursty ہو کہ زیادہ تر entries کسی read سے پہلے expire ہو جائیں، تو آپ write premium ادا کرتے ہیں اور کوئی reads نہیں ملتے۔ اپنے logs میں cache_creation_input_tokens کا cache_read_input_tokens سے موازنہ کریں۔ تقریباً 1 کا ratio ظاہر کرتا ہے کہ caching آپ کی لاگت بڑھا 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 عام volume میں subscription seat عموماً metered API billing سے کم خرچ ہوتی ہے، کیونکہ coding agent ہر turn پر بڑا context دوبارہ بھیجتا ہے اور اس context کی ہر بار لاگت وصول کی جاتی ہے۔ پہلے ایک ہفتے تک اس کی پیمائش کریں، پھر API total کا seat price سے موازنہ کریں۔ API اس وقت بہتر ہے جب usage میں اچانک اتار چڑھاؤ ہو، یا آپ کو programmatic access درکار ہو جو seat فراہم نہیں کرتی۔