کون سا Claude model استعمال کریں؟ لاگت گائیڈ

آپ کو کون سا Claude model استعمال کرنا چاہیے؟

اس سوال کا مختصر جواب کہ آپ کو کون سا Claude model استعمال کرنا چاہیے: Claude Opus 4.8 سے شروع کریں، اور صرف اسی وقت اس سے ہٹیں جب آپ اس کی کوئی واضح وجہ بتا سکیں۔ Anthropic کی رہنمائی بھی یہی ہے: "اگر آپ کو یقین نہ ہو کہ کون سا model استعمال کرنا ہے، تو پیچیدہ agentic coding اور enterprise کام کے لیے Claude Opus 4.8 سے شروع کریں۔" جب task اچھی طرح متعین ہو اور آپ اسے دن میں کئی بار چلاتے ہوں، تو Claude Sonnet 5 پر جائیں۔ ایسے mechanical اور high-volume کام کے لیے، جہاں آپ پہلے سے جانتے ہوں کہ درست جواب کیسا ہونا چاہیے، Claude Haiku 4.5 پر مزید نیچے جائیں۔ طویل عرصے تک چلنے والے agents کے لیے Claude Fable 5 ان سب سے اوپر ہے۔

انتخاب کے ساتھ لاگت بھی وابستہ ہے۔ یہ 23 July 2026 کو Claude API (application programming interface) کے نرخ ہیں، فی million tokens؛ دستاویزات میں انہیں MTok لکھا جاتا ہے۔

• Claude Fable 5 (claude-fable-5): اندر آنے والے tokens کے لیے $10 / MTok، اور باہر جانے والے tokens کے لیے $50 / MTok۔ 1M context۔
• Claude Opus 4.8 (claude-opus-4-8): اندر آنے والے tokens کے لیے $5، اور باہر جانے والے tokens کے لیے $25۔ 1M context۔
• Claude Opus 4.7 (claude-opus-4-7): اندر آنے والے tokens کے لیے $5، اور باہر جانے والے tokens کے لیے $25۔ 1M context۔
• Claude Sonnet 5 (claude-sonnet-5): 31 August 2026 تک introductory pricing کے تحت اندر آنے والے tokens کے لیے $2 / MTok، اور باہر جانے والے tokens کے لیے $10 / MTok۔ standard نرخ 1 September 2026 سے نافذ ہوں گے: اندر آنے والے tokens کے لیے $3، اور باہر جانے والے tokens کے لیے $15۔ 1M context۔
• Claude Haiku 4.5 (claude-haiku-4-5): اندر آنے والے tokens کے لیے $1، اور باہر جانے والے tokens کے لیے $5۔ 200K context۔

یہ identifiers جس طرح لکھے گئے ہیں، مکمل ہیں۔ ان کے ساتھ کچھ شامل نہیں کیا جاتا۔

1M-token ماڈلز پر صرف حجم کی بنیاد پر کوئی اضافی چارج نہیں ہوتا: "900k-token کی درخواست پر فی token وہی شرح لاگو ہوتی ہے جو 9k-token کی درخواست پر ہوتی ہے۔" یہ شرحیں API تک محدود نہیں رہتیں، کیونکہ Claude Enterprise seat کی قیمت کے علاوہ API rates کے مطابق usage بھی ناپتا ہے، اس لیے seat plan استعمال کرنے والی ٹیم کے لیے نیچے دیا گیا پورا حساب وہی رہتا ہے۔ Flat-rate subscription meter کو تبدیل کرتی ہے، لیکن اس فیصلے کو نہیں، کیونکہ Claude Max کے دونوں tiers میں وہی models شامل ہیں اور فرق صرف دستیاب usage کی مقدار کا ہے۔ اسی سیڑھی پر نیچے، Claude Pro کی ماہانہ $20 فیس فی token rate کے بجائے usage allowance خریدتی ہے، اس لیے وہاں رکاوٹ bill نہیں بلکہ limit reset ہوتی ہے۔ اگر آپ اس وقت اسی سطح پر ہیں تو یہ معلوم کرنا کہ آپ کس window کے ختم ہونے کا انتظار کر رہے ہیں نیچے دیے گئے حساب سے پہلے ضروری ہے، کیونکہ حل سستا rate نہیں بلکہ چھوٹا model، چھوٹا context یا API پر منتقل ہونا ہے۔ اور اگر آپ نے ابھی ادائیگی شروع نہیں کی تو پہلے یہ طے کرنا کہ Pro کی $20 فیس واقعی فائدہ مند ہے یا نہیں اس بات پر منحصر ہے کہ free limit آپ کو کتنی بار روکتی ہے، نہ کہ اوپر دی گئی rates پر۔

ہر ماڈل کا حقیقی استعمال

Anthropic ہر ماڈل کے بارے میں ایک سطر میں وضاحت کرتا ہے، اور یہ وضاحتیں کسی بھی leaderboard سے بہتر رہنمائی فراہم کرتی ہیں۔

• Claude Fable 5: "طویل دورانیے والے agents کے لیے اگلی نسل کی ذہانت۔" latency کے لحاظ سے چاروں میں سب سے سست ہے۔
• Claude Opus 4.8: "پیچیدہ agentic coding اور enterprise کام کے لیے۔" latency درمیانی ہے۔
• Claude Sonnet 5: "رفتار اور ذہانت کا بہترین امتزاج۔" تیز ہے۔
• Claude Haiku 4.5: "تقریباً frontier-level ذہانت رکھنے والا سب سے تیز ماڈل۔"

Fable 5 ان چاروں میں واحد ماڈل ہے جس کی قیمت اس موازنے میں کسی workload پر نہیں لگائی گئی، اور چونکہ اس کی شرح Opus 4.8 سے دگنی ہے، اس لیے کون سے کام $10 خرچ کے بدلے $50 واپس دیتے ہیں اس سوال کا الگ جواب ضروری ہے۔

Haiku 4.5 میں ایسی حدود بھی ہیں جو قیمت سے پہلے ہی یہ طے کر دیتی ہیں کہ کون سا کام اس کے لیے موزوں ہے۔ اس کی context window 200K tokens ہے، جبکہ 1M ہے، اس لیے بڑا repository یا طویل agent transcript اس میں نہیں سما سکے گا۔ synchronous Messages API میں اس کا maximum output 64K tokens ہے، جبکہ باقی ماڈلز کے لیے 128K ہے۔ اس کا قابلِ اعتماد knowledge cutoff February 2025 ہے، جبکہ باقی تین ماڈلز کے لیے یہ January 2026 ہے۔

حقیقی workload پر اس انتخاب کی لاگت کیا ہوگی؟

ہر model output کے لیے اپنی input rate سے پانچ گنا قیمت لیتا ہے۔ Opus 4.8 کے لیے input $5 اور output $25 ہے۔ Haiku 4.5 کے لیے input $1 اور output $5 ہے۔ یہ تناسب پوری range میں برقرار رہتا ہے، اس لیے جس model کا انتخاب آپ کرتے ہیں، وہ خاص طور پر اس کام پر زیادہ اہم ہوتا ہے جو بہت زیادہ output پیدا کرتا ہے۔

Agentic کام اسی نوعیت کا ہوتا ہے، کیونکہ thinking tokens کو output tokens کے طور پر bill کیا جاتا ہے اور یہ max_tokens میں شمار ہوتے ہیں، چاہے متن کبھی آپ تک نہ پہنچے۔ Fable 5، Opus 4.8، Opus 4.7 اور Sonnet 5 پر reasoning summary بطور default شامل نہیں ہوتی، اس لیے thinking field خالی واپس آتی ہے۔ Billing میں کوئی تبدیلی نہیں ہوتی: "دونوں صورتوں میں block کی billing یکساں ہوتی ہے اور multi-turn conversations میں اسے یکساں طور پر واپس بھیجا جاتا ہے۔" Claude token bill میں حقیقتاً کیا شامل ہوتا ہے اس meter کی مکمل تفصیل بیان کرتا ہے۔

آپ جن models کا موازنہ کر رہے ہیں، ان کے درمیان یہ مختلف ہے کہ thinking بالکل چلتی بھی ہے یا نہیں۔ اگر آپ اس فرق کو نظرانداز کریں تو cost test کے نتائج ناقابلِ اعتماد ہو جائیں گے۔ Sonnet 5 اور Fable 5 پر thinking پہلے ہی فعال ہوتی ہے اور کسی configuration کی ضرورت نہیں ہوتی۔ Opus 4.8 اور Opus 4.7 پر یہ اس وقت تک غیر فعال رہتی ہے جب تک آپ request میں thinking: {type: "adaptive"} set نہ کریں۔ اعداد و شمار کی تشریح کرنے سے پہلے دونوں جانب configuration یکساں رکھیں۔

سب سے سستا model سب سے مہنگا کیوں ثابت ہو سکتا ہے

ایک مکمل coding task لیں۔ درخواست میں 60,000 tokens کا context شامل ہے، اور model thinking سمیت 8,000 tokens کا output تیار کرتا ہے۔ Caching نہیں ہے، اس لیے حساب واضح رہتا ہے۔

Opus 4.8 پر 0.06 MTok input کی قیمت $5 کے حساب سے $0.30 ہے، جبکہ 0.008 MTok output کی قیمت $25 کے حساب سے $0.20 ہے۔ ایک کوشش کی لاگت $0.50 بنتی ہے۔ Haiku 4.5 پر یہی کوشش $0.06 plus $0.04، یعنی $0.10 کی ہے۔

Haiku فی کوشش پانچ گنا سستا ہے۔ یہ قیمت اس وقت بہت فائدہ مند لگتی ہے جب تک آپ یہ نہ دیکھیں کہ ناکام کوشش کے بعد کیا ہوتا ہے۔ آپ غلط جواب پڑھنے میں اپنا وقت صرف کرتے ہیں۔ Retry کے وقت آپ اسے context کے طور پر دوبارہ بھیجتے ہیں، اس لیے ہر کوشش پچھلی کوشش سے بڑی ہو جاتی ہے۔ اور جب تیسری کوشش بھی ناکام ہو جاتی ہے تو آپ پھر بھی Opus کی طرف منتقل ہوتے ہیں: Haiku کی $0.30 اور Opus کی $0.50 ملا کر $0.80 بنتے ہیں، جو ایک بار Opus چلانے سے 60% زیادہ ہے۔

اس لیے فیصلہ کن سوال یہ ہے کہ آپ جواب کو کتنی کم لاگت میں جانچ سکتے ہیں۔ جب غلط جواب ایک سیکنڈ میں واضح ہو جائے تو چھوٹا model فائدہ مند ہے۔ جب اسے پہچاننے کے لیے diff کو احتیاط سے پڑھنا پڑے تو چھوٹا model آپ کا ایسا وقت صرف کرتا ہے جو invoice پر کبھی ظاہر نہیں ہوتا۔

جہاں چھوٹا ماڈل واضح طور پر بہتر ہے

ان صورتوں میں Haiku 4.5 درست انتخاب ہے:

• میکانکی subagent کام۔ جو subagent فائلوں کے نام تبدیل کرے یا search output جمع کرے، اسے frontier reasoning کی ضرورت نہیں ہوتی۔ جب آپ Claude کے ساتھ AI agent بناتے ہیں اور اسے مددگار tools دیتے ہیں، تو یہی عام طریقہ ہوتا ہے۔
• Log triage۔ یہ فیصلہ کرنا کہ کوئی لائن غیر ضروری شور ہے یا انسانی توجہ کے لائق، محدود نوعیت کا فیصلہ ہے اور اس میں failure mode واضح ہوتا ہے۔
• مقررہ label set کے مطابق classification۔ Output مختصر ہوتا ہے اور کسی sample پر accuracy ناپی جا سکتی ہے۔
• زیادہ volume والی production calls۔ روزانہ 100,000 runs پر فی token فرق معمولی rounding error نہیں رہتا۔ n8n میں AI workflows کو مربوط کرنا عموماً اسی نوعیت کا استعمال ہے۔
• ہر وہ کام جہاں user کے لیے response speed اہم ہو۔ Haiku 4.5 کو lineup میں تیز ترین model قرار دیا گیا ہے۔

Haiku کے حوالے سے ایک حد خاص طور پر اہم ہے۔ اس کا minimum cacheable prompt 4,096 tokens ہے، جبکہ Opus 4.8 اور Sonnet 5 میں یہ حد 1,024 ہے۔ اس minimum سے کم ہونے پر "اس تعداد سے کم tokens کو cache کرنے کی تمام requests caching کے بغیر process کی جائیں گی، اور کوئی error واپس نہیں کیا جائے گا"۔ Sonnet 5 پر cache ہونے والا 1,500-token instruction block، Haiku 4.5 پر خاموشی سے cache نہیں ہوتا۔ اس کی علامت یہ ہے کہ cache_creation_input_tokens اور cache_read_input_tokens دونوں zero پر ہوں۔ ہمیشہ فعال agent کے اخراجات کم رکھنا cache ضائع ہونے کے دیگر طریقوں کے ساتھ اس صورتِ حال کا بھی احاطہ کرتا ہے۔

وہ عوامل جو نتیجہ بدلتے ہیں

ان میں سے ہر عامل model name کی نسبت bill پر زیادہ اثر ڈال سکتا ہے۔

Effort۔ output_config.effort اس بات کو کنٹرول کرتا ہے کہ جواب دینے سے پہلے model کتنا کام کرے۔ اس کی سطحیں low، medium، high، xhigh اور max ہیں، جبکہ high default ہے: "effort کو high پر set کرنے سے بالکل وہی behavior حاصل ہوتا ہے جو effort parameter کو مکمل طور پر omit کرنے سے حاصل ہوتا ہے۔" یہ request کے top level پر موجود ہونے کے بجائے output_config کے اندر شامل ہوتا ہے:

response = client.messages.create(
    model="claude-sonnet-5",
    max_tokens=4096,
    output_config={"effort": "medium"},
    messages=messages,
)

Effort response کے ہر token کو متاثر کرتا ہے: "یہ tool calls سمیت تمام token spend کو متاثر کر سکتا ہے۔ مثال کے طور پر، lower effort کا مطلب یہ ہوگا کہ Claude کم tool calls کرے۔" Agentic loop میں اس کا اثر مزید بڑھ جاتا ہے۔ یہ token cap نہیں ہے: "Effort ایک behavioral signal ہے، سخت token budget نہیں۔" Anthropic ہر level کے لیے کوئی cost multiplier شائع نہیں کرتا اور آپ کو اپنا use case test کرنے کی ہدایت دیتا ہے، اس لیے high پر چلایا گیا Sonnet 5 run اور low پر چلایا گیا Opus 4.8 run ایک حقیقی comparison ہے جسے آپ آج ہی چلا سکتے ہیں۔ Haiku 4.5 ان models کی فہرست میں شامل نہیں ہے جو effort کو support کرتے ہیں۔

Prompt caching۔ Cache read کی لاگت base input rate کا 0.1x ہوتی ہے، اور model choice کا فیصلہ اس بات سے ہوتا ہے کہ مختلف tiers میں اس کا اثر کیا ہے۔ Opus 4.8 پر cache hit کی لاگت $0.50 / MTok ہے، جبکہ Haiku 4.5 پر uncached input کی لاگت $1 / MTok ہے۔ اس لیے اچھی طرح cache کیا گیا Opus prefix، cold Haiku prompt کے مقابلے میں، فی input token سستا ہوتا ہے۔ ایسے کسی بھی workload میں جس میں بڑا stable prefix بار بار بھیجا جاتا ہو، model choice کے مقابلے میں session hygiene زیادہ اہم ہے۔

Batches۔ اگر کسی کو جواب کا انتظار نہ ہو تو Message Batches API وہی models استعمال کرتے ہوئے "input اور output دونوں tokens پر 50% discount" فراہم کرتا ہے۔ یہ نیچے دیے گئے comparison کی ہر row کو نصف کر دیتا ہے، اور مختلف tiers میں کام کرتا ہے: ایک batched Opus 4.8 job، 1 September 2026 سے standard price پر چلنے والی synchronous Sonnet 5 job سے سستی پڑتی ہے۔ اس میں اسی رقم پر capability برقرار رکھتے ہوئے latency کا تبادلہ کیا جاتا ہے۔

عملی لاگت کا ایک تقابلی جائزہ

کام یہ ہے: 100,000 support emails کی درجہ بندی کرنی ہے، ہر email کے لیے ایک call، اور ہر call میں 2,000 input tokens اور 300 output tokens ہیں۔ اس طرح input کے 200 MTok اور output کے 30 MTok بنتے ہیں۔

• Haiku 4.5: 200 x $1 = $200 input، 30 x $5 = $150 output۔ کل $350۔
• Sonnet 5، introductory rate: 200 x $2 = $400 input، 30 x $10 = $300 output۔ کل $700۔
• Sonnet 5، 1 September 2026 سے: 200 x $3 = $600 input، 30 x $15 = $450 output۔ کل $1,050۔
• Opus 4.8: 200 x $5 = $1,000 input، 30 x $25 = $750 output۔ کل $1,750۔

کل کی قیمتوں کے ساتھ دوبارہ حساب کرنے کے لیے صرف چار numbers تبدیل کریں۔ نیچے دی گئی تبدیلیاں model name کے مقابلے میں نتیجے پر زیادہ اثر ڈالتی ہیں:

• Batching ہر line کی لاگت آدھی کر دیتی ہے: $175، $350، $525 اور $875۔ چونکہ کوئی چیز nightly classification run کا انتظار نہیں کرتی، اس لیے اسے چھوڑنے کی کوئی وجہ نہیں۔
• مشترکہ prefix کو cache کرنا۔ فرض کریں کہ 2,000 input tokens میں سے 1,200 ہر بار ایک ہی instruction block ہیں۔ Sonnet 5 کی introductory rate پر cache hits کے لیے ان کی لاگت $2 / MTok کے بجائے $0.20 / MTok ہے، اس لیے 120 MTok کی لاگت $240 کے بجائے $24 ہوگی۔ اس میں $2 کے حساب سے 80 MTok کا تازہ input، یعنی $160، اور output کے $300 شامل کریں۔ یوں Sonnet 5 کی لاگت $700 کے بجائے تقریباً $484 رہ جاتی ہے۔ یہی طریقہ Haiku 4.5 پر مؤثر نہیں، کیونکہ 1,200 tokens اس کی 4,096-token minimum سے کم ہیں۔
• Retries۔ فرض کریں کہ آپ 8% emails کے لیے Haiku کا جواب مسترد کرتے ہیں اور انہیں Opus 4.8 پر دوبارہ چلاتے ہیں۔ $350 میں 0.08 x $1,750 = $140 شامل کریں، تو کل $490 بنتا ہے۔ میری rejection rate استعمال کرنے کے بجائے اپنی rate کی پیمائش کریں۔
• Tool definitions، اگر job میں یہ استعمال ہوں۔ ان سے بننے والا system prompt Opus 4.8 پر tool_choice کو auto پر set کرنے کی صورت میں 290 tokens، Sonnet 5 پر 354 tokens، اور Haiku 4.5 پر 496 tokens کا ہوتا ہے۔ سب سے سستا model سب سے بڑا fixed overhead رکھتا ہے۔

Escalation path کے ساتھ Haiku کی لاگت $490 اور cached Sonnet 5 کی لاگت $484 تقریباً یکساں ہے، اور ان میں سے ایک یہ کام single pass میں کر دیتا ہے۔ سوال کبھی صرف model کا نہیں تھا۔

کیا session کے درمیان model تبدیل کرنے سے رقم بچتی ہے؟

اکثر اتنی نہیں جتنی sticker prices سے ظاہر ہوتی ہے، کیونکہ بچت فی token ہوتی ہے، جبکہ خطرے میں پوری cached prefix آتی ہے۔

Anthropic واضح کرتا ہے کہ cache کس چیز سے invalid ہوتی ہے۔ Prefixes اس ترتیب سے بنائی جاتی ہیں: tools، پھر system، پھر messages، اور "ہر level میں تبدیلی سے وہ level اور اس کے بعد آنے والے تمام levels invalidate ہو جاتے ہیں۔" درخواست کی دو settings بھی اسی فہرست میں شامل ہیں: "thinking configuration اور resolved effort level کو prompt میں ہی شامل کیا جاتا ہے، اس لیے ان میں سے کسی کو بھی تبدیل کرنے سے نئی cache prefix شروع ہو جاتی ہے۔" effort کے بارے میں دستاویزات مزید کہتی ہیں: "effort کو مختلف workloads کے درمیان تبدیل کریں، ایسی conversation کے اندر نہیں جو cache hits پر منحصر ہو۔"

model اس دستاویزی فہرست میں شامل نہیں ہے، اس لیے کسی ایک نتیجے کو فرض نہ کریں۔ تبدیلی کے بعد پہلی request میں cache_read_input_tokens پڑھیں اور اسی نمبر کو فیصلہ کرنے دیں۔ 150,000-token Opus 4.8 prefix پر cache read کی لاگت تقریباً $0.08 اور نئی write کی لاگت تقریباً $0.94 ہے، جو فی token فرق سے بچانے کے لیے درکار کئی turns سے زیادہ ہے۔

اس لیے یہ تبدیلیاں tasks کے درمیان کریں، ایک ہی task کے اندر نہیں۔ Claude Code میں پہلے /clear چلائیں، کیونکہ اسی وقت cache پہلے ہی discard ہو رہی ہوتی ہے، پھر /model یا /effort چلائیں۔ یہ دونوں CLI میں type کیے جاتے ہیں، اس لیے Linux پر کام کرتے وقت terminal والا install زیادہ مفید ہے، کیونکہ Anthropic کا Linux کے لیے native طور پر فراہم کردہ طریقہ ایک مستحکم CLI کو ایسی desktop app کے ساتھ جوڑتا ہے جو ابھی beta میں ہے۔ یہ تبدیلی bill پر ظاہر ہوگی یا نہیں، اس کا انحصار اس بات پر ہے کہ آپ اس session کی ادائیگی کیسے کر رہے ہیں، کیونکہ Claude Code یا flat monthly plan پر چلتا ہے یا per-token API credits پر اور صرف دوسرا طریقہ model کی تبدیلی کی قیمت dollars میں ظاہر کرتا ہے۔

اپنے کام کے بوجھ پر جواب کی جانچ کیسے کریں

کسی دوسرے model سے حاصل کردہ count کی بنیاد پر prompt کا سائز متعین نہ کریں۔ token-counting endpoint مفت استعمال کیا جا سکتا ہے اور یہ اسی model کے tokenizer سے count کرتا ہے جس کا نام آپ دیتے ہیں، اس لیے وہی model نامزد کریں جسے آپ استعمال کرنے کا ارادہ رکھتے ہیں۔ یہ endpoint platform کے ان چند حصوں میں شامل ہے جن کے لیے کبھی billing نہیں ہوتی، اور یہ جانچنا مفید ہے کہ آپ ادائیگی کے بغیر اور کیا چلا سکتے ہیں، اس سے پہلے کہ comparison پر حقیقی credit خرچ کریں۔ Opus 4.7 اور اس کے بعد کے versions، Fable 5 اور Sonnet 5 ایک نیا tokenizer استعمال کرتے ہیں جو "اسی text کے لیے تقریباً 30% زیادہ tokens پیدا کرتا ہے"، اس لیے پرانے model پر ناپا گیا budget، per-token rate برقرار رہنے کی صورت میں، نئے model پر کم ثابت ہوگا۔

پھر حاصل ہونے والے output کو پڑھیں۔ input_tokens صرف uncached remainder ہے، اس لیے اصل prompt size اس field میں cache_creation_input_tokens اور cache_read_input_tokens جمع کرنے سے ملتا ہے۔ VPS پر پہلی Claude API app اس measurement کو چلانے کے لیے سب سے چھوٹی قابلِ اعتماد جگہ ہے، جبکہ آپ کے استعمال کے لیے کون سا Claude plan مناسب ہے یہ الگ فیصلہ ہے کہ آپ کو per-token ادائیگی کرنی بھی ہے یا نہیں۔ اگر معاملہ یہ ہو کہ کون سا subscription برقرار رکھنا ہے، نہ کہ subscription رکھنا ہے یا نہیں، تو ChatGPT کے ساتھ تقابلی قیمتوں والے Claude کے tiers یہ واضح کرتا ہے کہ اسی coding work کی لاگت دوسرے provider کے seats پر کتنی آتی ہے۔ اگر measurement کے نتیجے میں آپ اپنا کام مستقل طور پر API پر منتقل کر دیں، تو subscription کو ایک tier کم کرنا یا مکمل طور پر ختم کرنا پھر بھی آپ کو وہ مدت استعمال کرنے دے گا جس کی ادائیگی آپ پہلے ہی کر چکے ہیں، اس لیے numbers سامنے آنے کے بعد فیصلہ کرنے پر کوئی penalty نہیں ہوگی۔

FAQ

کوڈنگ کے لیے کون سا Claude model بہترین ہے؟

جولائی 2026 تک دستاویز شدہ معلومات کے مطابق پیچیدہ agentic coding کے لیے Claude Opus 4.8 سے آغاز کرنا بہتر ہے۔ اس کی قیمت input کے 1 million tokens کے لیے $5 اور output کے 1 million tokens کے لیے $25 ہے۔ Claude Sonnet 5 کو رفتار اور ذہانت کے بہترین امتزاج کے طور پر پیش کیا گیا ہے۔ 31 August 2026 تک اس کی قیمت $2 / $10 ہے، اس لیے یہ نصف سے بھی کم مہنگا ہے۔ دونوں models پر ایک ہی task چلائیں، thinking configuration یکساں رکھیں، اور response.usage سے total token spend کا موازنہ کریں۔

کیا Claude Haiku 4.5 اتنا سستا ہے کہ Sonnet 5 کی جگہ استعمال کیا جا سکے؟

فی token قیمت کے لحاظ سے، باآسانی۔ ابتدائی pricing میں اس کی قیمت $1 / $5 ہے، جبکہ Sonnet 5 کی قیمت $2 / $10 ہے۔ 1 September 2026 سے Haiku 4.5 کی قیمت $3 / $15 ہو جائے گی۔ فیصلہ اس کی limits کرتی ہیں۔ Haiku 4.5 میں 1M کے بجائے 200K tokens کی context window ہے، synchronous Messages API میں maximum output 64K ہے، قابلِ اعتماد knowledge cutoff February 2025 ہے، output_config.effort support موجود نہیں، اور cacheable prompt کے لیے کم از کم 4,096 tokens درکار ہیں۔ اس کے باعث مختصر system prompts پر caching خاموشی سے غیر فعال ہو جاتی ہے۔

کیا session کے دوران کم قیمت Claude model پر منتقل ہونے سے رقم بچتی ہے؟

جتنا بظاہر لگتا ہے، عموماً اتنی نہیں بچتی۔ Anthropic کے مطابق cache invalidators میں tools، system یا messages prefix میں تبدیلی، thinking configuration میں تبدیلی، اور output_config.effort میں تبدیلی شامل ہیں۔ موجودہ cache پر model switch کے اثرات دستاویز شدہ نہیں ہیں، اس لیے اسے نامعلوم سمجھیں اور اس کے بعد پہلی request میں cache_read_input_tokens پڑھیں۔ اس فرق کو جاننا ضروری ہے: 150,000-token Opus 4.8 prefix پر cache read کی قیمت تقریباً $0.08 اور نیا cache write تقریباً $0.94 ہے۔ یہ فی token بچت کے کئی turns کی لاگت سے زیادہ ہو سکتی ہے۔ models کو tasks کے درمیان، Claude Code میں /clear کے بعد تبدیل کریں، جب cache ویسے بھی ضائع ہو رہا ہو۔

output_config.effort میرے bill پر کیا اثر ڈالتا ہے؟

یہ تبدیل کرتا ہے کہ model text، tool calls اور thinking پر کتنے tokens خرچ کرتا ہے۔ کم effort سے tool calls کم ہوتی ہیں۔ agentic loops میں اس کا اثر بڑھ جاتا ہے، کیونکہ ہر tool result بعد کے turns میں دوبارہ بھیجا جاتا ہے۔ levels low، medium، high، xhigh اور max ہیں، جبکہ high default ہے۔ Anthropic ہر level کے لیے کوئی cost multiplier شائع نہیں کرتا۔ اس کے مطابق effort token budget کے بجائے behavioural signal ہے۔ اس لیے اسے اپنے task پر خود measure کریں۔

Claude Batches API سے کتنی بچت ہوتی ہے؟

input اور output دونوں tokens پر 50%، لیکن delivery asynchronous ہوتی ہے۔ جولائی 2026 تک اس کے نتیجے میں Opus 4.8 کی قیمت $2.50 in / $12.50 out، Sonnet 5 کی introductory pricing پر $1 / $5، اور Haiku 4.5 کی $0.50 / $2.50 ہو جاتی ہے۔ قابلِ توجہ موازنہ مختلف tiers کے درمیان ہے: 1 September 2026 سے standard rate پر synchronous Sonnet 5 job کے مقابلے میں batched Opus 4.8 job کم مہنگی ہوگی۔ اس طرح batching اسی رقم میں زیادہ طاقتور model فراہم کرتی ہے۔