Skip to main content
Model Inference 采用按量计费，依据实际 token 用量和所调用模型的单价结算。不同模型的单价可能不同，具体价格请以 模型广场 中的模型详情页为准。

​
Token 类型

一次请求通常由输入、缓存读、缓存写和输出等计费项构成。各类 token 的统计口径如下：
推理 Tokens 是否在 API 响应中返回，取决于具体模型、协议和请求参数。有些模型会返回 reasoning 或 reasoning_content，有些模型不会。即使推理 Tokens 不作为可见内容返回，也会进入平台用量统计。

​
计费公式

Model Inference 的完整计费公式如下： 费用 = 输入 Tokens × 输入单价 + 缓存读 Tokens × 缓存读单价 + 缓存写 Tokens × 缓存写单价 + 输出 Tokens × 输出单价
  • 输入、缓存读、缓存写和输出都有独立单价，具体以模型广场的模型详情页为准。
  • 图像输入折算为输入 Tokens 后，按输入单价计费。
不同模型类型的计费项说明如下：

​
max_completion_tokens

max_completion_tokens 限制的是生成侧总预算，也就是推理 Tokens 和可见输出 Tokens 的合计。它不是只限制最终可见回答。 如果使用推理模型，内部推理会先消耗一部分生成预算。当 max_completion_tokens 设置过小时，可能出现以下情况：
  • 可见回答很短，但输出 Tokens 较多。
  • 推理过程耗尽生成预算，导致 content 为空。
  • 回答被截断，finish_reason 为 length。
可以通过适当增大 max_completion_tokens，或调整 thinking_budget 缓解这类问题。thinking_budget 是 hint，不是严格上限；模型可能参考它控制推理量，也可能只部分采用这一设置。
目前推荐使用 max_completion_tokens。如果您在第三方工具或旧示例中看到 max_tokens，它表达的是同类含义。

​
查看用量

您可以在 使用详情 页面查看单次请求的 token 用量。 使用详情会展示输入、图像输入、缓存读、缓存写、推理、输出、总 token 等字段。其中，“输出”包含“推理”，排查成本时不要重复相加。 更多信息，请参考 查看使用详情。

​
哪些请求会计费

正常完成并产生模型用量的请求会按实际 token 用量计费。在到达模型之前被拒绝的请求不计费，例如请求参数无效、鉴权失败、余额不足、无权限调用模型、模型不存在或超出速率限制。平台侧故障不计费。 各类错误的响应结构和处理方式，请参考 错误处理。

​
成本控制建议

  • 控制输入长度：减少无关历史消息、长文档和重复上下文，避免输入 token 持续增长。
  • 控制生成预算：合理设置 max_completion_tokens，避免模型生成过长回复。
  • 控制推理预算：对推理模型合理设置 thinking_budget，在推理深度、延迟和成本之间做平衡。
  • 选择合适模型：开发验证阶段优先使用低成本模型，正式上线前再根据效果和成本选择目标模型。
  • 复用长上下文：对于重复长前缀、固定系统提示或多轮长材料，可参考 Prompt 缓存。
  • 稳定 prompt 前缀：让系统消息、工具定义、few-shot 示例等稳定内容在多次请求中保持顺序和内容一致，有助于提高 Prompt Caching 命中机会。
  • 按应用拆分 API Key：为不同应用创建独立 API Key，并设置每月额度、总额度、TPM 和 RPM。更多信息请参考 API 密钥。

​
常见问题

对于推理模型，内部推理会消耗推理 Tokens。推理 Tokens 可能不作为可见内容返回，但会计入输出 Tokens，并按输出单价参与计费。因此，可见回答短不代表输出 Tokens 一定少。
max_completion_tokens 限制推理 Tokens 和可见输出 Tokens 的合计。如果推理过程耗尽生成预算，模型可能没有剩余预算生成最终可见回答，导致 content 为空。
这通常表示生成内容达到了 max_completion_tokens 上限，或者请求整体超过模型上下文限制。可以减少输入内容、增大 max_completion_tokens，或启用流式输出改善长回复体验。
API 是否返回 reasoning 或 reasoning_content 取决于模型、协议和请求参数。即使它们不作为响应内容返回，平台仍会统计模型内部推理消耗，并在用量详情中展示。
不能。thinking_budget 是 hint，不是严格上限。它可以帮助模型控制推理量，但不同模型对该参数的支持和采用程度可能不同。
是。每次请求都是独立的，您发送的完整对话历史都会计入本次请求的输入。Prompt Caching 可以降低重复前缀的处理成本，但不会让模型自动继承上一轮上下文。