AI 调用成本计算器

填每月 token 用量，估算调用各主流大模型的实际花费
价格同步于 2026-10-21 21:50
套餐横评 模型价格 性价比榜 Token指数 成本计算器

算一下你的月成本

结果只含 token 费用，不含缓存折扣与免费额度

按你的用量估算的各模型月成本（成本升序，最多显示 20 个）
# 模型 厂商 输入价 $/1M 输出价 $/1M 预估月成本

🛈 实际账单受缓存命中、批量折扣、免费额度、限流与厂商调价影响，请以厂商结算为准。价格数据与 模型价格表 同源。

各模型单价速查（按加权单价升序，共 507 个有公开报价的模型）

加权单价 = 输入价 × 0.75 + 输出价 × 0.25（按典型 3:1 用量）· 数据截至 2026-10-21
# 模型 厂商 输入价 $/1M 输出价 $/1M 加权单价 上下文
1 BAAI/bge-m3 Nebius AI Studio 0.01 0.01 0.010 8K
2 BAAI/bge-m3 SiliconFlow 0.01 0.01 0.010 8K
3 gemma-3n-e4b-it Google 0.02 0.04 0.025 33K
4 mistral-nemo Mistral AI 0.02 0.04 0.025 131K
5 llama-3.1-8b-instruct Meta 0.02 0.05 0.028 16K
6 llama-guard-3-8b Meta 0.02 0.06 0.030 131K
7 glm-ocr Zhipu / GLM 0.03 0.03 0.030 1K
8 llama-3-8b-instruct Meta 0.03 0.04 0.032 8K
9 granite-4.0-h-micro Ibm Granite 0.02 0.11 0.042 131K
10 l3-lunaris-8b Sao10k 0.04 0.05 0.042 8K
11 qwen2.5-coder-7b-instruct Alibaba Cloud · Qwen 0.03 0.09 0.045 33K
12 gemma-2-9b-it Google 0.03 0.09 0.045 8K
13 gemma-3-4b-it Google 0.04 0.08 0.050 131K
14 mistral-small-3.1-24b-instruct Mistral AI 0.03 0.11 0.050 131K
15 L3-8B-Stheno-v3.2 Sao10K 0.05 0.05 0.050 8K
16 lfm-2-24b-a2b Liquid 0.03 0.12 0.052 33K
17 qwen-2.5-7b-instruct Alibaba Cloud · Qwen 0.04 0.10 0.055 33K
18 qwen-turbo Alibaba Cloud · Qwen 0.03 0.13 0.055 131K
19 llama-3.1-8b-instant Groq 0.05 0.08 0.058 131K
20 mistral-small-24b-instruct-2501 Mistral AI 0.05 0.08 0.058 33K
21 gpt-oss-20b OpenAI 0.03 0.14 0.058 131K
22 mythomax-l2-13b Gryphe 0.06 0.06 0.060 4K
23 gemma-3-12b-it Google 0.04 0.13 0.062 131K
24 granite-4.1-8b IBM Granite 0.05 0.10 0.062 131K

最贵的几个模型（对照用）

把最贵和最便宜放在一起看，才知道选型决策的影响有多大。同样是每月 100M 输入 + 30M 输出，下面的模型和上表第一名的花费可以差到几十倍。

模型 厂商 输入价 $/1M 输出价 $/1M 加权单价
gpt-5.4-pro OpenAI 30.00 180.00 67.500
gpt-5.5-pro OpenAI 30.00 180.00 67.500
gpt-5.5-pro-2026-04-23 OpenAI 30.00 180.00 67.500
gpt-4-32k OpenAI 60.00 120.00 75.000
gpt-4.5-preview OpenAI 75.00 150.00 93.750
o1-pro OpenAI 150.00 600.00 262.500

怎么估算才准

1. 输入和输出必须分开算。几乎所有厂商的输出单价都是输入的 3–8 倍，只填一个总量会让误差放大好几倍。 客服问答类通常输出占比低（一问一答），写作、代码生成、长文摘要类输出占比高，两种场景差了数倍。
2. token 数怎么估。中文大约 1 个汉字 ≈ 1 个 token，英文大约 4 个字符 ≈ 1 个 token。 可以先按「每次请求平均输出 500 token、每天 200 次」估个量级，不必一上来就精确。
3. 估算值是上限。真实账单通常更低：上下文缓存命中能打到 1–10 折，批处理 API 普遍五折， 新账号还有免费额度。所以计算器给的是「最坏情况」，用来做预算上限比较合适。
4. 别忘了重试成本。失败请求、超时重试、输出被截断后重新生成都会产生额外 token， 实际用量通常比设计值高 10%–30%，可以在估算结果上再加一成缓冲。

常见误区

只看输入价。很多模型输入价很低但输出价高，如果业务是长输出场景，实际成本可能反而更贵。
只买最便宜的。便宜模型答不好时，你要重试、要加人工兜底，总成本更高。先用 性价比榜 筛出能力与价格平衡的候选，再算预算。
忽略上下文长度。长上下文场景下，每轮对话都要重发历史，输入 token 会随对话轮数线性增长， 这是按次估算最容易漏掉的部分。

常见问题

月成本是怎么算出来的？
月成本 = 每月输入 token 数 ÷ 1000000 × 输入单价 + 每月输出 token 数 ÷ 1000000 × 输出单价。输入单价和输出单价都是「每百万 token 的美元价格」，由各厂商公开定价页给出。计算器里填的单位是「百万 token」，所以可以直接相乘。
输入 token 和输出 token 为什么要分开填？
因为几乎所有厂商的输出单价都是输入的 3–8 倍。如果只填一个总量，用平均值估算出来的成本可能和实际相差好几倍。实际业务里输出占比差别很大：客服问答类大多是一次性短输出（输出占比低），写作、代码生成、长文摘要类输出占比高得多。
为什么估算结果和实际账单不一样？
主要有四个原因：一是缓存命中，很多厂商对命中上下文的输入给 1–10 折，实际会更便宜；二是批处理折扣，异步批处理普遍打到五折；三是免费额度和阶梯定价，低用量时成本可能为 0；四是重试与失败请求，失败但已经处理的部分也可能计费。所以估算结果应当当作上限参考。
便宜的模型一定更划算吗？
不一定。要结合能力看：如果便宜模型答不好，你重试两次、或者换成人工兜底，总成本反而更高。建议用本站的性价比榜（每美元 Elo）先筛出能力与价格平衡的候选，再用本计算器算具体预算，最后用自己的真实任务实测。
我没有准确的 token 数怎么办？
粗略换算是：中文约 1 个字 ≈ 1 个 token，英文约 4 个字符 ≈ 1 个 token。你可以先用「平均每次请求输出 500 token、每天 200 次」这样的方式估出一个量级，再看榜单里哪些模型落进你的预算区间，不需要一开始就精确。

相关数据

模型价格表（全部 507 个模型的输入/输出单价、上下文、Elo）· 性价比榜（每美元 Elo，能力与价格放在同一口径）· 套餐横评（订阅制与按量付费的额度实测对比）· Token 成本指数