Калькулятор токенов

Токен — единица, на которые энкодер разбивает текст: слово, его часть, знак или фрагмент символа. Универсального перевода символов в токены нет: результат зависит от текста и энкодера. В калькуляторе выберите модель и смотрите указанный метод; знак «≈» означает приближение. Провайдер тарифицирует вход и выход отдельно, а полный API-запрос может содержать дополнительные служебные токены.

Входные токены (input, prompt) — это то, что вы отправляете модели: запрос, системный промпт и контекст. Выходные токены (output, completion) — текст, который модель генерирует в ответ. Тарифицируются они отдельно, и выходные обычно в 2–5 раз дороже входных, так как генерация требует больше вычислений. В таблице LLMoney стоимость входа и выхода для каждой модели показана в отдельных колонках «Вход» и «Выход».

Контекст ограничивает размер запроса и ответа. Для GPT-4o проверены 128000 токенов суммарно и отдельный предел ответа 16384; для GPT-4.1 — 1047576 и 32768. Калькулятор учитывает введённый текст, ожидаемый ответ и указанный overhead инструментов, но не весь формат запроса. У других моделей статус проверки пока «неизвестно»; старое число в колонке «Контекст» само по себе не гарантирует, что запрос поместится.

«Рассуждающие» модели (o-серия OpenAI, reasoning-версии DeepSeek и им подобные) перед ответом генерируют цепочку скрытых рассуждений. Эти «думающие» токены вы не видите в ответе, но они тарифицируются как выходные — поэтому реальный счёт за сложный запрос может в разы превысить ожидаемый по длине ответа. При оценке такой модели закладывайте запас на выходные токены: невысокая цена за токен ещё не значит дешёвый запрос.

По числу страниц нельзя надёжно определить токены: влияют язык, код, таблицы и энкодер. Вставьте текст, выберите модель и проверьте число с подписью метода. Для OpenAI используется её настроенный энкодер; для других семейств показана оценка. Загрузка файлов пока не поддерживается.

Соотношение зависит от конкретного текста и энкодера, поэтому универсального коэффициента для русского языка нет. Например, строка «Привет, мир! Сколько токенов в этом предложении?» содержит 15 токенов в o200k_base и 21 в cl100k_base. Для моделей с другими родными токенизаторами cl100k_base — только оценка; по ней нельзя доказать преимущество модели на русском.

Инструменты (tools, function calling) — это внешние функции, которые модель может вызывать в ходе ответа: веб-поиск, выполнение кода, поиск по файлам, обращение к вашему API. За это приходится платить токенами: описание каждого инструмента передаётся модели, сам вызов и возвращённый результат — всё это добавляется к входным и выходным токенам поверх вашего текста. В калькуляторе LLMoney есть панель «Инструменты», которая оценивает эту надбавку и прибавляет её к стоимости запроса для каждой модели.

Каждый инструмент расходует токены в трёх местах: определение (передаётся один раз), вызов (генерируется моделью) и результат (возвращается в контекст). Самый «тяжёлый» — веб-поиск: его результаты легко добавляют тысячи токенов на каждый вызов; поиск по файлам и код-интерпретатор скромнее. Включите нужные инструменты в панели «Инструменты», задайте число вызовов — и увидите прибавку «+вход / +выход» в реальном времени. Учтите: отдельные платные сборы провайдеров за сами инструменты (например, за веб-поиск) в эту оценку токенов не входят.

Function calling — это ваши собственные функции, которые модель вызывает по описанию (например, «узнать погоду» или «создать заказ»). MCP (Model Context Protocol) — стандарт, по которому модель подключается к внешним инструментам и источникам данных. И то, и другое расходует токены на описание каждого инструмента плюс на каждый вызов и его результат. В панели «Инструменты» можно указать число своих функций или MCP-инструментов и количество вызовов на запрос, чтобы оценить итоговую надбавку.

Встроенные инструменты — это веб-поиск, выполнение кода, поиск по файлам и другие функции, которые провайдер исполняет на своей стороне: их не нужно программировать, достаточно включить параметром в API. Такие инструменты есть у большинства крупных провайдеров (OpenAI, Anthropic, Google, Яндекс, Mistral и др.), но наборы сильно различаются, а у перепродающих доступ роутеров инструменты вендора обычно не работают. В таблице LLMoney наличие инструментов показано иконками в колонке «Инструменты», в сайдбаре есть фильтр по ним, а на странице каждой модели — полный список. Учтите: вызовы инструментов провайдеры тарифицируют отдельно от токенов.

Function calling — это ваши собственные функции: модель лишь решает, когда их вызвать, а исполняет их ваш код. Встроенные инструменты, наоборот, размещены у самого провайдера — веб-поиск, песочница для кода, поиск по загруженным файлам работают на его серверах без вашей инфраструктуры. Function calling поддерживают практически все современные модели, поэтому LLMoney его отдельно не показывает, а вот наборы встроенных инструментов у провайдеров разные — они и вынесены в таблицу и на страницы моделей. Токены инструменты расходуют в обоих случаях, а за встроенные провайдер может брать ещё и отдельную плату за вызов.

AI-агент решает задачу не за один проход: он вызывает инструменты, получает результаты и снова обращается к модели — и так несколько раз. Каждый такой шаг добавляет токены, поэтому стоимость агента может в разы превышать стоимость одиночного запроса. В панели «Инструменты» задайте поле «вызовов» равным ожидаемому числу обращений за задачу — калькулятор учтёт это в колонке «Запрос» для каждой модели, и вы сможете сравнить, на какой модели агент обойдётся дешевле.

Стоимость запроса складывается из входных и выходных токенов, умноженных на тариф модели за 1 млн токенов. Точные цифры зависят от длины вашего промпта, объёма ответа и доли кэшированного ввода, а сами тарифы провайдеры периодически меняют. Поэтому вместо устаревающих чисел вставьте типичный текст запроса в калькулятор выше — и увидите актуальную стоимость одного обращения к GPT-4o и сразу ко всем остальным моделям.

Среди популярных моделей одни из самых доступных — лёгкие версии флагманских линеек: mini/nano-модели GPT, Gemini Flash, DeepSeek и GigaChat Lite. Но «самая дешёвая» зависит от задачи: на простых запросах лёгкая модель сэкономит, а на сложных может ухудшить результат и в итоге обойтись дороже из-за повторных вызовов. Отсортируйте таблицу выше по колонке «Запрос», чтобы увидеть самые дешёвые модели именно для вашего текста.

Кэширование промптов (prompt caching) позволяет провайдеру переиспользовать уже обработанную часть контекста — например, длинный системный промпт или документ, повторяющийся между запросами. Кэшированные входные токены тарифицируются со скидкой: у OpenAI и Anthropic — заметно дешевле обычных. В калькуляторе LLMoney есть ползунок «Кэш входа» — задайте долю кэшированного ввода, и таблица пересчитает стоимость с учётом экономии.

Это компромисс между ценой и качеством. На простых и шаблонных задачах (классификация, короткие ответы, извлечение данных) дешёвая модель справляется не хуже и экономит в разы. На сложных (рассуждения, код, длинный контекст) слабая модель чаще ошибается, и повторные попытки или ручная правка съедают всю экономию. Хороший подход — сравнить стоимость одного и того же запроса для нескольких моделей в таблице LLMoney и протестировать качество на самой дешёвой из подходящих.

Выбор зависит от задачи, качества ответа, тарифов и условий провайдера. Калькулятор сравнивает стоимость по введённым данным, но не измеряет качество русского языка и не подтверждает место хранения данных. Для не-OpenAI моделей локальная токенизация приблизительная; проверяйте условия и фактический usage выбранного API.

LLMoney отслеживает изменения у всех провайдеров и обновляет данные в течение нескольких дней после официального анонса. Для тех, кому нужна динамика, полная история цен по каждой модели доступна через открытый API — эндпоинт /models/{id}/price-history (см. раздел «API для разработчиков»).

Официальный API DeepSeek не принимает российские карты, но модель доступна у поставщиков в РФ: в облаках Yandex AI Studio и Cloud.ru Evolution (инференс в российских дата-центрах, оплата в рублях) и через API-роутеры вроде AITunnel и VseGPT — они помечены в каталоге бейджем «роутер», потому что это перепродажа с наценкой, а не официальный API разработчика. Актуальное сравнение всех предложений с ценами за 1 млн токенов в рублях и долларах — на странице llmoney.ru/compare/deepseek; цены обновляются ежедневно.

Вставьте текст и выберите модель: число токенов появится после короткой паузы, без отправки текста на сервер. Укажите ожидаемый ответ отдельно — по умолчанию 0, поэтому сначала показана только стоимость входа. Таблица сравнивает оценки по текущему каталогу, а проверка контекста отделяет подходящие модели от неизвестных. Для месячного бюджета раскройте дополнительные параметры и задайте запросы в день.

Возьмите типичную для вашего бота реплику пользователя вместе с системным промптом, вставьте её в калькулятор и посмотрите стоимость в колонке «Запрос» для выбранной модели. Умножьте её на число запросов в день и на число дней в месяце — получите ориентир по бюджету. Если системный промпт повторяется в каждом запросе, поднимите ползунок «Кэш входа»: кэширование заметно снижает стоимость повторяющейся части.

Вставьте документ (или его представительный фрагмент) в калькулятор — вы увидите, в сколько токенов он обходится у каждой модели. Сверьте это число с колонкой «Контекст»: документ должен помещаться в контекстное окно модели целиком, иначе его придётся разбивать на части. Затем сравните стоимость «Запрос» по моделям — на больших объёмах разница в тарифах за 1 млн токенов становится особенно ощутимой.

Будущий ответ заранее неизвестен. По умолчанию учтён только вход: ожидаемый выход равен 0. Можно выбрать 500, 2000 или своё целое число токенов. Множитель от входа сохранён в дополнительных параметрах. Это ваше предположение; скрытые reasoning-токены и фактический usage могут изменить счёт.

BYOK позволяет вызвать поддерживаемую модель своим ключом. Ключ хранится зашифрованным; явная кнопка отправляет текст через LLMoney провайдеру и создаёт платный вызов. Обычный подсчёт и разбивка всегда локальные даже при сохранённом ключе. В публичном серверном /calculate родная токенизация GigaChat и Яндекса доступна там, где её поддерживает API; ключ Claude не превращает cl100k-оценку в точный подсчёт.

Да. Войдите через Яндекс ID, добавьте API-ключ нужного провайдера в настройках и выберите модель в таблице — в раскрывшейся карточке появится поле для отправки запроса, а ответ модели отобразится рядом (поддерживаются OpenAI, Anthropic, GigaChat и YandexGPT). А переключателем ₽/$ над таблицей можно в любой момент сменить валюту — все цены пересчитаются по актуальному курсу ЦБ РФ.

Да, LLMoney предоставляет бесплатный REST API для данных о моделях и ценах. Базовый URL — api.llmoney.ru/api/v1. Доступны эндпоинты: GET /models (список моделей с ценами), GET /models/{id} (детали модели), GET /models/{id}/price-history (история цен), GET /recommend (подбор моделей по параметрам), POST /calculate (расчёт токенов и стоимости). Полная спецификация с примерами запросов — на странице llmoney.ru/api, интерактивная документация Swagger — api.llmoney.ru/api/docs.

Используйте GET /api/v1/recommend с параметрами: max_input_price и max_output_price (макс. цена за 1 млн токенов), min_context_window, currency (usd/rub), provider, sort_by (input_price, output_price или context_window), limit. Например, /api/v1/recommend?max_input_price=5&currency=usd&sort_by=input_price&limit=5 вернёт 5 самых дешёвых моделей с ценой входа до $5 за 1 млн токенов. Это удобно для AI-агентов (на LangChain, AutoGPT и др.), которые подбирают модель под задачу автоматически.

Да. Установите Node.js 22+ и подключите опубликованный npm-пакет llmoney-mcp@0.2.0. Для Claude Code: claude mcp add llmoney -- npx -y llmoney-mcp@0.2.0. Настройки других MCP-клиентов — на странице /api. Доступ к закрытому исходному репозиторию, ключи провайдеров и регистрация в LLMoney не нужны. При расчёте по тексту MCP отправляет его в API LLMoney; для многих моделей токены считаются приблизительно. REST API также доступен напрямую.

llms.txt — формирующийся стандарт описания сервиса для AI-агентов. Файл api.llmoney.ru/llms.txt содержит перечень эндпоинтов LLMoney с примерами запросов и ответов, чтобы агент мог автоматически обнаружить сервис и понять, как получать данные о ценах, без ручного изучения документации.