‏قیمت هر میلیون توکن، شاخص واقعی هزینه نیست

نویسنده تو این مقاله می‌گه وقتی صورت‌حساب API هوش مصنوعیت میاد، تازه می‌فهمی که مقایسهٔ مدل‌ها بر اساس «قیمت هر ۱ میلیون توکن» چقدر گمراه‌کننده‌ست. عدد کمتر لزوماً یعنی هزینهٔ کمتر نیست.

دلیل اولش اینه که هر آزمایشگاه توکنایزر خودش رو داره؛ یعنی یه متن یکسان تو مدل‌های مختلف به تعداد توکن متفاوت تقسیم می‌شه. مثلاً به گفتهٔ نویسنده همین متن مقاله با gpt-4o می‌شه ۱۶۰ توکن ولی با gpt-4 می‌شه ۲۰۰ توکن. حتی Anthropic اخیراً توکنایزرش رو عوض کرده و همون متن حالا ۳۰ درصد توکن بیشتری می‌گیره.

دلیل دوم که مهم‌تره، «کارایی توکن» هست. مدل‌های جدید بخش زیادی از توکن‌هاشون رو صرف «فکر کردن» (chain of thought) می‌کنن که معمولاً پنهونه ولی با همون نرخ خروجی حساب می‌شه. طول این زنجیرهٔ فکر خیلی فرق می‌کنه و می‌تونه عامل اصلی هزینهٔ کل بشه.

نویسنده برای نشون دادن این موضوع، مدل‌ها رو با بنچمارک Artificial Analysis مقایسه می‌کنه و هزینهٔ هر تسک رو حساب می‌کنه. جالبه که GPT-5.5 با اینکه اسماً از Claude Opus 4.8 گرون‌تره، هر تسک بنچمارک رو تقریباً با نصف هزینه تموم می‌کنه، چون کاراتره.

از طرف دیگه مدل چینی GLM-5.2 با اینکه هر توکنش خیلی ارزون‌تره، هزینهٔ هر تسکش به همون نسبت پایین نمیاد، یعنی کارایی توکنش از مدل‌های غربی کمتره. به گفتهٔ نویسنده DeepSeek V4 Pro تنها استثنای واقعی صرفه‌جوییه؛ با اینکه امتیاز هوشش پایین‌تره، هزینهٔ هر تسکش خیلی کمه.

جمع‌بندی نویسنده اینه که «قیمت هر میلیون توکن» یه شاخص معنادار برای هزینه نیست. اگه هزینهٔ واقعی هر تسک رو در نظر نگیری، تصمیم‌های بدتری برای انتخاب مدل می‌گیری و آخرش هم پول بیشتری می‌دی و هم عملکرد ضعیف‌تری می‌گیری.

نکات کلیدی:

• قیمت هر میلیون توکن بین مدل‌ها قابل مقایسه نیست چون هر کدوم توکنایزر خودشو داره
• توکن‌های «فکر کردن» پنهون‌ان ولی با نرخ خروجی حساب می‌شن و هزینه رو بالا می‌برن
• GPT-5.5 با اینکه گرون‌تره، هر تسک رو ارزون‌تر از Claude Opus 4.8 تموم می‌کنه
• DeepSeek V4 Pro بیشترین صرفه‌جویی رو تو هزینهٔ هر تسک داره
• معیار درست انتخاب مدل، هزینهٔ هر تسکه نه قیمت هر توکن