Tokens与大模型收费：原因及与API调用、订阅收费的区别！

最新推荐文章于 2025-04-16 20:00:00 发布
最新推荐文章于 2025-04-16 20:00:00 发布
阅读量1.1k 收藏 18
点赞数 20
文章标签： agi AI 大模型学习 人工智能 学习 大模型 AI大模型
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_84204207/article/details/145930649
版权

最近流行炫耀自己花了多少Tokens

有人说它是AI世界里的“数字货币”

只因

【大模型按Tokens收费】

比如今天早上

特大妹通过某平台调用DeepSeek

平台收费标准是

每100万tokens，收费16块钱

这么一算，我今早花了3分钱

↓

账单显示

我每问DeepSeek一个问题

都会“花掉”一些 Tokens

每个问题回答完毕后，自动显示

你消耗了多少tokens

嘿嘿，有意思吧

人类每次和大模型沟通聊天、写作、预测…

都会消费一些 Tokens

这时候，很多人就疑惑了

啥是tokens？如何收费？

和传统的API调用、订阅收费，有啥区别？

↓

Token是大模型处理的最小单位

相当于一种“计算粒度”

不是直接用字或单词来计量

而是文本经过模型分词器切分后

得到的最小单位

比如，英文「I love AI !」

再比如

中文的「人工智能很强大」

简单理解

Token ≠ 单词 ≠ 字符

而且Token的长度并不固定

它的长度取决于

具体模型的Tokenizer（分词器）规则

主要是因为

大模型运行的计算成本非常高

按Tokens计费是为了更精准控制资源使用

这样的计费方式更加公平和透明

如果按传统API调用收费方式

按次收费，调一次收一次

且每次收固定费用，显然不合理

对于大模型来讲

短文本和长文本的计算成本完全不同

Tokens收费能精准到什么程度？

费用两部分组成

你输入的问题+AI输出的答案，都要算钱

比如

输入 1k tokens + 输出 2k tokens = 按 3k tokens 计费

你看到的**[DeepSeek API报价单]**

通常是这样的

↓

所以啊，问AI问题时，你也别啰里八嗦

你每敲一个字，都是要算钱滴

虽然，DeepSeek也是通过API调用

但这只是技术方式，而不是收费方式

不过，之前的API调用

业界默认的收费方式是

按次收费，每调用一次，收取固定费用

比如

短信 API（每发一条短信，固定收取 0.01元）

天气查询 API（每查一次，固定收取0.03元）

这与现在的按Tokens消耗收费

区别还是非常明显

↓

收费方式没有孰好孰坏

不同项目采用不同方式

按次，适合【标准服务】的产品

按Tokens，适合【动态生成】的产品

↓

当然有

就是我们非常熟悉的传统收费方式了

①订阅收费，比如SaaS类

按 月/年 付费，无论实际使用量是多少

一般都是固定费用

②按计算资源收费，比如云计算类

按消耗多少计算资源（CPU/GPU/TPU）收费

按数据存储容量（GB/TB）收费

按带宽传输量（GB / TB）收费

…

③按功能解锁收费，解锁一个功能收多少钱

比如：解锁安全功能、解决XXX高级功能等

有的也分基础版、高级版等

…

总之，不同项目类型，不同收费方式

↓

但是，实际项目中付费方式

很多都采用**【混合模式】**

比如

【API按次 + Tokens按量】混合收费

【订阅 + Tokens按量】混合收费

【一次性合同+日常运营】混合收费

…

AI大模型学习福利

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

大模型&AI产品经理如何学习

求大家的点赞和收藏，我花2万买的大模型学习资料免费共享给你们，来看看有哪些东西。

1.学习路线图

在这里插入图片描述

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

2.视频教程

网上虽然也有很多的学习资源，但基本上都残缺不全的，这是我自己整理的大模型视频教程，上面路线图的每一个知识点，我都有配套的视频讲解。

在这里插入图片描述

在这里插入图片描述

（都打包成一块的了，不能一一展开，总共300多集）

因篇幅有限，仅展示部分资料，需要点击下方图片前往获取

3.技术文档和电子书

这里主要整理了大模型相关PDF书籍、行业报告、文档，有几百本，都是目前行业最新的。
在这里插入图片描述

4.LLM面试题和面经合集

这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。
在这里插入图片描述

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
在这里插入图片描述

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

在这里插入图片描述

【人工智能】关于硅基智能的DeepSeek定价。价格从输入￥2/ M Tokens变成输出￥8/ M Tokens，应该如何理解这个变化？
本本本添哥
03-07 283
在自然语言处理领域，"M Tokens"表示每处理100万个Token的计费单位。输入到输出的价格变化（￥2→￥8）体现了AI服务中数据处理阶段的计算成本差异，输出费用更高是由于生成响应需要更密集的运算和资源投入。
AI 大模型原理与应用：订阅商业模式
余美丽的技术博客
02-14 969
AI 大模型原理与应用：订阅商业模式 关键词：大模型,订阅模式,推荐系统,广告系统,个性化服务,数据安全,隐私保护 1. 背景介绍 1.1 问题由来 近年来，随着人工智能（A
AI大模型-DeepSeek V3搭建个人知识库教程
02-11
本教程详细介绍了如何使用 DeepSeek V3 搭建个人知识库，内容包括： 前置准备：注册 DeepSeek 账号并获取 API 密钥。 接入 DeepSeek：登录官网、创建密钥、选择模型。 下载并安装 anythingLLM：获取并安装 anythingLLM 应用程序。 配置 anythingLLM：选择 DeepSeek 作为 AI 提供商，输入密钥。 创建工作区：建立个人工作区，导入文档。 开始聊天：完成所有准备工作后，开始与知识库进行交互。 适用人群 个人用户：希望高效管理个人知识、学习资料或工作文档。 研究人员：整理学术文献、研究笔记，快速查找信息。 企业用户：搭建企业内部知识库，提升团队协作效率。 学生：整理课程资料、笔记，辅助学习和复习。 开发者：了解如何将 DeepSeek 集成到自己的项目中。 使用场景及目标 个人知识管理：将碎片化的知识和文档整合到一个系统中，方便快速查找和回顾。 学术研究：整理和分析大量的文献资料，提高研究效率。 企业知识共享：搭建企业内部知识库，便于团队成员共享和协作。 学习辅助：整理学习资料，辅助学习和复习，提升学习效率。
通过Ollama+Deepseek+AnythingLLM安装部署私有化大模型，并投喂样本数据
weixin_48398799的博客
02-06 6872
近期，国产大模型 DeepSeek 凭借其强大的性能和广泛的应用场景，迅速成为 AI 领域的焦点。然而，随着用户数量的激增，DeepSeek 的在线服务时常面临访问压力，导致响应延迟甚至服务中断的情况。 幸运的是，DeepSeek 作为一款开源模型，为用户提供了本地部署的解决方案。通过将 DeepSeek 部署到本地终端，用户不仅可以摆脱网络依赖，还能随时随地享受流畅的 AI 体验。本地部署后，DeepSeek 无需联网即可直接运行，彻底解决了在线服务的延迟和宕机问题。而且安全更适合一些工作人员。
使用 ollama 部署本地模型，零基础入门到精通，非常详细收藏我这一篇就够了
m0_65555479的博客
08-15 2919
在本地启动并运行大型语言模型。运行Llama 2，Code Llama和其他模型。自定义并创建您自己的。
2024年，国内AI大模型发展报告！
fengdu78的博客
09-08 1377
随着AI技术发展，大模型成为科技竞争新高地、产业新赛道、经济新引擎，我国视其为国家战略，出台政策扶持。大模型广泛应用，推动科技革命与产业变革，面临发展挑战需各界努力。2023年大模型爆发，变革生产生活，国产大模型崛起。大模型与传统行业融合，提升产业效率；赋能金融、医疗等，助力新质生产力发展。大模型需政策法规保障，促进健康发展，服务各行业，注入发展新动能。2024年，多重因素推动大模型发展，政府支持...
DeepSeek+Ollama+AnythingLLM 本地部署完全指南，打造专属知识库
weixin_44245188的博客
02-05 2743
打开官网地址：https://anythingllm.com/desktop，根据自己的系统选择下载的版本。Ollama 是一个用于本地运行大语言模型（LLMs）的开源工具，提供简单的界面和优化的推理引擎。DeepSeek+Ollama+AnythingLLM 本地部署完全指南，打造专属知识库。，使用户能够在个人设备上高效地加载、管理和运行 AI 模型，而无需依赖云端。其中，deepseek-r1:1.5b 换成适配你本地的模型。官网地址：https://ollama.com/
五分钟打造你的专属AI助手：Ollama + DeepSeek + AnythingLLM 完整整合指南
yuanmomoya的博客
02-08 1377
预备阶段：确认系统环境符合要求，安装 Ollama、DeepSeek 模型以及 AnythingLLM 客户端。数据导入：整理待收录的文本资料，借助 AnythingLLM 构建知识图谱。模型连接：利用 Ollama 启动 DeepSeek 模型，并将其与 AnythingLLM 对接，实现语言处理与知识管理的无缝衔接。测试优化：通过多轮问答测试，对系统参数和知识库内容进行微调，不断提升问答准确率和响应速度。
解码Tokens：大模型计费机制与API调用、订阅收费的深度解析
weixin_42300449的博客
02-18 716
Tokens是大模型中用于衡量输入和输出文本长度的基本单位。简单来说，一个token可以是一个单词、标点符号或者一部分词汇。例如，“hello”可能被拆分成多个tokens，“hel”、“lo”分别作为一个token。这种方式使得模型可以更灵活地处理不同长度的文本数据。
GPT-4.1 API 实战指南：上下文窗口、调用参数与模型选型全面拆解
最新发布
在信息的熵增中，记录结构、重建秩序。 技术思想者的笔记，系统构建者的注释。
04-16 1257
GPT-4.1 系列模型发布后，OpenAI 提供了统一 API 接入方式，并首次支持高达 100 万 Tokens 的超长上下文窗口。新模型具备更强的编程与结构化能力，响应延迟更低，调用成本更可控。尤其是 Mini 与 Nano 版本，在保持优秀性能的同时，显著压缩了使用成本，为开发者构建智能系统提供了新范式。本文基于 OpenAI 官网公开信息，全面解析 GPT-4.1 的 API 调用方法、成本结构与部署建议，帮助你从“能用”走向“用得好”。
deepseek从入门到精通
02-08
deepseek从入门到精通
大模型（LLM）的若干科普之问（四）：OpenAI 的 API 接口规范与openai库
qiy_icbc的博客
01-17 4699
`openai` 库是 OpenAI 官方提供的 Python 客户端库，支持与 OpenAI API 的交互。通过该库，可以轻松调用 GPT 系列模型、DALL·E、Whisper 等服务。 通常来讲，国内LLM都支持openai库！！！
惊天秘密！你和AI聊天的每个字都在‘烧钱‘？大模型收费内幕全曝光
weixin_44626085的博客
02-26 895
能说二字不说三字。
ollama+anythingllm+deepseek R1本地部署
云袂的博客
02-07 4575
ollama+anythingllm+deepseek R1本地部署
10分钟搞定，DeepSeek+Ollama+AnythingLLM 本地部署完全指南，打造专属知识库
m0_59164304的博客
02-06 9481
打开浏览器→下载 Ollama→输入 1 条命令→搞定！这不是魔法，而是本地部署大语言模型的全新方式。Ollama 简化了大型语言模型的运行，让每个人都能在本地轻松体验 AI 的强大。但是，仅仅运行一个大语言模型还不够。如何让它真正理解你的数据，回答你的问题？这时，AnythingLLM 就派上用场了。它能将你的文档、笔记、网页等各种数据源连接到本地 Ollama 运行的 DeepSeek 模型，构建一个真正属于你的、个性化的知识库问答系统。告别在海量信息中苦苦搜索，让 AI 成为你高效的知识助手！关于引入
DeepSeek从入门到精通
weixin_46075760的博客
02-09 2766
链接: https://pan.baidu.com/s/1Ap0k4SRZWF_g_zzXS4VPZA?pwd=w33r 提取码: w33r。DeepSeek从入门到精通 通过网盘分享的文件：DeepSeek从入门到精通.pdf。
DeepSeek从入门到精通：全面掌握AI大模型的核心能力
热门推荐
weixin_66401877的博客
02-08 2万+
DeepSeek是中国一家专注于通用人工智能（AGI）研发的科技公司，其核心产品基于自主研发的大模型技术（如推理模型DeepSeek-R1和通用模型），在数学推理、代码生成、逻辑分析等复杂任务上性能比肩OpenAI顶级模型。公司提供智能对话助手、API接口及企业级解决方案，覆盖文本生成（创意写作、摘要翻译）、自然语言理解（语义分析、知识推理）、编程辅助（代码生成与调试）、多模态绘图（SVG、Mermaid图表）等多样化场景，并支持文件解析与联网搜索。
DeepSeek 指导手册从入门到精通
实事求是，追求技术，精益求精～将至而立之年，不忘年少初心！
02-13 3149
本书系统性地介绍了 DeepSeek 技术的要点和实践技巧，深入浅出地解释了其高级功能和应用场景，助您轻松晋升技术专家。透过生动案例和清晰图表，本书将激励读者挖掘技术世界中的隐藏宝藏，成就技术之路上的辉煌。无论您是初学者还是资深专家，这本指导手册都是开启技术探索之旅的不二选择。
WebClient springboot 处理调用大模型流式接口
03-19
<think>好的，我现在需要回答用户关于如何在Spring Boot中使用WebClient调用大模型的流式接口的问题。首先，我需要回顾一下用户提供的引用内容，特别是引用[3]，里面提到了WebFlux和流式调用大模型的方法。用户希望得到一个示例，所以重点应该放在代码实现上。 首先，我应该确认WebClient的基本用法。WebClient是Spring WebFlux的一部分，用于非阻塞的HTTP请求。流式调用通常涉及处理服务器发送的事件（SSE）或分块传输的数据。大模型的流式响应可能以SSE形式返回，每个数据块逐步传输。 接下来，我需要考虑如何配置WebClient实例。根据引用[3]，需要创建带有响应式支持的WebClient，设置baseUrl，并配置默认的header，比如Content-Type和Authorization，特别是如果大模型API需要认证的话。 然后，处理流式响应。使用WebClient的post方法发送请求，body可能是一个Mono，比如使用BodyInserters.fromValue发送JSON数据。响应应该通过retrieve()获取，然后作为ServerSentEvent的流进行处理。这里需要注意，每个事件的数据可能需要解析，例如JSON对象。 另外，用户可能需要处理每个数据块并最终汇总结果。例如，使用StringBuilder来累积响应内容，并在订阅时触发请求。同时，需要确保主线程不会提前退出，所以可能需要阻塞或等待异步操作完成，这在测试或命令行应用中常见。 还要考虑异常处理，比如在doOnError中记录错误，以及在onComplete中处理完成后的逻辑。此外，引用[3]提到WebFlux的非阻塞特性，确保流式处理不会阻塞主线程，这一点需要在示例中体现出来。 最后，生成相关问题，帮助用户进一步探索，比如如何自定义请求头、处理错误、优化性能等。需要确保所有步骤符合用户的要求，代码语法正确，并且使用中文回答，行内公式用$...$，独立公式用$$...$$，但当前问题不涉及数学公式，所以可能不需要使用。</think>以下是如何在Spring Boot中使用WebClient调用大模型流式接口的详细实现步骤和示例： ### 1. 配置WebClient实例 ```java @Bean public WebClient webClient() { return WebClient.builder() .baseUrl("https://api.largemodel.com/v1/stream") .defaultHeader(HttpHeaders.CONTENT_TYPE, MediaType.APPLICATION_JSON_VALUE) .defaultHeader("Authorization", "Bearer your-api-key") .build(); } ``` *注：需在`application.properties`中配置baseUrl和API密钥更安全* ### 2. 流式响应处理方法 ```java public void streamModelResponse(String prompt) { webClient.post() .uri("/chat/completions") .body(BodyInserters.fromValue(Map.of( "prompt", prompt, "temperature", 0.7, "stream", true ))) .retrieve() .bodyToFlux(ServerSentEvent.class) .timeout(Duration.ofSeconds(30)) .doOnError(WebClientResponseException.class, ex -> log.error("API响应错误: {} {}", ex.getRawStatusCode(), ex.getResponseBodyAsString())) .subscribe( event -> { String data = event.data(); if (!"[DONE]".equals(data)) { JsonNode node = new ObjectMapper().readTree(data); System.out.print(node.get("choices").get(0).get("text").asText()); } }, error -> System.err.println("错误: " + error.getMessage()), () -> System.out.println("\n\n流式传输完成") ); } ``` ### 3. 完整控制器示例 ```java @RestController @RequiredArgsConstructor public class StreamController { private final WebClient webClient; private final StringBuilder fullResponse = new StringBuilder(); @GetMapping("/stream-chat") public Flux<String> streamChat(@RequestParam String message) { return webClient.post() .bodyValue(createRequest(message)) .retrieve() .bodyToFlux(DataBuffer.class) .map(dataBuffer -> { String chunk = DataBufferUtils.release(dataBuffer).toString(StandardCharsets.UTF_8); fullResponse.append(chunk); return chunk; }); } private Map<String, Object> createRequest(String message) { return Map.of( "messages", List.of(Map.of("role", "user", "content", message)), "stream", true, "max_tokens", 2000 ); } } ``` ### 关键点说明： 1. **响应式背压控制**：通过`Flux`实现按需处理数据流，自动处理背压[^3] 2. **超时配置**：使用`.timeout()`防止长时间无响应 3. **SSE事件处理**：支持标准的Server-Sent Events格式 4. **数据完整性**：使用StringBuilder累积完整响应 5. **错误处理**：区分网络错误和API业务错误
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值