DeepSeek снова самый дешёвый? Считаю реальную стоимость трёх моделей на задачах
Сегодня в 12:00 официально вступили в силу новые цены DeepSeek — вчера я писал, почему не стоит переводить весь трафик на одну модель. В комментариях разгорелся спор: кто-то перевёл всё на flash и доволен, кто-то считает, что дешёвая модель выйдет дороже. Вместо споров — посчитаем. Беру официальные цены трёх моделей и считаю, сколько на самом деле стоит один и тот же объём работы.
Что сравниваем
Три модели: DeepSeek V4 Flash (после вчерашнего снижения цен), GPT-5.6 Luna (самая дешёвая у OpenAI) и Claude Sonnet 5 (рабочая лошадка Anthropic). Цены за миллион токенов (вход / выход):
- DeepSeek V4 Flash — ~$0.14 / $0.28
- GPT-5.6 Luna — $0.20 / $1.20
- Claude Sonnet 5 — $2.00 / $10.00
Разница между дешёвой и дорогой моделью на входе — в 14 раз. На выходе — в 35 раз. Но это только цена токена. Считать надо по итоговой стоимости задачи, иначе выводы будут неверными.
Считаем по типам задач
Возьмём условный месяц работы: 10 миллионов входных и 2 миллиона выходных токенов. Это типичный объём для среднего продукта с AI-функциями.
- DeepSeek V4 Flash: 10M × $0.14 + 2M × $0.28 = $1.96
- GPT-5.6 Luna: 10M × $0.20 + 2M × $1.20 = $4.40
- Claude Sonnet 5: 10M × $2.00 + 2M × $10.00 = $40.00
Выглядит очевидно: бери DeepSeek и экономь. Но в реальности всё сложнее, и вот почему.
Три «скрытых» фактора стоимости
Фактор №1 — повторные вызовы. Дешёвые модели чаще ошибаются на сложных задачах. Каждый неудачный ответ — это повторный запрос, а иногда и несколько. Если на сложной аналитике DeepSeek переспрашивает в 2–3 раза чаще, экономия на токенах съедается дополнительными вызовами. Фактор №2 — время разработчика. Проверка и исправление кривого ответа стоит дороже любых токенов. Разработчик с зарплатой 200 тысяч рублей в месяц — это примерно 1 000 рублей в час. Полчаса ручной правки результата съедают экономию целого дня работы модели. Фактор №3 — нестабильность цен. Напомню: месяц назад DeepSeek поднимал цены до 1100% в пиковые часы. Вчера — снизил на 60%. Архитектура, завязанная на сегодняшнюю цену одной модели, — это ставка на то, что цена не изменится завтра.
Что я делаю на практике
Маршрутизация по типу задачи:
- Простые задачи (классификация, короткие суммаризации, извлечение данных) — DeepSeek flash или Luna. Здесь дешёвая модель справляется, и экономия реальна.
- Средняя сложность (анализ документов, генерация контента) — модель среднего уровня, сравнивать по конкретной задаче.
- Сложные задачи (код, рассуждения, финальные решения) — флагман. Ошибка здесь стоит дороже любых токенов. При таком подходе итоговый счёт обычно на 40–70% ниже, чем если гонять всё через одну топовую модель. И при этом качество не страдает, потому что каждая задача идёт на подходящую модель.
Итог
Вопрос не в том, какая модель дешевле. Вопрос в том, умеет ли ваша архитектура отправлять задачу на ту модель, которая для неё подходит. Без этого слоя вы либо переплачиваете за флагман, либо экономите на качестве. Кстати, ещё один момент: из России напрямую подключиться к OpenAI и Anthropic сейчас непросто, большинство команд работают через посредников. И это ещё один аргумент за то, чтобы интеграция с моделями была у вас отдельным управляемым слоем, а не прибитой к одному провайдеру. А вы считали реальную стоимость своих AI-задач? Сколько у вас выходит за месяц?
Полную таблицу расчёта по 5 моделям и шаблон слоя для маршрутизации запросов я собрал в телеграм-канале @api_integrate_notes.