Tanie API LLM - które modele z katalogu Kadrarisa najmniej kosztują przy 1000 odpowiedzi

Policzyłem, ile kosztuje 1000 odpowiedzi chatbota obsługi klienta na każdym modelu czatu w katalogu Kadrarisa. Przy cenach z 12 października 2026 na samym dole rachunku były DeepSeek V4 Flash (0,733 zł / 1,47 zł za 1 mln tokenów) i GPT-6 Luna (0,587 zł / 2,93 zł za 1 mln tokenów), dalej GPT-5.6 Luna, DeepSeek V4 Pro, MiniMax M3, Gemini 3.6 Flash i GLM-5.2. Rozstrzał kwot od dołu do góry tabeli liczy się w krotnościach, więc warto to policzyć na własnych liczbach - poniżej wzór, kolejność i skrypt.

Jedno zastrzeżenie na start: to zestawienie kosztu, a nie jakości. Tani model nie wszędzie wystarczy, ale przy klasyfikacji, streszczeniach i prostych odpowiedziach często robi to, czego potrzebujesz, za ułamek ceny flagowca. Mowa też wyłącznie o naszym katalogu - nie porównuję tu cen z innymi serwisami.

Założenia przykładu

Wziąłem typowy czat obsługi klienta z kawałkiem bazy wiedzy w prompcie:

• 1000 odpowiedzi,
• przeciętnie 1500 tokenów na wejściu (prompt systemowy, fragment bazy, pytanie),
• przeciętnie 400 tokenów na wyjściu.

Łącznie wychodzi półtora miliona tokenów na wejściu i czterysta tysięcy na wyjściu. Stawki w cenniku są podane za milion tokenów, więc rachunek jest krótki:

1000 odpowiedzi = 1,5 × stawka wejścia
                + 0,4 × stawka wyjścia

Wersja do podstawienia czegokolwiek:

koszt = odpowiedzi × (tok_wej × st_wej
        + tok_wyj × st_wyj) / 1 000 000

Obie stawki dla każdego modelu podaje tabela niżej, a także cennik.

Kolejność od najtańszego

Ułożyłem modele według wyniku wzoru przy cenach katalogowych z 12 października 2026. Ceny w trzeciej kolumnie odświeżają się same, dlatego przy przyszłych zmianach stawek miejsca w tabeli mogą się zamienić. Własne liczby wpiszesz w kalkulatorze kosztów AI albo w skrypcie niżej.

Walka o pierwsze miejsce rozgrywa się między dwoma modelami o odwrotnych mocnych stronach: model OpenAI bierze mniej za tokeny wysłane, model DeepSeeka - zdecydowanie mniej za wygenerowane. Mój czat produkuje sporo tekstu, więc wygrywa DeepSeek. Wystarczy jednak, że kontekst przerośnie odpowiedź ponad dziesięciokrotnie, i kolejność się odwraca. Dwa modele Claude na końcu wstawiłem jako punkt odniesienia: po podstawieniu ich stawek widać, ile kosztowałaby ta sama robota na topowym modelu.

Tanie modele w kilku zdaniach

• DeepSeek V4 Flash. Lżejszy wariant czwartej generacji DeepSeeka, wagi są publiczne. Okno kontekstu to milion tokenów, odpowiedź może mieć 384 tys., a generowany tekst kosztuje tu najmniej spośród wszystkich modeli czatu u nas. Zanim odpowie, domyślnie rozumuje - i za to rozumowanie płacisz stawką wyjścia, więc w prostych zadaniach przytnij max_tokens.
• GPT-6 Luna. Najlżejszy model wrześniowej rodziny GPT-6. Nadaje się do rozmowy, przypisywania kategorii i prostych agentów, a mieści 1,05 mln tokenów kontekstu. Całą rodzinę opisuję w GPT-6 API - cena.
• MiniMax M3. Otwarte wagi, maj 2026, nastawiony na kod i agenty. Kontekst 1 mln tokenów, odpowiedzi do 512 tys. - przydaje się, gdy chcesz dostać długi wynik (cały plik, raport) tanio.
• DeepSeek V4 Pro. Większy model z tej samej czwartej generacji, architektura MoE, wagi publiczne. W październikowym cenniku obie jego stawki były kilkukrotnie wyższe niż we Flashu. Opłaca się wtedy, gdy twoje własne próby pokażą wyraźną przewagę jakości. Obie wersje zestawiam w porównaniu DeepSeek V4 Flash i Pro.
• GLM-5.2 od Z.ai. Publiczne wagi, model pomyślany pod wieloetapową pracę, w której trzeba coś najpierw rozplanować.
• Gemini 3.6 Flash. Błyskawiczny model od Google na rozmowy i drobne zlecenia. U nas utnie odpowiedź na 8192 tokenach - do obszernych dokumentów weź inny.
• Kimi K3. Dodałem go, bo ludzie często pytają o niego przy szukaniu niedrogich chińskich modeli. W naszym katalogu tani nie jest: przy cenach z 12 października wychodził drożej niż Claude Sonnet 5. To narzędzie do długich, trudnych projektów, a nie do masowego czatu.

Dlaczego twój rachunek może wyjść inaczej

Sam rachunek się zgadza, tylko jedno założenie dla wszystkich modeli to uproszczenie. Wynik przesuwają zwłaszcza:

• Myślenie modelu. Modele, które rozumują przed odpowiedzią (np. rodzina GPT-6 albo DeepSeek z trybem myślenia), dopisują do rachunku ukryte tokeny, liczone po stawce wyjścia. 400 tokenów odpowiedzi potrafi wtedy urosnąć do kilku tysięcy.
• Tokenizer. Identyczny akapit po polsku to w każdym modelu inna liczba tokenów. Według Anthropic nowy Sonnet 5 tnie tekst na mniej więcej 30% więcej kawałków niż Sonnet 4.6.
• Limit długości. Gemini 3.6 Flash zatrzyma się na 8192 tokenach odpowiedzi. Do czatu wystarcza, do raportu nie.
• Koszt błędów. Jeśli co piąta odpowiedź taniego modelu wymaga interwencji człowieka albo drugiego, mocniejszego modelu, oszczędność znika.

Z tabeli wybieram więc dwa-trzy modele i sprawdzam je na prawdziwych rozmowach. Równoległe odpytywanie kilku modeli jednym kluczem opisuję w poradniku o jednym API do wielu modeli.

Skrypt do własnych liczb

Lista modeli pod GET /v1/models nie wymaga uwierzytelnienia i zwraca stawki brutto w PLN. Poniższy kod podstawia twoje liczby i wypisuje modele od najtańszego:

import requests

# twoje liczby: odpowiedzi, tokeny wejścia i wyjścia
N, T_IN, T_OUT = 1000, 1500, 400

resp = requests.get(
    "https://kadraris.com/v1/models",
    params={"category": "chat", "currency": "PLN"},
    timeout=30,
)
models = resp.json()["data"]

wyniki = []
for m in models:
    p = m["pricing"]
    wej = T_IN * float(p["input_per_mtok"])
    wyj = T_OUT * float(p["output_per_mtok"])
    wyniki.append((N * (wej + wyj) / 1_000_000, m["id"]))

for koszt, mid in sorted(wyniki):
    print(f"{mid:24} {koszt:8.2f} zł")

Zamiast zgadywać średnie, zbierz je z produkcji: w odpowiedzi API pole usage zawiera prompt_tokens oraz completion_tokens. Kilka dni logów daje wiarygodne wartości.

Jak obniżyć rachunek na każdym modelu

• Odchudź instrukcję systemową. Doklejana jest do każdego zapytania - w moim przykładzie zjada lwią część półtora tysiąca tokenów wejścia.
• Kieruj pytania do dwóch modeli. Prostsze trafiają do taniego, a do droższego tylko to, czego tani nie udźwignie. W kodzie zmieniasz wtedy jedną wartość.
• Ustaw max_tokens tam, gdzie odpowiedź ma być krótka.
• Załóż limit na klucz. W panelu każdy klucz API może mieć miesięczny limit wydatków. Gdy go przekroczysz, dostajesz 403 - pętla, która wymknęła się spod kontroli, utknie na limicie, zanim wyczyści konto.

Do każdego modelu z tabeli używasz tego samego klucza i tego samego salda w PLN. Doładowanie robisz kartą lub BLIK-iem, z opcjonalną fakturą, abonamentu nie ma, a saldo nie wygasa. Minimalna wpłata to 40 zł - przy tanich modelach z tabeli to wiele tysięcy odpowiedzi. Konto zakładasz na stronie rejestracji, a przegląd modeli językowych jest na stronie API modeli językowych.

Pytania

Przy jakiej proporcji tokenów GPT-6 Luna wychodzi taniej od DeepSeek V4 Flash?

Według październikowych stawek: kiedy tokenów wejścia jest ponad dziesięć razy więcej niż wyjścia. Tak bywa przy długim kontekście i krótkiej odpowiedzi, na przykład w klasyfikacji dokumentów. Sprawdź to wzorem albo w kalkulatorze na swoich liczbach.

Jak sprawdzić, ile tokenów naprawdę zużywa mój czat?

Zapisuj pole usage z każdej odpowiedzi: prompt_tokens to wejście, completion_tokens wyjście (z myśleniem włącznie). Kilka dni ruchu wystarczy, żeby policzyć średnie i podstawić je do skryptu.

Czy rozdzielanie pytań między dwa modele jest trudne?

Nie. W API zmieniasz tylko pole model, więc wystarczy prosty warunek: krótkie i typowe pytania do taniego modelu, trudne albo zgłoszone przez klienta jako złe do mocniejszego.

Co z danymi klientów wysyłanymi do modeli?

Prompty i odpowiedzi nie służą do trenowania modeli. Zakres danych, które możesz wysłać, wyznaczają twoje umowy i prawo - przekazuj tylko to, co niezbędne. Rozliczenie idzie w złotówkach, z fakturą VAT na życzenie.