AI 成本很讓人困惑。各家供應商會丟給你一堆數字，卻沒有真正告訴你長期下來到底要付多少錢。若你不知道做推理任務時會花多少推理 token、多少會被快取，輸入／快取／輸出 token 的價格其實沒有什麼意義。我們將檢視 27 個前沿模型在真實世界中的使用情況。

你甚至沒辦法比較不同模型，因為它們的推理方式不同。有些供應商會對快取儲存收費，有些提供不同的快取策略，有些在尖峰時段套用不同費率，還有些……

而且這還只是文字。圖片和語音就更混亂了。

所以，從回應中收集成本中繼資料是唯一的方法。這篇文章是根據我在 AI Werewolf 文字遊戲中的 51,000 次 AI 呼叫整理而成。純粹是從我的荷包裡統計出來的資料。

文字遊戲中的 AI

我的文字遊戲本質上就是一個由人類玩家和 5～15 個機器人組成的群組聊天。這是一段很長的對話，裡面有一些角色扮演、遵守規則、定期壓縮上下文。我先前寫過它的設計，見 How to make LLMs play conversational games。這套做法可以套用到任何有 AI 的文字遊戲。我支援 27 個來自主要實驗室的 LLM，還有用於頭像和插圖的圖片生成、用於輸入和輸出的語音。我也會在使用者輸入上跑分類器。AI 無所不在，而這些都要花錢。

從 9 月中旬開始，遊戲的每一次 AI 呼叫都會在統計表中寫入一列：輸入 token、輸出 token、快取 token、成本和時間。到目前為止，已經累積 53 天、約 51,000 次呼叫。資料很多，我們一起來看。

我替免費使用者付錢

沒錯，API 呼叫總得有人買單，而這個人就是我。我有付費方案，但唯一的付費使用者是我自己。其他 651 位使用者都在免費方案上。而且我很大方——我讓每個人每天最多可以花我 5 美元。我除了最昂貴的模型之外，幾乎不限制任何東西。主要是因為留存率不高——人來人往。我覺得沒有必要逼大家付費。再說，免費使用者是很棒的測試者，尤其當他們在想辦法作弊、想辦法騙我的時候。

我知道，我知道，這種策略很容易破產。所有做新創的朋友大概都會覺得我的做法相當可疑。不過它某種程度上是有效的——大家可以無廣告地玩，不需要忍受像橫幅特價這種醜陋把戲。我會追蹤所有點擊和呼叫，只要有異常，5 分鐘內 Marlow 就會通知我。所以等情況改變時，我也準備好重新評估。

我每天花多少錢

我每天有 6 位獨立使用者。

平均每天 6.36 美元。 一般日子大概略低於 6 美元。最便宜的一天不到 30 美分，最糟的一天大約 16 美元。最近 30 天因為更多人開始玩，平均上升到約 7 美元。

一場正式遊戲（50 回合以上）平均花費 $1.49：其中文字 $1.03、圖片 $0.32、語音 $0.13。大約需要 165 次 AI 回合。

一個回合裡有什麼

它是某個機器人執行的一個動作。可能是聊天中的一句回覆、一票投票、或夜晚行動。我會把帶有上下文的請求送到官方 LLM API，然後拿回機器人的回應。我會把兩邊所有 token 的成本都算進去——回應訊息會包含這些資訊。

我用平均每回合成本來比較 27 個模型。我追蹤不同類型的回合：

摘要是我的壓縮步驟。每一天結束時，每個機器人都會閱讀當天內容並重寫自己的筆記。這是遊戲中最貴的回合：輸入最大、輸出最多，而且幾乎沒有快取。摘要占機器人回合的 11%，卻占機器人支出的 21%。

上下文會隨著遊戲進行而增長。白天討論回合的輸入 token 在第 1 天大約是 6,600，到了第 5 天約為 11,400。摘要則從約 12,100 增加到約 16,800。

有些呼叫不算機器人回合：

輸出 token 最棘手，因為它們包含回應文字加上所有推理。它們非常不可預測，因為你完全不知道模型會做多少推理。

LLM 的四個價位帶

文字是最大宗，所以我先從這部分開始。我的遊戲會根據一個機器人回合的成本，把每個文字模型分到四個價位帶之一。這個價位帶決定免費遊戲中可以放多少個該模型的機器人。

這些價位帶一開始不是這樣設定的。我以前是根據輸出價格來設限。看起來很合理，但其實是錯的，付費限定那一節你就會看到。9 月 20 日，我改成依照實際測得的每回合成本來設定。接下來 30 天，免費方案的每回合成本從 0.91 美分降到 0.67 美分，最近 30 天又降到 0.50 美分。較便宜的新模型也有幫助，所以不能把全部功勞都算在這次改動上。但我本來就應該一開始就量測。

下面的表格列出最近 30 天內至少有 100 次呼叫的模型，或我特別指出的小樣本模型。

無上限：最多 0.3 美分

對，大家家的小型前沿模型都在這裡。我沒有把推理額度和輸出預算放進表格，這樣可以省空間，也比較不會精神崩潰。不過我花了很多時間平衡這些設定，才換來不錯的速度和表現。

Luna 跟 DeepSeek Flash 一樣便宜。GLM 和 Qwen Flash 很慢。

最多 3 個機器人：最多 1 美分

Gemini 3.8 Flash 讓我很意外，而且是壞的那種。跟 Flash Lite 相比，成本跳很大。它每回合的成本是 Flash Lite 的 4.4 倍，回覆時間則是 10 倍。它的每 token 收費更高，而且每回合會輸出約 800 個 token，而 Flash Lite 大概只有 80 個。其中大多數 800 個都是推理內容。

DeepSeek Pro 很慢：中位回覆要 10.3 秒。完整版 GLM 比 Gemini 3.8 Flash 快三倍。

GPT-6.1 Terra 不錯。相較於 GPT-5.6，它便宜了很多，而且速度非常快。OpenAI 做得好。

1 個機器人：最多 2 美分

所有表現差的都在這裡。又貴又慢。Kimi K3.1 有一個更快的版本，但價格是兩倍。Mistral Large 4 和 Muse 在摘要上很常 1 分鐘逾時。

我保留這些模型是為了多樣性。它們對我的遊戲來說不太實用。有時我會把較貴的模型移到這個價位帶，讓使用者試試看，也順便收集一些資料。

僅付費：超過 2 美分

Fable 比 Luna 貴超過 100 倍。這一節的數字不多——這裡大多數模型除了我以外，幾乎沒有人玩過。

Grok 和 Gemini Pro。 在我改規則之前的 30 天裡，Grok 4.6 一場遊戲被允許 3 個機器人，因為它的輸出價格只有 6 美元。它每回合成本 3.55 美分，是 app 裡最貴的模型。Gemini 3.1 Pro 以 2.80 美分排名第二。兩者合計約占 12% 的回合與 39% 的機器人支出：在 $111.52 之中占了 $43.75。與此同時，GLM-5.3 的輸出價格較低，只有 4.40 美元，卻只允許 1 個機器人，每回合成本僅 0.76 美分。

這就是我根據供應商 token 價格做出的糟糕平衡。還好有這些統計資料，讓我可以調整價位帶。最糟的是，玩家其實根本不怎麼在意模型——是我程式裡的隨機選擇把那些模型放進遊戲，因為它們被認為負擔得起。

Mistral Medium 3.5。 我後來又犯了同樣的錯。新系統讓它在每場遊戲中佔一個位置。它的推理 token 在某些回合飆到 15,000～24,000 個。每回合成本 3.5 美分，而且大約 6% 的呼叫會失敗。我在三週後把它移除了。它花了我 $12.32。

Sonnet 和 Haiku。 10 月 13 日，我讓 Sonnet 5.5 在免費遊戲中佔一個位置，好收集樣本。在同一段時間內：

Sonnet 每回合成本是 Haiku 的 17 倍，而且並沒有更快。它最後一週在我的統計裡，Claude 的 $12.22 支出中有 $11.35 都是它花掉的，幾乎全來自免費遊戲，而且都是因為每場只給了一個位置。

token 標價 vs. 實際價格

這是實際價格和我根據輸入／輸出費率預估的價格之間差了多少。預估價格我用的是 8,000 個輸入 token、300 個輸出 token，按照費率卡計算，且不含快取。然後再用實際平均每回合成本去除。

低於 1 倍的模型，是因為快取的關係。如果沒有快取，在相同 token 數下，Terra、GLM 和 Kimi 大約會是 1.0 倍，而 Qwen Max 會是 1.2 倍。Qwen Max 有 63% 的輸入來自快取，比這裡其他任何模型都多，所以它從高於標線變成表中最便宜的比例。排在上面的模型每回合會輸出遠超過 300 個 token，而快取折扣完全補不上這部分。

看不見的變數是推理。Grok 4.6/4.7 每回合大約會輸出 2,200 個 token，其中 94% 是推理內容。玩家實際只會看到其中約 100 個。不是每家供應商都會回報這個拆分，所以我沒辦法對所有模型都這樣分析。

另一個看不見的東西是 tokenizer。不同模型對同一段文字會產生不同數量的輸入 token。Claude Haiku 5.5 平均每回合 13,473 個輸入 token；GPT-6 Luna 在同類型遊戲中平均只有 7,377 個。

便宜中國模型的迷思

常見說法是，中國模型比美國模型便宜很多。從我的資料平均來看，這好像是真的：中國模型的一個回合平均 0.40 美分，其他所有模型則是 0.76 美分。

但把每個價位帶裡的模型拿來比，差距就消失了。各個價位帶大致平衡，兩邊都沒有勝出。我很驚訝地看到，Luna 可以跟 DeepSeek Flash 正面對決。

唯一的例外是 DeepSeek V4 Pro。它每回合 0.55 美分，是 3 機器人價位帶中最便宜的模型，低於 GPT-6.1 Terra（0.74 美分）以及 Gemini 3.8 Flash 和 GLM-5.3（各 0.93 美分）。

中國模型也比較慢。我在 8 月寫過這件事，見 How I tried to write an article about slow Chinese LLMs。DeepSeek Flash V4.1 是例外。它的回覆中位時間是 2.6 秒，是遊戲裡最快的模型之一。

快取超級麻煩

輸入是我文字費用中最大的一部分：大約占 73%，輸出則占 27%。而且提示詞也會隨著遊戲進行而增長，從第 1 天約 6,900 個 token 增加到第 8 天約 15,500 個。這些提示詞幾乎每一回合都一樣。供應商會把快取輸入打 75～98 折。照理說，快取應該能解決一切。

但實際上，只有 29% 的輸入 token 是從快取提供的。

第一個原因是遊戲節奏。寫程式的代理每隔幾秒就會呼叫一次模型。我的機器人則要等人類輸入，也要等其他機器人說話。同一個機器人兩次呼叫之間的中位時間是 4 分鐘。42% 的間隔超過 5 分鐘，6% 超過 30 分鐘。

以下是依照機器人沉默時間長短，統計輸入 token 被快取提供的比例。

這張表說明幾件事：

• DeepSeek 不在乎我的節奏。 重複呼叫的命中率是 100%，即使隔了一小時也一樣。它的快取可以維持好幾小時甚至好幾天。這是唯一為這種遊戲設計的模型。
• Gemini 幾乎等於關掉了。 超過 5 分鐘就沒了。Gemini 3.8 Flash 是我花最多錢的模型之一，但只有 10% 的輸入有被快取。
• Qwen 在你很快時最划算。 Qwen Max 有 63% 的輸入來自快取，這幫它省下了將近一半帳單。
• 慢不慢不是全部。 OpenAI 的快取理論上可以維持 30 分鐘，但即使間隔不到 1 分鐘，也只提供了 31% 的 token。我不知道為什麼。也許只是機器人的呼叫落到不同伺服器上了。

第二個原因讓我很意外，因為我原本把一切都怪到節奏上。以下是依照回合類型統計的相同快取占比：

即使間隔很短，投票和摘要幾乎也不會命中。一次白天討論接著另一個白天討論，在 5 分鐘內可達 60% 命中率。一個討論回合之後接著投票，只有 23%。在 OpenAI 和 Gemini 上，5 分鐘內的投票和摘要命中率只有 0～2%。

在我上一篇文章 How to make LLMs play conversational games 之後，我重做了快取邏輯。我停止對 OpenAI 重複送出系統提示詞，把 Claude 改成 1 小時快取，並且讓每個提示詞中重複的部分逐字節完全一致。我以為自己做得很好。結果沒有。

投票問題出在結構化輸出。討論回合要求純文字。投票和夜間行動要求固定格式的 JSON，而每種夜間角色也都有自己的格式。歷史內容是相同的，所以快取理應還是能用。顯然不是，至少不是每家供應商都行。以下是同一個機器人在討論回合之後 5 分鐘內進行投票時的快取占比：

• OpenAI、Google、Mistral、Meta：0～3%。 這四家都把 JSON schema 當成獨立的請求設定，切換時就把快取丟掉了。
• Anthropic：25%。 Anthropic 的文件是這樣寫的：在結構化輸出下，「Claude 會自動收到額外的系統提示詞來說明預期的輸出格式」，而且「變更 output_config.format 參數會使該對話執行緒的任何提示詞快取失效」。剩下的 25% 是系統提示詞最上方的遊戲規則。
• DeepSeek、GLM、MiniMax、Qwen、Kimi：41～76%。 DeepSeek、GLM 和 MiniMax 是把 schema 當作提示詞末尾的一段文字，所以開頭的提示詞不會變。Qwen 和 Kimi 則像 OpenAI 一樣使用獨立的 schema 設定，但仍然保留了快取。

中國模型在 JSON 回合上保留快取的能力要好很多。

摘要問題則是我自己的錯。提示詞裡會注入一些資料，這把快取直接炸掉了。我需要修正這件事，只是直到我抓這篇文章的資料時才發現。

快取真的很麻煩。

有快取反而可能比沒有更貴

Anthropic 的預設快取只維持 5 分鐘，而機器人兩次呼叫之間的中位間隔大約是 4 分鐘。所以我在 9 月把所有 Claude 呼叫都改成 1 小時快取。它比較貴。寫入快取的費用是正常輸入價格的兩倍；讀取快取則只有十分之一。

而我得到的是這樣：

這怎麼可能？

較長的快取只有在你寫入的大部分內容都會被讀回來時才划算。我的不是。53 天內，Anthropic 的使用報表顯示，Sonnet 的輸入有 48% 是以兩倍價格寫入快取，而只有 42% 被讀回。每次切換到 JSON 回合，快取就會被清掉，機器人又得把全部內容重寫一次。

我自己的統計沒顯示這件事，因為我的程式把快取寫入按正常價格計算。直到 Anthropic 的餘額消耗速度大約是我統計所顯示的 1.5 倍時，我才發現。

圖片：帳單的 28%

圖片是最近才加入的功能。我一開始很猶豫要不要加，因為額外成本不低。但它大幅改善了 UI/UX，所以我決定盡量保留。

每場遊戲在建立時都會生成歡迎場景和一張肖像頁，之後還會隨著故事進行生成場景插圖。全部都跑在 Google 的圖片模型上。

我盡量把成本壓低——所有頭像都先以單張圖的方式生成，再由演算法切割成多個部分。我也讓使用者可以重新生成頭像——幸好他們沒有濫用這功能。重新生成的原因，主要是圖片功能剛上線時有很多 bug。某個模型生成出來的圖版很差，演算法無法正確切割。我甚至還加了一個簡單編輯器來調整頭像。

一場中位數遊戲在圖片上花 20 美分。

很多遊戲建立後根本沒人玩。97 場遊戲在 10 回合前就結束了。它們讓我花了 $17.40，其中 $14.62 是圖片成本——相當浪費。

10 月 21 日，我從 Gemini 3.1 Flash Image 換成 Nano Banana 2.1。平均每次呼叫從 12 美分降到 6.7 美分。不過我的每日圖片支出還是上升了，從 $1.67 增加到 $2.06，因為每天的圖片呼叫數量超過翻倍，從 14 次變成 31 次。

圖片模型也會推理。思考 token 會算進文字費用，而且在 API 預設等級下，Nano Banana 的一張表比舊模型更貴。我把它跑在 minimal 等級。跟文字一樣，費率表上的每張圖價格，不等於你實際支付的價格。

音訊：便宜，而且正在成長

Gemini 的語音比 OpenAI 便宜 27%，而且比它所取代的 Gemini 預覽版便宜超過 4 倍。玩家可以針對每場遊戲選擇供應商，所以兩者使用量差不多。

72% 的遊戲啟用了語音功能，405 場中有 292 場。大約每 5 則訊息就有 1 則是語音。因此它很受歡迎，但花費仍不到圖片成本的三分之一。

不過它正在成長。這份資料的第一週，音訊成本只有 $1.47；最後一個完整週則達到 $6.13。

語音轉文字功能不太受歡迎。53 天內只有 35 次使用，總共花了 6 美分。

分類器：四分之一的呼叫，只花 0.6% 的錢

兩個小型分類器在機器人周圍運作。路由器決定下一個應該由哪些機器人回覆。審查器則在使用者輸入送到供應商之前，先判斷所有內容。最後這個功能之所以必要，是因為太多使用者會想在 AI Werewolf 文字遊戲裡要求裸露和其他噁心內容。好吧，隨你。關於這件事我寫了 另一篇文章，而且我可能還會再寫幾篇，因為我還收到了更多有趣的案例。

我不覺得這有什麼不好，但如果 AI 供應商拒絕太多次，他們可能會封鎖我。不是封鎖使用者，是封鎖我和我的 API 金鑰。而且情況正變得更棘手——Anthropic 的 2026 使用政策更新 新增了對「持續且不必要地對模型施加辱罵或殘酷行為」的禁止。我不能讓這種事發生，而這些分類器很有幫助。

主要的分類器是 typesafe.ai 的 Jev。從 10 月 8 日開始，GPT-6 Luna 透過 OpenAI 的 Decisions API 跟它並行運作，幾乎每次呼叫都會跑。之所以加入它，是因為 Jev 有時候會失敗或逾時。雖然不常，但確實會發生。

Luna 只在 Jev 失敗時才會決定；否則它的答案會被保存下來，方便我比較兩者。

這總共是 12,015 次呼叫，占遊戲全部呼叫的 24%，總成本 $1.96。平均到每場遊戲，不到 1 美分。

把 Jev 當作路由器是一個巨大改進。它非常快，也非常便宜。

分類器唯一的問題是，它們彼此並不一致。Jev 和 Luna 對相同的輸入與問題會給出非常不同的分數——我得花很多時間調整。它們也會對我認為在角色扮演情境下無害的內容給出很高的分數。像是使用者罵自己是智障（0.9 仇恨言論）或「Good italian is dead italian」（0.95 種族主義）。這部分我留到另一篇文章再談。

追蹤錯誤

我透過讀取回應中的中繼資料來追蹤所有成本。但還是會漏掉一些。把我的數字和供應商的使用報告相比，常常會看到差異：

• DeepSeek：少 9%。 不知道為什麼。
• Gemini：到 10 月中旬前都很接近，之後少了 16～32%。 大概是我忘記關掉的、同一把金鑰上的其他專案。
• Claude：我實際支付的金額是我記錄的 1.54 倍。 這個不是共用金鑰的問題。Anthropic 的使用報告顯示，我的 token 數量其實在 2% 內都正確。問題出在我的程式：它把 1 小時快取寫入的價格算成了實際的一半。

還得再深入查查。

如果幾個月前的我要給現在的我建議

• 不要只看每 token 價格來選模型。要用你的真實工作負載跑一次，再用錢除以呼叫次數。
• 不要以為快取一定有幫助。先測試、讀文件，然後再測一次。要在真實的正式使用情境中測。快取是使用 LLM API 時最難的部分。
• 大多數使用者其實不太在意模型。所以，圍繞最便宜模型做隨機選擇，幫我省了很多錢。一開始我就是從支援清單裡隨機挑模型。
• 在能做的地方，把分類器用在遊戲邏輯上。
• 每個月都要把成本追蹤跟餘額對帳。一般來說，也要隨時分析統計資料。

數字還在持續成長

AI Werewolf 的 Models 頁面 會顯示遊戲中每個模型的實際每回合成本，這是根據真實遊戲量測出來的。隨著統計資料增加，我會重新量測，所以它是一個會持續更新的基準。

它是有偏差的。它反映的是我的使用情境、我的 bug，以及大家最常選擇的便宜模型。但誰說其他基準就比較好呢？至少這個來自真實世界。你的專案很可能會比一般性的基準更像我的專案。

原文出處：https://dev.to/hiper2d/how-much-does-it-cost-to-run-a-text-game-with-llms-57o7