GPT API价格全解析：13款模型每百万tokens费用对比

OpenAI的API定价一直按token计费，但不同模型之间的价差可以大到两个数量级。最近一份来自uplinkswitch.com的定价清单，把GPT系列13款模型的输入、缓存输入和输出价格全部摊开，并与OpenAI官方标价并列对比，顺带用两个具体请求算了一笔账。

GPT API的计价逻辑

OpenAI对API调用按每百万token计费，分三档：输入、缓存输入和输出。每个模型的输出单价都高于输入单价，这反映的是生成token比处理token更耗算力。GPT-4o和GPT-4o mini没有独立的缓存费率，重复前缀按输入价计费。一次请求的成本就是token数乘以对应模型的费率，没有席位费或套餐费。

这个结构意味着，选择模型时真正该看的是"每百万token单价乘以业务量"，而不是单次调用的绝对金额。高频低难度的任务，便宜模型和贵模型之间的年化差距可以到几十倍。

Token与上下文缓存

Token是模型处理文本的基本单位，可粗略理解为词片段：英文中一个token约对应0.75个单词，中文则因分词方式不同，一个字可能对应1至2个token。每百万token计费即把输入、输出token数分别乘以对应档位单价。

缓存输入（cached input）依赖的是“提示词缓存”机制：当多次请求以相同前缀开头时，服务端可复用上一次对该前缀的计算结果，无需重新处理，从而以更低费率计费。缓存通常有最短长度门槛（如1024 token）和存活时间（数分钟到数小时），前缀一旦变动，缓存即失效。因此缓存收益最大的是长系统提示词、固定知识库、多轮对话中不变的历史部分等场景。

13款模型价格全景

清单覆盖了从旗舰到轻量的全部GPT模型。价格最低的是GPT-6 Luna，输入$0.0625、输出$0.15每百万token；最贵的是GPT-6 Astra，输入$3.00、输出$15.00——两者输入价差48倍，输出价差100倍。

中间档位分布密集。GPT-6.1 Sol和GPT-6 Sol都是输入$0.60、输出$3.00；GPT-5.5和GPT-5.4同为输入$1.50、输出$9.00；GPT-5.6 Sol和GPT-5.6 Terra共享输入$1.20的档位，输出分别为$3.00和$3.60。GPT-5.3-Codex定位特殊，输入$1.05、输出$8.40，明显面向代码场景做了单独定价。

有意思的是，该清单同时列出了自家平台价格与OpenAI官方标价。以GPT-6 Astra为例，官方标价为输入$10.00、输出$50.00，清单中的价格约为其30%，即低70%。GPT-6.1 Sol同样低70%，GPT-6 Luna输入低37%、输出低70%。这种并列呈现方式便于读者直观看到渠道价差，但需要注意这属于第三方平台报价，实际成本还需考虑稳定性、延迟和合规等因素。

第三方转售与官方标价的差异

清单中并列的“官方标价”指OpenAI直接向开发者收取的每百万token价格；“清单价”则来自第三方聚合或转售平台。这类平台通常通过批量采购、额度池化或区域差价获得折扣，再以低于官方的价格转售，赚取利差。价差本身并不神秘，但需要注意：第三方报价可能随汇率、促销或额度余量波动，并非长期承诺；同时请求经其中转，会引入额外延迟和单点故障风险，数据处理也可能不直接受OpenAI条款约束。对合规要求高的业务，官方直连仍是基准选项。

两个真实请求的成本计算

为了把抽象单价转换成可感知的数字，清单设计了两个典型场景：一个聊天回合（2,000输入+500输出token）和一次长文档请求（50,000输入+2,000输出token），均按非缓存价计算。

模型	聊天回合（官方价）	聊天回合（清单价）	长文档（官方价）	长文档（清单价）
GPT-6 Astra	$0.045	$0.0135	$0.60	$0.18
GPT-6.1 Sol	$0.009	$0.0027	$0.12	$0.036
GPT-6 Luna	$0.0005	$0.0002	$0.006	$0.0034

几个观察：一次普通聊天回合在GPT-6 Astra上的官方成本是4.5美分，GPT-6 Luna只要0.05美分，相差90倍。长文档场景下，Astra单次0.6美元，Luna只要0.6美分。如果每天处理上千次长文档请求，模型选择直接决定项目是否可持续。

缓存输入的实际影响

当请求重复了API已经见过的前缀——比如长系统提示词或同一份文档——响应会把这些token标记为缓存，按缓存费率计费。以GPT-6 Astra为例，缓存输入$0.30对比普通输入$3.00，便宜90%。对于需要反复携带同一份知识库或指令集的场景，缓存机制带来的成本下降比换模型更立竿见影。

没有缓存费率的模型（GPT-4o和GPT-4o mini）在重复前缀时按输入价计费，这意味着在长上下文复用场景中，它们的实际成本劣势会被放大。

缓存命中率的成本杠杆

缓存节省的幅度取决于命中率，而不只是缓存单价。若一次请求的输入中有80%命中缓存，实际输入成本约为“0.8×缓存价+0.2×普通价”；命中率低时，节省会大打折扣。命中率受前缀稳定性、请求间隔（须在缓存存活期内）和并发模式影响。工程上可通过把不变内容前置、把变量后置来稳定前缀，从而提升命中率。对没有独立缓存费率的GPT-4o系列，这一优化空间不存在，长上下文复用场景应优先考虑支持缓存的模型。

用量选择与接入方式

清单给出的选型建议很直接：用能完成任务的最便宜模型。Luna适合分类、抽取等高并发短任务；Sol覆盖大多数编程和写作场景；Astra留给那些"更难的答案值这个价"的场合。建议拿同一个提示词在三个档位上各跑一遍做对比，而不是凭直觉选型。

接入层面，所有列出的GPT模型ID都可以通过同一个OpenAI兼容SDK调用，只需把base_url指向服务商地址并填入密钥。计费采用预付费信用制，最低$10起充，每次充值锁定价格30天，没有订阅制。

几点判断

这份定价清单的价值不只在于数字本身，更在于它展示了API成本的结构性差异：同一个家族内，输入价差可达48倍，输出价差可达100倍。很多团队在选型时只关注模型能力排行榜，却忽略了任务难度与模型档位的匹配——用旗舰模型做分类抽取，成本可能是必要值的几十倍。

另一方面，第三方平台与官方标价之间的价差（清单中普遍为低70%）需要理性看待。价格优势背后涉及服务稳定性、数据合规和长期可持续性，生产环境不应只看单价。真正可靠的节省来自两处：选对模型档位，以及用好缓存机制。