Multimodal pricing: τι χρεώνουν πραγματικά εικόνες, ήχος και βίντεο

Ένας transformer παίρνει μια ακολουθία διανυσμάτων. Δεν έχει άποψη για το από πού προήλθαν. Το Κεφάλαιο 8 τον τροφοδότησε με embeddings που ανακτήθηκαν από ένα token id· τίποτα στην αρχιτεκτονική δεν απαιτεί το lookup.

Άρα: κόψτε την εικόνα σε σταθερά τετράγωνα, ισιώστε κάθε τετράγωνο σε μια λίστα αριθμών και περάστε κάθε λίστα από ένα learned linear layer για να πάρετε ένα διάνυσμα με το πλάτος του μοντέλου. Ένα patch 32 × 32 έγχρωμων pixels είναι $32 \times 32 \times 3 = 3072$ αριθμοί· η προβολή $E \in \mathbb{R}^{d \times 3072}$ το μετατρέπει σε ένα διάνυσμα $d$ διαστάσεων, ακριβώς το σχήμα με το οποίο φτάνει ένα text token. Αυτό είναι όλο, και είναι το paper που το λέει στον τίτλο του: μια εικόνα αξίζει 16 × 16 λέξεις.¹ Προσθέστε positional encoding ώστε το μοντέλο να ξέρει ποιο τετράγωνο ήταν πού, διαπλέξτε τα αποτελέσματα με τα text embeddings, και η ακολουθία που διαβάζει το μοντέλο είναι εν μέρει εικόνα και εν μέρει πρόταση.

Τρία papers το μετέτρεψαν σε προϊόν. Το CLIP εκπαίδευσε έναν image encoder και έναν text encoder να συμφωνούν, πάνω σε τετρακόσια εκατομμύρια scraped ζεύγη, και εκεί η ιδέα ότι pixels και λέξεις μπορούν να μοιράζονται έναν χώρο έπαψε να είναι υπόθεση.² Το Flamingo έδεσε έναν frozen vision encoder πάνω σε ένα frozen γλωσσικό μοντέλο με λίγα εκπαιδευμένα bridging layers.³ Το LLaVA έδειξε ότι η γέφυρα μπορούσε να είναι μία μόνο linear projection και ότι το instruction-following μπορούσε να διδαχθεί με generated data, γι’ αυτό και κάθε ανοικτό vision-language μοντέλο από τότε μοιάζει χονδρικά ίδιο.⁴

Η συνέπεια για το τιμολόγιό σας είναι άμεση και καθόλου λαμπερή: τα patches είναι θέσεις στην ακολουθία, άρα είναι input tokens, άρα πληρώνετε γι’ αυτά στην τιμή input. Το πόσα είναι αριθμητική, και κάθε provider το κάνει διαφορετικά.

Κάθε κανόνας παρακάτω υλοποιείται από την ίδια την τεκμηρίωση του provider και ελέγχεται απέναντι στα worked examples της ίδιας τεκμηρίωσης.

Το OpenAI καλύπτει την εικόνα με patches 32 × 32 και πολλαπλασιάζει το πλήθος με έναν παράγοντα ανά μοντέλο. Αν το πλήθος patches υπερβαίνει το budget για εκείνο το μοντέλο και επίπεδο detail, η εικόνα μικραίνει μέχρι να χωρέσει:

Το Anthropic την καλύπτει με patches 28 × 28, ένα visual token το καθένα, και βάζει cap τόσο στη μακριά πλευρά όσο και στο πλήθος token — 1.568 pixels και 1.568 tokens στα standard-tier models, 2.576 και 4.784 στο high-resolution tier. Οι υπερμεγέθεις εικόνες μικραίνουν στο μεγαλύτερο μέγεθος που χωρά και στα δύο.⁵

Το Google δεν μετρά pixels καθόλου. Μια εικόνα με αμφότερες τις πλευρές στα 384 pixels ή κάτω κοστίζει flat 258 tokens. Οτιδήποτε μεγαλύτερο κόβεται σε tiles των 258 token το καθένα, και το tile grid προκύπτει από crop unit $\lfloor \min(w,h) / 1.5 \rfloor$.⁶

export function openaiImageTokens(
  w: number, h: number,
  { maxDim, patchBudget, multiplier }: { maxDim: number; patchBudget: number; multiplier: number },
) {
  const fit = Math.min(1, maxDim / Math.max(w, h));      // never enlarges
  w = Math.floor(w * fit); h = Math.floor(h * fit);
  let patches = Math.ceil(w / 32) * Math.ceil(h / 32);   
  if (patches > patchBudget) {
    const s = Math.sqrt((32 * 32 * patchBudget) / (w * h));
    const adj = s * Math.min(
      Math.floor((w * s) / 32) / ((w * s) / 32),
      Math.floor((h * s) / 32) / ((h * s) / 32));
    patches = Math.ceil(Math.floor(w * adj) / 32) * Math.ceil(Math.floor(h * adj) / 32);
  }
  return Math.ceil(patches * multiplier);                
}

export function anthropicVisualTokens(
  w: number, h: number,
  { maxLongEdge, maxTokens }: { maxLongEdge: number; maxTokens: number },
) {
  const tok = (a: number, b: number) => Math.ceil(a / 28) * Math.ceil(b / 28);
  const long = Math.max(w, h), short = Math.min(w, h);
  for (let L = Math.min(long, maxLongEdge); L >= 1; L--) {     
    const t = tok(L, Math.round((short * L) / long));
    if (t <= maxTokens) return t;                              
  }
  return 0;
}

export function geminiImageTokens(w: number, h: number) {
  if (w <= 384 && h <= 384) return 258;
  const crop = Math.floor(Math.min(w, h) / 1.5);               
  return Math.ceil(w / crop) * Math.ceil(h / crop) * 258;      
}

Τρέξτε το καθένα απέναντι στους αριθμούς που τυπώνει ο δικός του vendor:

OpenAI, gpt-5.4 at detail:high (2048 px, 2,500 patches, 1.2x)
  1024x1024 -> 1024 patches -> 1229 tokens   doc says 1229   MATCH
  2048x2048 -> 2500 patches -> 3000 tokens   doc says 3000   MATCH

Anthropic, the published table (one tier per row shown)
  200x200    std   64 @ 200x200     doc   64, not resized    OK
  1000x1000  std 1296 @ 1000x1000   doc 1296, not resized    OK
  1092x1092  std 1521 @ 1092x1092   doc 1521, not resized    OK
  1920x1080  std 1560 @ 1456x819    doc 1560, 1456x819       OK
  2000x1500  std 1564 @ 1269x952    doc 1564, 1269x952       OK
  3840x2160  hi  4784 @ 2576x1449   doc 4784, 2576x1449      OK

Google, the worked example
  960x540 -> crop 360 -> 3 x 2 = 6 tiles     doc says 6      MATCH

Τυπώνονται εννέα συμφωνίες· το πλήρες run ελέγχει δεκαπέντε, αφού ο πίνακας του Anthropic δίνει και τα δύο tiers για όλα τα έξι μεγέθη. Οι κανόνες είναι πλέον δικοί σας για να τους τρέξετε σε οποιαδήποτε φωτογραφία έχετε, και αυτό είναι το ζητούμενο: αυτές είναι οι μόνες τρεις συναρτήσεις σε αυτό το κεφάλαιο που δεν μπορείτε να πάρετε από μια σελίδα τιμών.

Περάστε την ίδια φωτογραφία 4:3 και από τα τρία σε έξι μεγέθη:

Διαβάστε την τελευταία στήλη προς τα κάτω. Μόλις η εικόνα ξεπεράσει τα 384 pixels, ο αριθμός δεν αλλάζει ποτέ ξανά, και αυτό δεν είναι σύμπτωση ούτε cap. Αντικαταστήστε το crop unit πίσω στον τύπο των tiles, για εικόνα τουλάχιστον τόσο πλατιά όσο είναι ψηλή:

Το μέγεθος απαλείφεται. Τα image tokens του Google εξαρτώνται από το aspect ratio και από τίποτε άλλο. Μια φωτογραφία 4:3 είναι τέσσερα tiles είτε είναι thumbnail είτε αφίσα. Αυτό το μοναδικό αλγεβρικό γεγονός είναι όλη η εξήγηση του μηδενικού στη στήλη εξοικονόμησης παραπάνω, και καμία σελίδα τιμών πουθενά δεν το δηλώνει.

Οι άλλες δύο στήλες κάνουν cap, σε διαφορετικά ύψη και για διαφορετικούς λόγους — το Anthropic σε δηλωμένο token ceiling, το OpenAI σε patch budget μετά από pixel limit — γι’ αυτό οι τρεις καμπύλες τέμνονται σε διαφορετικά μεγέθη.

Τώρα σπάστε το. Ο προφανής τρόπος να ξοδέψετε λιγότερα σε vision model είναι να ζητήσετε λιγότερο detail, άρα στείλτε detail: "low":

1600x1200   low = 2280   high = 2280   ratio 1.00
3200x2400   low = 3687   high = 2942   ratio 1.25

Το να ζητήσετε λιγότερο detail κόστισε 25 % περισσότερο. Δεν είναι bug και το OpenAI το λέει σε μία γραμμή του sizing table: σε εκείνη την οικογένεια μοντέλων, το low χρησιμοποιεί όριο 2048 pixels με budget 6.144 patches ενώ το high χρησιμοποιεί το ίδιο όριο pixels με budget 2.500 patches, «οπότε μπορεί να χρησιμοποιήσει περισσότερα tokens από το high».⁷ Η λέξη low ονομάζει ρύθμιση fidelity, όχι τιμή: σε δύο από τις πέντε τεκμηριωμένες οικογένειες μοντέλων δεν αγοράζει καμία εξοικονόμηση, και σε μία από αυτές τις δύο κοστίζει περισσότερο.

Όλα μέχρι τώρα αφορούσαν ένα μοντέλο που διαβάζει μια εικόνα. Το να φτιάξει μία τρέχει σε μηχανισμό χωρίς tokens καθόλου, και αυτός είναι ο λόγος που πωλείται ανά εικόνα αντί ανά λέξη.

Οι vendors δημοσιεύουν τη δημιουργία εικόνων ως τιμή ανά εικόνα. Δεν είναι. Τα GPT Image models εκπέμπουν εξειδικευμένα image tokens των οποίων το πλήθος εξαρτάται από το ζητούμενο μέγεθος και quality· πολλαπλασιάστε τα δημοσιευμένα πλήθη με τη δημοσιευμένη τιμή image output του GPT Image 1, $40 ανά εκατομμύριο, και συγκρίνετε με τις τιμές ανά εικόνα στην ίδια σελίδα:

Εννέα παραγόμενα νούμερα απέναντι σε εννέα δημοσιευμένα, κάθε ζευγάρι συμφωνεί εντός $0.002.¹¹ Το Google είναι ακόμη πιο ρητό και κάνει τη μετατροπή για εσάς στην ίδια τη σελίδα τιμών: image output στα $60 ανά εκατομμύριο tokens, «output images at 1K (1024x1024px) consume 1120 tokens and are equivalent to $0.067 per image».¹²

Άρα μια τιμή ανά εικόνα είναι τιμή ανά token με το πλήθος διπλωμένο μέσα. Αυτό είναι εντάξει, και κρύβει κάτι. Πάρτε τον πίνακα της τρέχουσας γενιάς και διαιρέστε προς τα πίσω:

quality   1024x1024            1024x1536
low       $0.006 -> 200 tok    $0.005 -> 167 tok
medium    $0.053 -> 1767 tok   $0.041 -> 1367 tok
high      $0.211 -> 7033 tok   $0.165 -> 5500 tok

Η μεγαλύτερη εικόνα είναι η φθηνότερη σε κάθε quality. Ένας canvas 1024 × 1536 έχει 50 % περισσότερα pixels από έναν 1024 × 1024 και κοστίζει 23 % λιγότερα tokens στο medium. Το OpenAI το επισημαίνει σε μια πρόταση που θα προσπερνούσατε — «a larger non-square resolution can sometimes produce fewer output tokens than a smaller or square resolution at the same quality setting» — και στην προηγούμενη γενιά μοντέλων ίσχυε το αντίστροφο, με το portrait να κοστίζει 50 % περισσότερο από το square.¹¹ Κάθε default του 1024x1024 που γράφτηκε πριν από εκείνη την αλλαγή είναι τώρα η ακριβή επιλογή.

Ζητήστε από τρία προϊόντα να πουν τους ίδιους 519 χαρακτήρες — περίπου 38 δευτερόλεπτα ήχου — και παίρνετε τρία συστήματα μονάδων από δύο vendors:

Ο ίδιος vendor πουλά και τις δύο μονάδες: το tts-1 του OpenAI τιμολογείται ανά εκατομμύριο χαρακτήρες ενώ το gpt-4o-mini-tts τιμολογείται ανά εκατομμύριο tokens, $0.60 in και $12.00 out.¹³ Άρα το «φθηνότερο text-to-speech» δεν είναι ερώτηση με απάντηση μέχρι να πείτε τι εκφωνείτε.

Και οι δύο μονάδες είναι τυφλές σε αντίθετα πράγματα. Μια τιμή ανά χαρακτήρα δεν βλέπει διάρκεια: επιλέξτε μια αργή, μετρημένη φωνή ή προσθέστε παύσεις, και ο λογαριασμός δεν κουνιέται ενώ ο ήχος μεγαλώνει. Μια τιμή ανά δευτερόλεπτο δεν βλέπει περιεχόμενο: τριάντα δευτερόλεπτα κοστίζουν το ίδιο είτε είναι πυκνή τεχνική παράγραφος είτε κάποιος μετρά μέχρι το δέκα. Αλλάξτε φωνή και ακριβώς ένας από τους δύο vendors σας αλλάζει τιμή.

Το transcription πηγαίνει ανάποδα και είναι η πιο απλή γραμμή σε όλο το τιμολόγιο — ανά λεπτό ήχου, flat:

whisper                  $0.005960     ($0.006 / min)
gpt-transcribe           $0.004470     ($0.0045 / min)
gpt-4o-mini-transcribe   $0.002980     ($0.003 / min)
gpt-live-transcribe      $0.016887     ($0.017 / min)

Σημειώστε την τελευταία γραμμή σε σχέση με την τρίτη: το να το κάνετε ζωντανά, καθώς φτάνουν οι λέξεις, κοστίζει 5,7 φορές όσο το να το κάνετε σε τελειωμένο αρχείο. Αυτό το κενό είναι η τιμή του να μην μπορείτε να κάνετε batch, και αυτό κάνει την επόμενη ενότητα ακριβή.

Τώρα ο αριθμός που αποφασίζει αν η φωνή είναι feature ή προϊόν.

Η κλήση: μια συζήτηση υποστήριξης δέκα turns, 149 λέξεις, που με δηλωμένα 150 words per minute είναι 59,6 δευτερόλεπτα ομιλίας — 21,2 από τον καλούντα, 38,4 ως απάντηση. Οι μετατροπές token είναι των ίδιων των providers. OpenAI: «audio tokens in user messages are 1 token per 100 ms of audio, while audio tokens in assistant messages are 1 token per 50 ms».¹⁴ Google: 25 tokens ανά δευτερόλεπτο, και στις δύο κατευθύνσεις, κάτι που επιβεβαιώνει η σελίδα τιμών του δημοσιεύοντας $12.00 ανά εκατομμύριο και $0.018 ανά λεπτό στην ίδια γραμμή.¹²

Η συζήτηση συσσωρεύεται ακριβώς όπως είπε το Κεφάλαιο 16 ότι θα συνέβαινε, επειδή είναι ο ίδιος μηχανισμός: «the entire conversation is sent to the model for each Response... thus turns later in the session will be more expensive».¹⁴ Μόνο που τώρα το history μετριέται σε audio tokens.

Τώρα η σύγκριση που αποφασίζει το προϊόν, και τα τέσσερα κανονικοποιημένα σε ένα λεπτό:

Τριάντα οκτώ φορές. Όχι τριάντα οκτώ τοις εκατό. Η ίδια ανταλλαγή, διεξαγόμενη σε ήχο αντί σε κείμενο, είναι σχεδόν δύο τάξεις μεγέθους ακριβότερη, και κανένα μέρος αυτού του κενού δεν είναι περιθώριο που κάποιος επέλεξε να χρεώσει — είναι ο συντελεστής μετατροπής. Ένα δευτερόλεπτο assistant audio είναι είκοσι tokens. Το ίδιο δευτερόλεπτο μεταφέρει 2,5 λέξεις στον δηλωμένο ρυθμό, και το μετρημένο transcript τρέχει στα 1,26 tokens ανά λέξη, άρα ως κείμενο είναι 3,15 tokens. Ο ήχος είναι πακέτο 6,3 φορές ογκωδέστερο για το ίδιο νόημα, και κάθε ένα από τα tokens του χρεώνεται 5,3 φορές την text output rate και 16 φορές την text input rate. Πολλαπλασιάστε έναν λόγο όγκου με έναν λόγο τιμής και η τάξη μεγέθους υπάρχει ήδη πριν αρχίσει οποιαδήποτε λογιστική.

Δύο επιχειρησιακές συνέπειες βγαίνουν κατευθείαν από τον πίνακα.

Το audio caching δεν είναι βελτιστοποίηση, είναι το business model. Το cached audio input είναι $0.40 ανά εκατομμύριο έναντι $32.00 fresh — έκπτωση 98,75 % που κόβει την κλήση στη μέση. Ο κανόνας είναι του Κεφαλαίου 16, αμετάβλητος: η cache ταιριάζει prefix, άρα οτιδήποτε εισάγεται στην αρχή της συζήτησης στη μέση της κλήσης την καταστρέφει, και το φυσικό σημείο για να βάλετε «ο καλών είναι πλέον επαληθευμένος» είναι ακριβώς εκεί.

Και τίποτα που κάνετε στον client δεν ξε-χρεώνει έναν ήχο. Ο χρήστης μιλά πάνω από τον assistant, ο κώδικάς σας σταματά το playback, το ηχείο σωπαίνει. Ό,τι είχε ήδη παραχθεί είχε ήδη χρεωθεί, επειδή η χρέωση συσσωρεύεται όταν δημιουργείται το response· και σύμφωνα με τον κανόνα του Κεφαλαίου 16, ό,τι παραμένει στη συζήτηση ξαναστέλνεται, ως input audio, σε κάθε επόμενο turn. Το Κεφάλαιο 14 το είπε για την ακύρωση text stream. Στη φωνή κοστίζει τριάντα φορές περισσότερο.

Το βίντεο πωλείται ανά δευτερόλεπτο από κάποιους vendors και ανά clip από άλλους, με tiers για resolution και μερικές φορές για duration. Αυτά τα δύο σχήματα δεν διαφέρουν απλώς σε ευκολία· τέμνονται.

Ο vendor ανά clip είναι ακριβότερος από τον ανά δευτερόλεπτο κάτω από 1,2 δευτερόλεπτα και 16,7 φορές φθηνότερος στα είκοσι. Καμία κατάταξη αυτών των δύο μοντέλων δεν επιβιώνει μιας αλλαγής στο μήκος του clip, άρα το «ποιο video model είναι φθηνότερο» δεν είναι ερώτηση για μοντέλα.

Η τελευταία γραμμή είναι χειρότερη, και είναι η ειλικρινής καρδιά του κεφαλαίου. Το mochi χρεώνεται βάσει πραγματικών GPU seconds — του μετρημένου prediction time της εργασίας — στα $0.001400 ανά δευτερόλεπτο σε A100 και $0.001525 σε H100, που είναι οι τιμές του νοικιασμένου μηχανήματος και τίποτε άλλο.¹⁵ Αυτό είναι απόλυτα ακριβές τιμολόγιο και δεν είναι τιμή, επειδή η ποσότητα που πολλαπλασιάζει είναι άγνωστη μέχρι αφού δεσμευτείτε να την πληρώσετε. Η παραπάνω γραμμή υποθέτει δώδεκα GPU-seconds ανά δευτερόλεπτο output· τετραπλασιάστε αυτήν την υπόθεση και φεύγει από τη φθηνότερη ζώνη, και μόνο στις έξι φορές προσγειώνεται στη μέση του πίνακα. Είναι το μόνο τιμολόγιο σε αυτήν τη σελίδα που δεν μπορείτε να βάλετε σε προσφορά.

Άρα: tokens, image tokens, χαρακτήρες, λεπτά, video seconds, ολόκληρα clips, GPU seconds, flat units. Οκτώ ποσότητες, και ο μόνος τρόπος να τις βάλετε στον ίδιο άξονα είναι να δηλώσετε workload και να το τιμολογήσετε.

Αυτή είναι η επέκταση του computeCost του Κεφαλαίου 16 — ο ίδιος μηχανισμός tiers, τώρα με criteria που δεν είναι μήκος prompt:

export interface MediaCriteria {
  resolution?: string[]; quality?: string[];
  hasAudio?: boolean; maxDurationSeconds?: number;
}
export interface MediaTier { when?: MediaCriteria; price: number }
export type MediaRate = number | MediaTier[];

const matches = (when: MediaCriteria, u: Usage) => {
  const inList = (l?: string[], v?: string) => !l || (v !== undefined && l.includes(v));
  if (!inList(when.resolution, u.resolution)) return false;
  if (!inList(when.quality, u.quality)) return false;
  if (when.hasAudio !== undefined && when.hasAudio !== (u.hasAudio ?? false)) return false;
  if (when.maxDurationSeconds !== undefined
      && (u.videoSeconds ?? 0) > when.maxDurationSeconds) return false;   
  return true;
};

const mediaPrice = (rate: MediaRate | undefined, u: Usage): number => {
  if (rate === undefined) return 0;
  if (typeof rate === "number") return rate;
  for (const t of rate.filter((t) => t.when)) if (matches(t.when!, u)) return t.price;
  return rate.find((t) => !t.when)?.price ?? 0;      // the tier with no criteria is the default
};

export function computeCost(p: Pricing, u: Usage): number {
  let c = textCost(p, u);                             // Chapter 16, unchanged
  if (p.imageInputToken || p.imageOutputToken) {
    c += (u.imageInputTokens ?? 0) * (p.imageInputToken ?? 0)
       + (u.imageOutputTokens ?? 0) * (p.imageOutputToken ?? 0);
  } else if (p.imageUnit !== undefined) c += (u.images ?? 1) * mediaPrice(p.imageUnit, u);  
  if (p.videoSecond !== undefined) c += (u.videoSeconds ?? 0) * mediaPrice(p.videoSecond, u);
  if (p.videoUnit   !== undefined) c += (u.videoCount ?? 1)   * mediaPrice(p.videoUnit, u);
  c += (u.audioInputTokens ?? 0)       * (p.audioInputToken ?? 0)
     + (u.cachedAudioInputTokens ?? 0) * (p.cachedAudioInputToken ?? p.audioInputToken ?? 0)
     + (u.audioOutputTokens ?? 0)      * (p.audioOutputToken ?? 0)
     + (u.computeSeconds ?? 0)         * (p.computeSecond ?? 0)
     + (u.chars ?? 0)                  * (p.perChar ?? 0)
     + (u.minutes ?? 0)                * (p.perMinute ?? 0);
  return c;
}

Οι δύο σημειωμένες γραμμές είναι εκεί όπου σπάει. Ένα τιμολόγιο ανά μονάδα πολλαπλασιάζει το u.images ?? 1· ένα τιμολόγιο ανά token πολλαπλασιάζει κάτι που προεπιλέγει μηδέν. Δώστε και στα δύο empty usage — το σχήμα που παίρνετε όταν απέτυχε μια μέτρηση — και δείτε:

per image (nano-banana-pro)     empty usage => $0.1500
per clip  (hailuo-02)           empty usage => $0.1500
per unit  (a cloned voice)      empty usage => $3.0000
per token (gpt-image-2)         empty usage => $0.0000
per second (veo-3.1)            empty usage => $0.0000
per GPU-second (mochi)          empty usage => $0.0000

Δεν συνέβη τίποτα, έξι φορές, και κόστισε τρία δολάρια μία φορά και τίποτα πέντε φορές. Δεν είναι διαφορά στρογγυλοποίησης· είναι απόφαση για το τι σημαίνει ένας απόν αριθμός, παρμένη ξεχωριστά για κάθε μονάδα και ποτέ γραμμένη. Ο σωστός κανόνας είναι ότι ένα πεδίο που δεν μέτρησε κανείς μένει απόν, επειδή το «δεν μετρήθηκε» και το «μετρήθηκε και βγήκε μηδέν» είναι διαφορετικά πράγματα. Αυτή η συνάρτηση διαφωνεί σιωπηλά.

Η δεύτερη αστοχία είναι η duration. Το clip-priced tariff επιλέγει tier με maxDurationSeconds απέναντι σε u.videoSeconds ?? 0, άρα ένα usage που ποτέ δεν κατέγραψε duration ταιριάζει στο συντομότερο tier:

duration recorded    ->  $0.45
duration missing     ->  $0.27

Σαράντα τοις εκατό έκπτωση επειδή δεν ξέρετε πόσο μεγάλο ήταν το βίντεο. Και τα δύο bugs έχουν την ίδια ρίζα: ένα default που επιλέχθηκε για ευκολία μέσα σε μια συνάρτηση της οποίας όλη η δουλειά είναι να είναι ακριβής.

Με τα κόστη υπολογίσιμα, η σύγκριση χρειάζεται το άλλο μισό — ένα δηλωμένο αντιπροσωπευτικό workload, ένα ανά engine, δημοσιευμένο ώστε ο αναγνώστης να μπορεί να διαφωνήσει μαζί του:

export const representative = {
  text:   { blend: [[{ promptTokens: 1e6 }, 0.25], [{ completionTokens: 1e6 }, 0.75]] },
  image:  { images: 1, imageInputTokens: 50, imageOutputTokens: 1500 },
  video:  { videoSeconds: 5, videoCount: 1, resolution: "1080p", hasAudio: true, computeSeconds: 60 },
  voice:  { chars: 1000, computeSeconds: 10 },
  stt:    { minutes: 1 },
};

Κάθε μία από αυτές τις γραμμές είναι επιχείρημα. Το κείμενο αναμειγνύει ένα τέταρτο input και τρία τέταρτα output επειδή η πραγματική χρήση γέρνει προς το output· ένα fifty-fifty blend κατατάσσει τα μοντέλα διαφορετικά. Το image workload υποθέτει 1.500 output tokens, ανάμεσα στα 1.056 του OpenAI για medium square και στα 1.584 για medium portrait. Το βίντεο υποθέτει πέντε δευτερόλεπτα στα 1080p, και μόλις είδαμε δύο vendors να αλλάζουν θέση στα 1,2 δευτερόλεπτα. Το compute entry υποθέτει εξήντα GPU-seconds επειδή δεν υπάρχει τίποτα άλλο να υποθέσει.

Αυτή είναι η μέθοδος, και είναι η μόνη ειλικρινής διαθέσιμη: δεν μπορείτε να συγκρίνετε τιμές σε διαφορετικές μονάδες· μπορείτε μόνο να συγκρίνετε το κόστος ενός workload που έχετε γράψει. Κάθε πίνακας που κατατάσσει multimodal models χωρίς να τυπώνει το workload του κατατάσσει τις δικές του υποθέσεις.

Μπορείτε πλέον να τιμολογήσετε οτιδήποτε μπορεί να παράγει ένα μοντέλο, σε οποιαδήποτε μονάδα πωλείται, και να πείτε δυνατά ποιο workload υπέθεσε η σύγκρισή σας. Αυτό κλείνει το τιμολόγιο που άνοιξε το Κεφάλαιο 16, και κλείνει το Μέρος III: όλα από το Κεφάλαιο 14 μέχρι εδώ αφορούσαν μία κλήση — πώς να την κάνετε, τι να βάλετε μέσα, πώς να τη δειγματοληπτήσετε, τι επιστρέφει, τι κοστίζει.

Το Κεφάλαιο 22 αλλάζει τη μονάδα ανάλυσης, και η αλλαγή είναι ακριβή. Ένας agent δεν είναι μία κλήση· είναι ένα loop που αποφασίζει μόνο του πόσες κλήσεις θα κάνει, και η αριθμητική των τελευταίων δύο κεφαλαίων είναι αυτό που το μετατρέπει από αρχιτεκτονικό διάγραμμα σε budget. Ανοίγει κάνοντας την ίδια ερώτηση στο ίδιο μοντέλο δύο φορές, με ένα tool να προστίθεται στον κατάλογο τη δεύτερη φορά, και μετρώντας τι έκανε εκείνο το ένα tool: μία κλήση έγινε δύο, τριάντα εννέα input tokens έγιναν 420.

Το αν αυτό το κάνει agent εξαρτάται από το ποιον από δύο δημοσιευμένους ορισμούς ανοίγετε, και δεν συμφωνούν. Ο ένας δεν συμφωνεί ούτε με τον εαυτό του.

Κάθε τιμή, τύπος και συντελεστής μετατροπής σε αυτό το κεφάλαιο διαβάστηκε από τη σελίδα του ίδιου του provider στις 7 Σεπτεμβρίου 2026 και παρατίθεται με αυτήν την ημερομηνία, επειδή όλα θα μετακινηθούν. Τα token counts, κόστη και comparisons υπολογίστηκαν πάνω σε εκείνα τα δεδομένα από τον κώδικα που τυπώθηκε παραπάνω, σε ένα μηχάνημα, χωρίς καμία paid API call — που είναι και ο ειλικρινής λόγος που δεν υπάρχει ούτε ένας latency ισχυρισμός σε αυτό το κεφάλαιο.

Οι image-token functions, οι cost tables, το voice-call breakdown και τα empty-usage results παρήχθησαν από την TypeScript που τυπώθηκε σε αυτό το κεφάλαιο, τρεγμένη σε Node 22. Ο διάλογος που χρησιμοποιήθηκε για τη voice comparison είναι 149 λέξεις και έγινε tokenized με tiktoken υπό το encoding o200k_base στα 188 tokens· η διάρκειά του προκύπτει από δηλωμένο ρυθμό 150 words per minute, που είναι παράμετρος της σύγκρισης και όχι μέτρηση. Κάθε provider figure φέρει την υποσημείωση που ονομάζει τη σελίδα από την οποία προήλθε.