Service, Credit & Pricing
Modell-Services
Die Modell-Services auf GPTBots werden direkt von GPTBots bereitgestellt. Entwickler:innen können Dienste von Plattformen wie OpenAI und Claude über GPTBots nutzen, ohne eigene Schlüssel auf diesen Plattformen registrieren zu müssen. Beim Aufruf von Modell-Services werden Credits gemäß der unten stehenden Preisliste abgerechnet.
Service Credit Pricing
Alle Services innerhalb von GPTBots werden mit „Credits“ abgerechnet und deren Nutzung entsprechend erfasst. Verschiedene LLM-Versionen verbrauchen unterschiedlich viele Credits. Detaillierte Informationen zur Berechnung des Verbrauchs finden Sie in den folgenden Abschnitten.
Hinweis: Credits können weder erstattet noch umgetauscht werden.
Arten des Credit-Verbrauchs
Die GPTBots-Plattform unterscheidet die Abrechnung nach Service-Typen (siehe Service, Credit & Pricing), wobei Credits gemäß den jeweiligen Service-Tarifen abgezogen werden. Es gibt 10 spezifische Abrechnungstypen. Bei der Nutzung von KI-Agent:innen und Workflows verbrauchen verschiedene Service-Typen die entsprechenden Credits. Entwickler:innen können die Credit-Verbrauchsstatistiken unter „Organisation – Nutzung“ einsehen.
| Abrechnungstyp | Definition | Beispiel |
|---|---|---|
| LLM Text-Chat | Aufruf eines LLM mit Text- und Bildeingabe/-ausgabe | Beim Aufruf von LLM-Komponenten, Klassifizierer oder Komponenten zur Bedingungsprüfung |
| LLM Audio-Chat | Aufruf eines Audio-LLM für Audio-Ein-/Ausgabe | Beim Aufruf eines Audio-LLM |
| ASR-Erkennung | Nutzung des ASR-Service zur Umwandlung von Audio in Text |
Beim Hochladen von Audiodateien im System-Erkennungsmodus |
| TTS-Generierung | Nutzung des TTS-Service zur Umwandlung von Text in Audio |
Beim Klicken auf die Sound-Wiedergabetaste für Textnachrichten im Chatfenster |
| Knowledge Indexing | Nutzung des Knowledge Index zur Einbettung von Nutzerfragen und Wissensdaten |
Bei der Wissensabfrage |
| Knowledge Storage | Hochladen und Speichern von Wissensdaten in der Wissensdatenbank | Tägliche Berechnung der aktuellen Speicherkapazität der Wissensdatenbank |
| Tools-Aufruf | Erfolgreicher Aufruf von kostenpflichtigen Tools |
Beim Einsatz kostenpflichtiger Tools wie Google-Suche |
| Knowledge Reranking | Nutzung des Rerank-Service zur Neusortierung der Ergebnisse der Wissensdatenbank |
Bei aktivierter Wissens-Neusortierung für die Wissensdatenbank |
| Datenbankverarbeitung | Umwandlung hochgeladener Dokumente in Datenbank-Feldwerte und Aufruf von Datenbank-Abfragen zur Diagrammerstellung |
Beim Extrahieren von Dokumenten in die Datenbank und Nutzung von Datenbankfunktionen im Chat |
| Frageerkennung | Nutzung der Frageerkennung für Frageklassifizierung und Sentimentanalyse |
Bei aktivierter Frageklassifizierungsfunktion in Protokollen |
LLM-Service-Preise
Hinweis: Die folgenden Preise werden in „Credits / 1.000 Tokens“ angegeben.
Anbieter |
Modell |
Eingabe | Ausgabe |
|---|---|---|---|
| OpenAI | GPT-5.6-Sol | 0.55 | 3.3 |
| OpenAI | GPT-5.6-Terra | 0.22 | 1.32 |
| OpenAI | GPT-5.6-Luna | 0.033 | 0.198 |
| OpenAI | GPT-5.4-272k | 0.275 | 1.65 |
| OpenAI | GPT-5.4-Mini-400k | 0.0825 | 0.495 |
| OpenAI | GPT-5.4-Nano-400K | 0.022 | 0.1375 |
| OpenAI | GPT-Chat-Latest-400K | 0.55 | 3.3 |
| OpenAI | GPT-5.0-Chat-128k | 0.1375 | 1.1 |
| OpenAI | GPT-4.1-1M | 0.22 | 0.88 |
| OpenAI | GPT-4.1-mini-1M | 0.044 | 0.176 |
| OpenAI | GPT-4.1-nano-1M | 0.011 | 0.044 |
| OpenAI | GPT-4o-128k | 0.225 | 1.1 |
| OpenAI | GPT-4o-mini-128k | 0.0165 | 0.0665 |
| OpenAI | GPT-Audio | 0.275 | 1.1 |
| OpenAI | GPT-Mini-Audio | 0.0165 | 0.066 |
| OpenAI | GPT-5.5-272K | 0.55 | 3.3 |
| OpenAI | GPT-5.5-Pro-272K | 3.3 | 19.8 |
| OpenAI | GPT-Realtime-2.1(audio) | 3.52 | 7.04 |
| OpenAI | GPT-Realtime-2.1-mini(audio) | 1.1 | 2.2 |
| Azure | GPT-5.2-400k | 0.1375 | 1.1 |
| Azure | GPT-5.2-Chat-128K | 0.1375 | 1.1 |
| Azure | GPT-5.0-Mini-400k | 0.0275 | 0.22 |
| Azure | GPT-5.0-Nano-400K | 0.0055 | 0.044 |
| Azure | Computer-Use Agent | 0.33 | 1.32 |
| Azure | GPT-4.1-1M | 0.22 | 0.88 |
| Azure | GPT-4.1-mini-1M | 0.044 | 0.176 |
| Azure | GPT-4.1-nano-1M | 0.011 | 0.044 |
| Azure | GPT-4o-128k | 0.225 | 1.1 |
| Azure | GPT-4o-mini-128k | 0.0165 | 0.0665 |
| Azure | GPT-Audio | 0.275 | 1.1 |
| Azure | GPT-Audio-mini | 0.0165 | 0.066 |
| Baidu | ERNIE-3.5-8K | 0.18 | 0.18 |
| Baidu | ERNIE-4.0-8K | 1.76 | 1.76 |
| Baidu | ERNIE-Speed-128K | 0 | 0 |
| Meta | Llama-4.0-Maverick-1M | 0.0297 | 0.0935 |
| Meta | llama-3.1-8b-turbo-128k | 0.022 | 0.022 |
| Meta | Llama-4.0-Scout-300K | 0.0198 | 0.0649 |
| Meta | Llama-4.0-Guard-128K | 0.022 | 0.022 |
| Meta | llama-3.3-70b-128k | 0.099 | 0.099 |
| Ali | Qwen-Plus-1M | 0.0314 | 0.1257 |
| Ali | Qwen-Flash-1M | 0.0047 | 0.0094 |
| Ali | Qwen-vl-max-32k | 0.3143 | 0.3143 |
| Ali | Qwen-3.5-122B-256k | 0.0314 | 0.3143 |
| Ali | Qwen-3.5-35B-256k | 0.0251 | 0.2011 |
| Ali | Qwen3.0-32B-128K | 0.0314 | 0.3143 |
| Ali | Qwen3.0-8B-128K | 0.0079 | 0.0786 |
| Ali | Qwen-Omni-Turbo | 0.1 | 0.2 |
| Ali | Qwen2.0-audio | 0.1 | 0.1 |
| Ali | Qwen-Max-1M | 0.1886 | 0.5657 |
| Ali | Qwen3.6-Plus-1M | 0.0126 | 0.2514 |
| Mistral | open-mixtral-8x7b | 0.077 | 0.077 |
| Mistral | open-mistral-7b | 0.028 | 0.028 |
| Mistral | Mistral-Large3 | 0.88 | 2.64 |
| Mistral | Mistral-Medium-3 | 0.297 | 0.891 |
| Mistral | Mistral-Small-4 | 0.22 | 0.66 |
| Zhipu | GLM-5.0-200K | 0.0943 | 0.3457 |
| Zhipu | GLM-4.7-Thinking-200K | 0.0629 | 0.2514 |
| Zhipu | GLM-4.7-FlashX-200K | 0.0079 | 0.0471 |
| Zhipu | GLM-4.5-X-128K | 0.1257 | 0.5029 |
| Zhipu | GLM-4.0-9b-8K | 0.095 | 0.095 |
| Zhipu | GLM-4V-Plus-16K | 0.017 | 0.017 |
| Zhipu | GLM-5.2-1M | 0.1257 | 0.44 |
| Anthropic | Claude-4.6-Opus-200k | 0.55 | 2.75 |
| Anthropic | Claude-4.6-Opus-Thinking-200K | 0.55 | 2.75 |
| Anthropic | Claude-4.6-Sonnet-200K | 0.33 | 1.65 |
| Anthropic | Claude-4.6-Sonnet-Thinking-200K | 0.33 | 1.65 |
| Anthropic | Claude-Fable-5.0 | 1.1 | 5.5 |
| Anthropic | Claude-Opus-5.0 | 0.55 | 2.75 |
| Anthropic | Claude-Sonnet-5.0 | 0.22 | 1.1 |
| Anthropic | Claude-4.7-Opus-1M | 0.55 | 2.75 |
| Anthropic | Claude-4.5-Haiku-200k | 0.33 | 1.65 |
| Anthropic | Claude-4.0-Sonnet-Thinking-200k | 0.33 | 1.65 |
| Anthropic | Claude-5.0-Sonnet-1M | 0.22 | 1.1 |
| Anthropic | Claude-4.8-Opus-1M | 0.55 | 2.75 |
| Tencent | Hunyuan-pro-32k | 0.472 | 1.572 |
| Tencent | Hunyuan-standard-32k | 0.0707 | 0.0786 |
| Tencent | Hunyuan-standard-256k | 0.2357 | 0.9429 |
| Tencent | hunyuan-lite-4k | 0 | 0 |
| Gemini-3.1-Pro-1M | 0.44 | 1.98 | |
| Gemini-3.5-Flash-1M | 0.165 | 0.99 | |
| Gemini-3.1-Flash-Image | 0.0275 | 6.6 | |
| Gemini-3.1-Flash-Live(audio) | 0.33 | 1.32 | |
| Gemini-3.0-Pro-Image | 0.22 | 13.2 | |
| Gemini-3.0-Flash | 0.055 | 0.33 | |
| Gemini-3.1-Flash-Lite | 0.0275 | 0.165 | |
| Gemini-2.5-Flash-Lite | 0.011 | 0.044 | |
| Gemma-4-31B | - | - | |
| Gemma-4-26B | - | - | |
| Gemma-4-E4B | - | - | |
| Gemini-3.1-Flash-Live | 0.0825 | 0.495 | |
| SenseTime | SenseChat-5-Cantonese | 0.418 | 0.418 |
| DeepSeek | DeepSeek-V4-Flash-1M | 0.0157 | 0.0314 |
| DeepSeek | DeepSeek-V4-Pro-1M | 0.1886 | 0.3771 |
| DeepSeek | DeepSeek-3.2-128K | 0.0157 | 0.0314 |
| DeepSeek | DeepSeek-3.2-Thinking-128K | 0.0629 | 0.2514 |
| DeepSeek | DeepSeek-V4-Flash-Thinking-1M | 0.0157 | 0.0314 |
| DeepSeek | DeepSeek-V4-Pro-Thinking-1M | 0.1886 | 0.3771 |
| Moonshot | Kimi-K2.5-256k | 0.1257 | 0.9114 |
| Moonshot | Kimi-K2.6-256K | 0.0629 | 0.33 |
| xAI | Grok-4.1-Fast-128k | 0.022 | 0.055 |
| xAI | Grok-4.1-Fast-Thinking-128k | 0.022 | 0.055 |
| xAI | Grok-4.1-Fast-Thinking-2M | 0.044 | 0.11 |
| xAI | Grok-4.0-256K | 0.33 | 1.65 |
| xAI | Grok-4.3-1M | 0.044 | 0.11 |
| Seed | Seed-2.0-Pro-256K | 0.11 | 0.66 |
| Seed | Seed-2.0-Lite-256K | 0.055 | 0.44 |
| Seed | Seed-2.0-Mini-256K | 0.022 | 0.088 |
| Seed | Seed-1.6-256K | 0.055 | 0.44 |
| Seed | Seed-1.6-Thinking-256K | 0.055 | 0.44 |
| Seed | Seed-1.6-Flash-256K | 0.0083 | 0.033 |
| Seed | Seed-1.6-Flash-Thinking-256K | 0.0083 | 0.033 |
Embedding-Service-Preise
Hinweis: Die folgenden Preise werden in „Credits / 1.000 Tokens“ angegeben.
Anbieter |
Modell |
Preis |
|---|---|---|
| OpenAI | text-embedding-ada-002 | 0.0120 |
| OpenAI | text-embedding-3-small | 0.0024 |
| OpenAI | text-embedding-3-large | 0.0156 |
| Ali | text-embedding-v3 | 0.0007 |
| Jina | jina-embeddings-v3 | 0.002 |
Rerank-Service-Preise
Hinweis: Die folgenden Preise werden in „Credits / 1.000 Tokens“ angegeben.
Anbieter |
Modell |
Preis |
|---|---|---|
| Jina | Jina-Reranker-m0 | 0.0022 |
| NetEase BCE | BCE-Rerank | 0.0012 |
| Baai BGE | BGE-Rerank | 0.0012 |
ASR-Service-Preise
Hinweis: Die folgenden Preise werden in „Credits / 60 Sekunden“ angegeben.
Anbieter |
Modell |
Preis |
|---|---|---|
| OpenAI | Whisper Large-V2 | 0.66 |
| OpenAI | Whisper Large-V3 | 0.88 |
| OpenAI | GPT-4o-mini-transcribe | 0.33 |
| OpenAI | GPT-4o-transcribe | 0.66 |
| Azure | Azure-Speech | 4.1666 |
TTS-Service-Preise
Hinweis: Die folgenden Preise werden in „Credits / 1.000 Zeichen“ angegeben.
Anbieter |
Modell |
Preis |
|---|---|---|
| OpenAI | TTS | 1.65 |
| Azure | Speech | 1.65 |
| Ali | CosyVoice | 0.44 |
| Ali | Sambert | 0.22 |
| Minimax | Voice | 0.44 |
Inhaltsmoderations-Service-Preise
Hinweis: Die folgenden Preise werden in „Credits / Aufruf“ angegeben.
Anbieter |
Modell |
Preis |
|---|---|---|
| OpenAI | Omni-moderation | 0.0001 |
Vektor-Speicher
Hinweis: Die folgenden Preise werden in „Credits / 1.000 Tokens/Tag“ angegeben.
Service |
Gebühr |
|---|---|
| Vektor-Speicher | 0.001 |
FAQ
Wie werden Tokens berechnet?
Am Beispiel der Token-Berechnungsregeln des OpenAI-LLM-Services:
| Sprache/Zeichen | 1 Token ≈ Zeichen |
|---|---|
| Englisch | 4 Zeichen |
| Chinesisch | 1 chinesisches Zeichen |
| Japanisch | 1 Kana oder Kanji |
| Koreanisch | 1 Hangul-Zeichen |
| Französisch/Spanisch/Deutsch usw. | 3~4 Zeichen |
| Russisch | 3~4 Zeichen |
| Arabisch/Hebräisch | 3~4 Zeichen |
- Englisch: 1 englisches Wort ≈ 1,3 Tokens, 1 Token ≈ 4 englische Zeichen (inkl. Leerzeichen und Satzzeichen)
- Chinesisch: 1 chinesisches Zeichen ≈ 1 Token (manchmal 1,5 Tokens, im Mittelwert)
- Japanisch: 1 Token ≈ 1 japanisches Kana/Kanji
- Koreanisch: 1 Token ≈ 1 koreanisches Zeichen (Silbenblöcke können länger sein)
- Französisch: 1 französisches Wort ≈ 1,2 Tokens
- Deutsch: 1 deutsches Wort ≈ 1,2 Tokens
- Thailändisch: 1 Token ≈ 1 thailändisches Zeichen (da keine Leerzeichen, kann die Tokenanzahl nach der Tokenisierung höher sein)
- Russisch: 1 russisches Wort ≈ 1,2 Tokens
- Arabisch: 1 arabisches Wort ≈ 1,2 Tokens
Für eine genaue Token-Zählung können Sie das OpenAI-Tool tiktoken für eigene Tests nutzen.
Wie werden Tokens für Bildeingaben berechnet?
Am Beispiel der Token-Berechnungsregeln des OpenAI-LLM-Services für Bilder:
- Ermitteln Sie die Bildlänge und -breite in „px“, z. B. „1024px * 1024px“.
- Berechnen Sie den „Tiles“-Wert, indem Sie sowohl die Breite als auch die Höhe durch 512 teilen, aufrunden und die Ergebnisse multiplizieren.
- Berechnen Sie die „Tokens“ mit der Formel „85+170*Tiles“.
Komplette Berechnungsformel:
Beispielcode in Python:
import math
def calculate_tokens(width, height):
tiles = math.ceil(width/512) * math.ceil(height/512)
tokens = 85 + 170 * tiles
return tokens
# Test
print(calculate_tokens(2000, 500))
Wenn z. B. die Eingabebildgröße 2000px * 500px beträgt, ist der „Tiles“-Wert 4*1=4, sodass für dieses Bild 85+170*4=765 Tokens berechnet werden.
