logo
Desarrollo
Buscar
Servicio, créditos y precios

Servicio, créditos y precios

Servicios de modelos

Actualmente, GPTBots ofrece dos modos de servicio de modelos. Se puede elegir entre usar una «clave de GPTBots» o una «clave propia» según las necesidades. Los distintos modos generan cargos de créditos distintos como tarifas de servicio al invocar servicios de modelos. Se puede seleccionar y configurar el modo de servicio preferido en Organization - LLMs.

  • GPTBots Key: Servicio proporcionado directamente por GPTBots. Los desarrolladores pueden utilizar servicios de plataformas como OpenAI y Claude directamente a través de GPTBots sin necesidad de registrar sus propias claves en dichas plataformas.
  • Own Key: Si los desarrolladores ya disponen de sus propias claves de plataformas como OpenAI, pueden utilizarlas directamente en la plataforma GPTBots. GPTBots cobrará una pequeña cantidad de créditos como tarifas de servicio.

Precios de créditos de servicio

Todos los servicios dentro de GPTBots se tarifican y su uso se registra mediante «créditos». Las diferentes versiones de LLM consumen diferentes cantidades de créditos. Para conocer los cálculos detallados de consumo, se pueden consultar las secciones siguientes.

Nota: Los créditos no se pueden reembolsar ni canjear.

Tipos de consumo de créditos

La plataforma GPTBots diferencia los precios en función de los tipos de servicio (consulte este apartado para más información), y descuenta créditos de acuerdo con diferentes tarifas de servicio. Existen 10 tipos de facturación específicos. Al utilizar agentes de IA y flujos de trabajo (workflows), diferentes tipos de servicios consumirán los créditos correspondientes. Los desarrolladores pueden consultar las estadísticas de consumo de créditos en Organization - Usage.

Tipo de facturación Definición Ejemplo
Chat de texto LLM Llamada a LLM con entrada/salida de texto e imagen Cuando se invocan componentes de LLM, Classifier o componentes de evaluación de condiciones
Chat de audio LLM Llamada a LLM de audio para entrada/salida de audio Cuando se invoca un LLM de audio
Reconocimiento ASR Uso de ASR Service para convertir audio a texto Al cargar archivos de audio en el modo de reconocimiento del sistema
Generación TTS Uso de TTS Service para convertir texto a audio Al hacer clic en el botón de reproducción de sonido de mensajes de texto en la ventana de chat
Indexación de conocimiento Uso de Knowledge Index para realizar embeddings en preguntas de usuarios y datos de conocimiento Al realizar recuperación de conocimiento
Almacenamiento de conocimiento Carga y almacenamiento de datos de conocimiento en la base de conocimiento Cálculo diario de la capacidad de almacenamiento actual de la base de conocimiento
Invocación de herramientas Llamada correcta a Paid Tools Al usar herramientas de pago como Google search
Reordenación de conocimiento Uso de Rerank Service para reordenar resultados recuperados de la base de conocimiento Cuando se habilita la función de reordenación de conocimiento para la base de conocimiento
Procesamiento de base de datos Conversión de documentos cargados a valores de campos de base de datos y ejecución de consultas de Database para generar gráficos Al extraer documentos a la base de datos y usar funciones de base de datos en conversaciones
Reconocimiento de preguntas Uso de Question Recognition para clasificación de preguntas y análisis de sentimiento Cuando se habilita la función de clasificación de preguntas en los registros

Precios del servicio LLM

Nota: Los siguientes precios se expresan en «créditos / 1K Tokens».

Marca
Modelo
Entrada (GPTBots Key) Salida (GPTBots Key) Entrada (Own Key) Salida (Own Key)
OpenAI GPT-5.1-400k 0.1375 1.1000 0.0100 0.1000
OpenAI GPT-5.1-Chat-400k 0.1375 1.1000 0.0025 0.1000
OpenAI GPT-5.0-400k 0.1375 1.1000 0.0100 0.1000
OpenAI GPT-5.0-Chat-400k 0.1375 1.1000 0.0025 0.1000
OpenAI GPT-5.0-Mini-400k 0.0275 0.2200 0.0025 0.0200
OpenAI GPT-5.0-Nano-400k 0.0055 0.0440 0.0005 0.0040
OpenAI GPT-4.1-1M 0.22 0.88 0.02 0.08
OpenAI GPT-4.1-mini-1M 0.044 0.176 0.004 0.016
OpenAI GPT-4.1-nano-1M 0.011 0.044 0.001 0.004
OpenAI GPT-4o-mini-128k 0.0165 0.0665 0.0015 0.006
OpenAI GPT-4o-128k 0.225 1.1 0.0225 0.11
OpenAI GPT-o3 1.1 4.4 0.1 0.4
OpenAI GPT-o4-mini 0.121 0.484 0.011 0.044
OpenAI GPT-4o-Audio-128k 4.4 8.8 0.4 0.8
OpenAI GPT-4o-mini-Audio-128k 1.1 2.2 0.1 0.2
DeepSeek V3 0.0157 0.0314 0.0014 0.0029
DeepSeek R1 0.0629 0.2514 0.0057 0.0229
Google Gemini-3.0-Pro 0.44 1.98 0.01 0.10
Google Gemini-3.0-Pro-Image 0.22 13.2 0.01 0.10
Google Gemini-3.0-Flash 0.055 0.33 0.005 0.03
Google Gemini-3.0-Flash-Thinking 0.055 0.33 0.005 0.03
Google Gemini-2.5-Pro 0.275 1.65 0.025 0.15
Anthropic Claude-4.5-Opus-200k 1.65 2.75 0.01 0.10
Anthropic Claude-4.5-Sonnet-200k 0.33 1.65 0.01 0.10
Anthropic Claude-4.5-Haiku-200k 0.11 0.55 0.01 0.05
Anthropic Claude-4.0-Sonnet-200k 0.33 1.65 0.01 0.10
Anthropic Claude-4.0-Sonnet-Thinking-200k 0.33 1.65 0.01 0.10
xAI Grok-4.1-Fast-128k 0.022 0.055 0.002 0.005
xAI Grok-4.1-Fast-Thinking-128k 0.022 0.055 0.002 0.005
xAI Grok-4.1-Fast-2M 0.044 0.11 0.004 0.01
xAI Grok-4.1-Fast-Thinking-2M 0.044 0.11 0.004 0.01
xAI Grok-4.0-256K 0.33 1.65 0.01 0.10
Azure GPT-5.0-400k 0.1375 1.1000 0.012500 0.1000
Azure GPT-5.0-Chat-400k 0.1375 1.1000 0.0025 0.1000
Azure GPT-5.0-Mini-400k 0.0275 0.2200 0.0025 0.0200
Azure GPT-5.0-Nano-400k 0.0055 0.0440 0.0005 0.0040
Azure GPT-4.1-1M 0.22 0.88 0.02 0.08
Azure GPT-4.1-mini-1M 0.044 0.176 0.004 0.016
Azure GPT-4.1-nano-1M 0.011 0.044 0.001 0.004
Azure GPT-4o-128k 0.225 1.1 0.0225 0.11
Azure GPT-4o-mini-128k 0.0165 0.0665 0.0015 0.006
Azure GPT-4o-Audio-128k 4.4 8.8 0.4 0.8
Azure GPT-4o-mini-Audio-128k 1.1 2.2 0.1 0.2
Meta llama-3.0-8b-8k 0.022 0.022 0.002 0.002
Meta llama-3.0-70b-8k 0.099 0.099 0.009 0.009
Meta llama-3.1-8b-turbo-128k 0.022 0.022 0.002 0.002
Meta llama-3.1-70b-turbo-128k 0.099 0.099 0.009 0.009
Meta llama-3.1-405b-turbo-4k 0.099 0.099 0.009 0.009
Seed Seed-1.6-256K 0.055 0.44 0.005 0.04
Seed Seed-1.6-Thinking-256K 0.055 0.44 0.005 0.04
Seed Seed-1.6-Flash-256K 0.0083 0.033 0.0008 0.003
Seed Seed-1.6-Flash-Thinking-256K 0.0083 0.033 0.0008 0.003
Mixtral open-mistral-7b 0.028 0.028 0.003 0.003
Mixtral open-mixtral-8x7b 0.077 0.077 0.007 0.007
Mixtral mistral-small-latest 0.220 0.660 0.020 0.060
Mixtral mistral-medium-latest 0.297 0.891 0.027 0.081
Mixtral mistral-large-latest 0.880 2.640 0.080 0.10
Tencent Hunyuan-standard-32k 0.0707 0.0786 0.0064 0.0071
Tencent Hunyuan-standard-256k 0.2357 0.9429 0.0214 0.0857
Tencent Hunyuan-pro-32k 0.472 1.572 0.042 0.142
Ali Qwen-3.0-Plus-128k 0.0126 0.0314 0.0011 0.0029
Ali Qwen-3.0-Plus-Thinking-128k 0.0126 0.2514 0.0011 0.0229
Ali Qwen-3.0-turbo-1M 0.0047 0.0094 0.0004 0.0009
Ali Qwen-2.5-Max-32k 0.3143 0.9429 0.0286 0.0857
Ali Qwen-vl-max-32k 0.3143 0.3143 0.0286 0.0286
Ali Qwen2.5-72b-128k 0.0629 0.1886 0.0057 0.0171
Ali Qwen2.0-32b-128k 0.055 0.11 0.005 0.01
Ali Qwen2.0-7b-128k 0.0314 0.0943 0.0029 0.0086
Ali Qwen2.0-audio 0.1 0.1 0.01 0.01
百度 ERNIE-4.0-8K 1.76 1.76 0.16 0.16
百度 ERNIE-3.5-8K 0.18 0.18 0.02 0.02
智谱 GLM-4.5-128K 0.0314 0.0029 0.1257 0.0114
智谱 GLM-4.5-Air-128K 0.0094 0.0009 0.0629 0.0057
智谱 GLM-4.5-X-128K 0.1257 0.0114 0.5029 0.0457
智谱 GLM-4V-Plus-8K 0.017 0.017 0.0015 0.0015
智谱 GLM-4.0-9b-8K 0.095 0.095 0.008 0.008
月之暗面 Kimi-K2-Turbo-256K 0.1257 0.9114 0.0114 0.0829
月之暗面 Kimi-K2-Thinking-256k 0.0629 0.2514 0.0057 0.0229
月之暗面 Moonshot-128K 0.9429 0.9429 0.0857 0.0857
月之暗面 Moonshot-32K 0.3771 0.3771 0.0343 0.0343
月之暗面 Moonshot-8K 0.1886 0.1886 0.01 0.0171

Al utilizar su Own Key, el consumo máximo de créditos es de 0.01 créditos / 1K Tokens para la entrada y de 0.1 créditos / 1K Tokens para la salida.

Precios del servicio de embeddings

Nota: Los siguientes precios se expresan en «créditos / 1K Tokens».

Marca
Modelo
GPTBots Key
Own Key
OpenAI text-embedding-ada-002 0.0120 0.0010
OpenAI text-embedding-3-large 0.0156 0.0013
OpenAI text-embedding-3-small 0.0024 0.0002

Precios del servicio de rerank

Nota: Los siguientes precios se expresan en «créditos / 1K Tokens».

Marca
Modelo
GPTBots Key
Own Key
Jina reranker-v1-base-en 0.0022 0.0001
Jina reranker-v1-turbo-en 0.0022 0.0001
Jina reranker-v1-tiny-en 0.0022 0.0001
Baai bce-rerank 0.0022 0.0001
NteEase bgep-rerank 0.0022 0.0001

Precios del servicio ASR

Nota: Los siguientes precios se expresan en «créditos / 60 s».

Marca
Modelo
GPTBots Key
Own Key
OpenAI Whisper Large-V2 0.66 0.06
OpenAI Whisper Large-V3 0.88 0.08

Precios del servicio TTS

Nota: Los siguientes precios se expresan en «créditos / 1000 caracteres».

Marca
Modelo
Clave de la plataforma
Own Key
OpenAI TTS 1.65 0.15
Azure Speech 1.65 0.15
Ali CosyVoice 0.44 0.044
Ali Sambert 0.22 0.022
Minimax Voice 0.44 0.044

Almacenamiento de vectores

Nota: Los siguientes precios se expresan en «créditos / 1K Tokens / día».

Servicio
Cargo
Vector Storage 0.001

Preguntas frecuentes

¿Cómo convertir entre créditos de GPTBots y tokens?

Tomando como ejemplo el servicio LLM de OpenAI GPT-4.1-1M, al utilizar GPTBots Key, introducir 1000 tokens consume 0.22 créditos.
$10 = 1000 credits = 4,545,454 Tokens (1000 credits / 0.22 credits * 1000 tokens)

Idioma Entrada ≈ caracteres Entrada ≈ palabras
Inglés 18,000,000 caracteres 3,500,000
Chino 3,000,000~4,500,000 -
Japonés 3,000,000~4,500,000 -
Coreano 3,000,000~4,500,000 -
Francés - 3,800,000
Alemán - 3,800,000
Tailandés 3,000,000~4,500,000 -
Ruso - 3,800,000
Árabe - 3,800,000

Nota:
Estas cifras son estimaciones aproximadas y los valores reales pueden variar en función del contenido del texto y del método de tokenización.
El recuento de palabras es más fácil de estimar en inglés y otros idiomas basados en el alfabeto latino, mientras que el recuento de caracteres es más relevante para chino, japonés, coreano, tailandés, etc.

¿Cómo se calculan los tokens?

Tomando como ejemplo las reglas de cálculo de tokens del servicio LLM de OpenAI:

Idioma/caracter 1 token ≈ caracteres
Inglés 4 caracteres
Chino 1 carácter chino
Japonés 1 kana o kanji
Coreano 1 carácter hangul
Francés/español/alemán, etc. 3~4 caracteres
Ruso 3~4 caracteres
Árabe/hebreo 3~4 caracteres
  1. Inglés: 1 palabra en inglés ≈ 1.3 tokens, 1 token ≈ 4 caracteres en inglés (incluidos espacios y signos de puntuación)
  2. Chino: 1 carácter chino ≈ 1 token (en ocasiones 1.5 tokens, en promedio)
  3. Japonés: 1 token ≈ 1 kana/kanji japonés
  4. Coreano: 1 token ≈ 1 letra coreana (los bloques silábicos pueden ser más largos)
  5. Francés: 1 palabra en francés ≈ 1.2 tokens
  6. Alemán: 1 palabra en alemán ≈ 1.2 tokens
  7. Tailandés: 1 token ≈ 1 letra tailandesa (el tailandés no tiene espacios; el recuento de tokens puede ser mayor tras la tokenización)
  8. Ruso: 1 palabra en ruso ≈ 1.2 tokens
  9. Árabe: 1 palabra en árabe ≈ 1.2 tokens

    Para necesidades específicas de recuento de tokens, se puede utilizar la herramienta tiktoken de OpenAI para realizar pruebas.

¿Cómo se calculan los tokens para entradas de imágenes?

Tomando como ejemplo las reglas de cálculo de tokens del servicio LLM de OpenAI, los tokens para imágenes se calculan de la siguiente manera:

  1. Obtener el alto y el ancho de la imagen en «px», por ejemplo, «1024px * 1024px».
  2. Calcular el valor de tiles de la imagen dividiendo tanto el width como el height entre 512, redondeando al alza, y multiplicando los resultados.
  3. Calcular los tokens de la imagen con la fórmula «85+170*tiles».
  • Fórmula completa de cálculo:

    Tiles=(width÷512)×(height÷512)Tiles = ⌈(width÷512)⌉×⌈(height÷512)⌉
    Tokens=85+170×TilesTokens = 85+170×Tiles
  • Ejemplo de código en 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))
                      
                      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))

                    
Este bloque de código en una ventana flotante

Por ejemplo, si las dimensiones de la imagen de entrada son 2000px * 500px, su valor de tiles sería 4*1=4, por lo que los tokens de entrada para esta imagen serían 85+170*4=765.