logo
開發者文件
搜尋
服務、點數與定價

服務、點數與定價

模型服務

GPTBots 的模型服務由 GPTBots 官方直接提供,開發者無需自行註冊 OpenAI、Claude 等平台的金鑰,即可直接於 GPTBots 平台使用這些服務。調用模型服務時,將依下文定價扣除相應點數。

服務點數與定價

GPTBots 平台內所有服務均以「點數」進行定價與用量追蹤。不同 LLM 版本消耗的點數數量不同。詳細消耗計算方式請參見下方說明。

注意:點數不可退款或兌換,請用戶謹慎使用點數。

點數消耗類型

GPTBots 平台根據服務類型(詳見本頁)區分定價,並依不同服務費率扣除點數。共有 10 種具體計費類型。使用 AI 代理與工作流程時,不同服務將消耗對應點數。開發者可於「組織 - 使用情況」中查詢點數消耗統計。

計費類型 定義 範例
LLM 文本聊天 調用 LLM 處理文本及圖像輸入/輸出 調用 LLM 組件、分類器或條件判斷組件時
LLM 語音聊天 調用語音 LLM 處理語音輸入/輸出 調用語音 LLM 時
ASR 語音識別 使用 ASR 服務 將語音轉換為文字 系統識別模式上傳音訊檔案時
TTS 語音生成 使用 TTS 服務 將文字轉換為語音 聊天視窗點擊文字訊息播放按鈕時
知識索引 使用 知識索引 對用戶問題與知識數據進行向量嵌入 執行知識檢索時
知識存儲 上傳並儲存知識數據至知識庫 系統每日計算知識庫的當前存儲容量
工具調用 成功調用 收費工具 使用 Google 搜尋等收費工具時
知識重排序 使用 重排序服務 對檢索到的知識庫結果進行重排序 啟用知識庫重排序功能時
數據庫處理 將上傳文件轉為資料庫欄位值並調用 資料庫 查詢生成圖表 將文件內容提取至資料庫並於對話中使用資料庫功能時
問題識別 使用 問題識別 進行問題分類與情緒分析 啟用日誌中的問題分類功能時

LLM 服務定價

說明:以下價格單位為「每 1000 個 Tokens(代幣)所需點數」。

服務品牌
模型名稱
輸入 輸出
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
百度 ERNIE-3.5-8K 0.18 0.18
百度 ERNIE-4.0-8K 1.76 1.76
百度 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
智谱 GLM-5.0-200K 0.0943 0.3457
智谱 GLM-4.7-Thinking-200K 0.0629 0.2514
智谱 GLM-4.7-FlashX-200K 0.0079 0.0471
智谱 GLM-4.5-X-128K 0.1257 0.5029
智谱 GLM-4.0-9b-8K 0.095 0.095
智谱 GLM-4V-Plus-16K 0.017 0.017
智谱 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
Google Gemini-3.1-Pro-1M 0.44 1.98
Google Gemini-3.5-Flash-1M 0.165 0.99
Google Gemini-3.1-Flash-Image 0.0275 6.6
Google Gemini-3.1-Flash-Live(audio) 0.33 1.32
Google Gemini-3.0-Pro-Image 0.22 13.2
Google Gemini-3.0-Flash 0.055 0.33
Google Gemini-3.1-Flash-Lite 0.0275 0.165
Google Gemini-2.5-Flash-Lite 0.011 0.044
Google Gemma-4-31B - -
Google Gemma-4-26B - -
Google Gemma-4-E4B - -
Google Gemini-3.1-Flash-Live 0.0825 0.495
日日新 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
月之暗面 Kimi-K2.5-256k 0.1257 0.9114
月之暗面 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

嵌入服務定價

說明:以下價格單位為「每 1000 個 Tokens(代幣)所需點數」。

服務品牌
模型名稱
價格
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

重排序服務定價

說明:以下價格單位為「每 1000 個 Tokens(代幣)所需點數」。

服務品牌
模型名稱
價格
Jina Jina-Reranker-m0 0.0022
NetEase BCE BCE-Rerank 0.0012
Baai BGE BGE-Rerank 0.0012

ASR 服務定價

說明:以下價格單位為「每 60 秒音訊所需點數」。

服務品牌
模型名稱
價格
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 服務定價

說明:以下價格單位為「每 1000 字符所需點數」。

服務品牌
模型名稱
價格
OpenAI TTS 1.65
Azure Speech 1.65
Ali CosyVoice 0.44
Ali Sambert 0.22
Minimax Voice 0.44

內容審查服務定價

說明:以下價格單位為「每次所需點數」。

服務品牌
模型名稱
價格
OpenAI Omni-moderation 0.0001

向量存儲定價

說明:以下價格單位為「每 1000 Tokens(代幣)/天所需點數」。

服務
收費
向量存儲 0.001

FAQ

如何將 GPTBots 點數與 Tokens(代幣)進行換算?

以 OpenAI 的 LLM 服務 GPT-4.1-1M 為例,輸入 1000 個 Tokens(代幣)會消耗 0.22 點數。
$10 = 1000 點數 = 4,545,454 Tokens(1000 點數 / 0.22 點數 * 1000 Tokens)

語言 輸入約等於字符數 輸入約等於單詞數
英文 18,000,000 字符 3,500,000
中文 3,000,000~4,500,000 -
日文 3,000,000~4,500,000 -
韓文 3,000,000~4,500,000 -
法文 - 3,800,000
德文 - 3,800,000
泰文 3,000,000~4,500,000 -
俄文 - 3,800,000
阿拉伯文 - 3,800,000

注意:
以上為估算值,實際數據會依文本內容與分詞方式有所不同。
單詞數適用於英文及其他拉丁語系語言,字符數則更適用於中文、日文、韓文、泰文等。

如何計算 Tokens(代幣)?

以 OpenAI 的 LLM 服務 Token(代幣)計算規則為例:

語言/字符 1 Token(代幣)約等於字符數
英文 4 字符
中文 1 個中文字
日文 1 個假名或漢字
韓文 1 個韓文字
法文/西班牙文/德文等 3~4 字符
俄文 3~4 字符
阿拉伯文/希伯來文 3~4 字符
  1. 英文:1 個英文單詞 ≈ 1.3 Tokens(代幣),1 Token ≈ 4 英文字符(含空格與標點)
  2. 中文:1 個中文字 ≈ 1 Token(有時為 1.5 Tokens,取平均)
  3. 日文:1 Token ≈ 1 日文假名/漢字
  4. 韓文:1 Token ≈ 1 韓文字母(音節塊可能較長)
  5. 法文:1 個法文字 ≈ 1.2 Tokens
  6. 德文:1 個德文字 ≈ 1.2 Tokens
  7. 泰文:1 Token ≈ 1 泰文字母(泰文無空格,分詞後 Token 數可能更高)
  8. 俄文:1 個俄文字 ≈ 1.2 Tokens
  9. 阿拉伯文:1 個阿拉伯文字 ≈ 1.2 Tokens

    若需精確計算,可使用 OpenAI 的 tiktoken 工具實測。

如何計算圖像輸入的 Tokens(代幣)?

以 OpenAI 的 LLM 服務為例,圖像 Token(代幣)計算方式如下:

  1. 取得圖像寬度與高度(單位:px),如「1024px × 1024px」。
  2. 將寬度與高度各自除以 512,向上取整後相乘,得到「Tiles」值。
  3. 使用「85 + 170 × Tiles」計算圖像的 Token(代幣)數。
  • 文字說明:每增加一個 512px × 512px 的區塊,Token(代幣)數增加 170,基礎值為 85。
  • Python 代碼範例:
import math def calculate_tokens(width, height): tiles = math.ceil(width/512) * math.ceil(height/512) tokens = 85 + 170 * tiles return tokens # 測試 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

# 測試
print(calculate_tokens(2000, 500))

                    
此代碼塊在浮窗中顯示

舉例:若輸入圖像尺寸為 2000px × 500px,則 Tiles = 4 × 1 = 4,Token(代幣)= 85 + 170 × 4 = 765。