什麼是 Anthropic Claude 費用計算機？
這個計算機能幫你估算透過 Anthropic API 使用 Claude 3 系列大型語言模型的費用。Anthropic 是一家美國 AI 公司，其 API 價格以「美元（USD）」計價。只要輸入提示（輸入）與回應（輸出）所用的 token 數量，再選擇模型，就能在大規模執行任務前先得到即時的費用估算。
所謂 token，是模型讀取與生成文字時的最小單位。概略來說，1 個 token 約等於 4 個英文字元，大約是 0.75 個英文單字；因此 1,000 個 token 大約相當於 750 個英文單字。（中文的換算比例會略有不同，可作為粗估參考。）
使用方式
- 輸入你預估的提示（輸入）token 數——也就是你的指令與所附帶背景內容的長度。
- 輸入你預估的回應（輸出）token 數——也就是你預期 Claude 回覆的長度。
- 選擇模型：Claude 3 Opus（能力最強）、Sonnet（兼顧效能與成本），或 Haiku（最快速、最便宜）。
- 查看單一請求的估算費用，再乘上你預期的請求次數即可。
計算公式解析
Anthropic 對輸入與輸出的 token 分開計費，而輸出通常較貴。費用以「每百萬 token」為單位計算：
$$\text{費用} = \left(\frac{\text{輸入 token}}{1{,}000{,}000}\times \text{輸入單價}\right) + \left(\frac{\text{輸出 token}}{1{,}000{,}000}\times \text{輸出單價}\right)$$
每個模型都有各自的輸入與輸出費率，因此在不需要頂級推理能力的大量任務中，從 Opus 改用 Haiku 可大幅降低成本。
實際範例
假設你使用 Claude 3 Sonnet，送出 2,000 個 token 的提示並收到 500 個 token 的回覆，價格（僅供示意）為每百萬輸入 token 收費 $3 美元、每百萬輸出 token 收費 $15 美元：
- 輸入：\(2{,}000 \div 1{,}000{,}000 \times \$3 = \$0.006\)
- 輸出：\(500 \div 1{,}000{,}000 \times \$15 = \$0.0075\)
- 合計 ≈ 每次請求 $0.0135 美元
若每月執行 10,000 次，總花費約為 $135 美元。
Claude 3 定價表（每百萬個令牌）
Claude 3 模型系列對輸入（提示）令牌和輸出（完成）令牌分別定價，按每百萬個令牌計費。Opus 功能最強大且最昂貴；Haiku 速度最快且最便宜。下表反映了 Anthropic 發佈的 Claude 3 代次在美元中的標準價格。
| 模型 | 輸入價格（每 1M 個令牌） | 輸出價格（每 1M 個令牌） |
|---|---|---|
| Claude 3 Opus | $15.00 | $75.00 |
| Claude 3 Sonnet | $3.00 | $15.00 |
| Claude 3 Haiku | $0.25 | $1.25 |
注意：在每個 Claude 3 模型上，輸出令牌的成本大約是輸入令牌的五倍，因此完成密集型工作負載（生成較長的答案）的成本會不成比例地增加。價格會隨時間變化，可能因地區或大宗購買級別而異 — 預算前應始終在 Anthropic 的官方定價頁面上驗證當前費率。
關鍵術語說明
- 令牌
- LLM 處理的基本文字單位。令牌是字符的塊 — 通常是詞片段 — 對於英文文本，大約 1 個令牌 ≈ 4 個字符或約 0.75 個詞。計費基於令牌計數，而非字符或詞數。
- 提示 / 輸入令牌
- 您在請求中發送給模型的所有令牌，包括系統提示、對話歷史和當前使用者訊息。這些按模型的輸入價格計費。
- 完成 / 輸出令牌
- 模型在其回應中生成的令牌。這些按（較高的）輸出價格計費，輸出價格通常是輸入價格的數倍。
- 上下文窗口
- 模型一次可以考慮的最大令牌數 — 輸入加輸出。Claude 3 系列支持 200,000 個令牌的上下文窗口。超過它會迫使您截斷或總結早期內容。
- 按百萬個令牌定價
- Anthropic 用來報價的慣例：每 1,000,000 個令牌的美元金額。要轉換為成本，將您的令牌計數除以 1,000,000 並乘以按百萬個令牌的價格；輸入和輸出分別定價和合計。
常見問題
為什麼輸出比輸入貴？生成 token 所需的運算量，比讀取 token 更高，因此供應商會把輸出的價格訂得較高。
這些是官方即時價格嗎？請務必到 Anthropic 的官方定價頁面確認最新費率，因為價格會隨時間調整。本工具僅適合用於規劃與概略估算。
如何降低費用？精簡不必要的背景內容、限制輸出長度，並在不需要高階推理能力時改用較輕量的模型（例如 Haiku）。
