LLM Pricing：大语言模型 API 定价全景参考

LLM Pricing是一个汇总主流大语言模型API服务定价的开源项目，旨在为开发者和企业选择LLM服务提供透明的价格对比参考。该项目通过收集整理分散在各厂商官网的定价信息，以统一格式呈现，降低了信息获取成本，帮助用户基于数据做出更明智的模型选型决策。

随着LLM技术爆发，市场上涌现数十家API服务厂商，但定价信息分散、格式不一、更新频繁，难以横向对比（如按输入/输出token计费、包月套餐、免费额度等差异）。LLM Pricing项目应运而生，致力于以统一透明的格式收集整理所有公开的LLM API定价信息，解决用户决策成本高的问题。

LLM API常见定价模式包括：

1. Token-based计费：最普遍，按输入/输出token分别计费（输出价格通常更高），token为文本处理基本单位（英文1-2词/中文1-3字符对应1token）；
2. 分层定价：按模型能力分版本（如GPT-4系列），能力越强定价越高；
3. 免费额度与试用：多数服务提供免费token或试用额度，便于低成本评估；
4. 企业级方案：针对大规模用户，提供批量折扣、专属支持等，价格需商务洽谈。

项目涵盖的主流厂商包括：

• 国际厂商：OpenAI（GPT系列，定价较高但能力稳定）、Anthropic（Claude系列，安全与长上下文）、Google（Gemini API，价格具侵略性）、Cohere（企业级应用，灵活定价）、AI21 Labs（Jurassic系列，特定语言优势）；
• 中国厂商：百度（文心一言，中文优化）、阿里（通义千问，电商/客服场景）、智谱AI（GLM系列，性价比突出）、月之暗面（Moonshot，超长上下文）、MiniMax（abab系列，中文表现优异）；
• 开源模型托管：Together AI（Llama/Mistral托管）、Replicate（多模型支持）、Groq（高推理速度，自研LPU芯片）。

LLM Pricing的对比方法论包括：

1. 标准化单位：统一换算为每百万token价格，区分输入/输出；
2. 上下文窗口标注：标注各模型的上下文长度限制；
3. 功能特性对照：列出函数调用、JSON模式、视觉理解等功能；
4. 更新时效标记：标注信息最后更新时间，确保可靠性。

基于项目数据的选型决策框架：

1. 明确需求场景：区分简单生成、复杂推理、多轮对话、代码生成等场景；
2. 估算用量规模：预估每月token消耗，判断是否在免费额度内或需企业方案；
3. 评估质量要求：通过playground或免费额度测试模型在特定任务的表现；
4. 考虑生态集成：评估SDK质量、文档完善度、社区活跃度；
5. 制定迁移策略：设计抽象层，降低未来切换厂商的成本。

从项目数据观察到的行业趋势：

1. 价格持续下降：模型效率提升与竞争加剧导致单位token价格下降；
2. 长上下文成为标配：128K甚至1M token的上下文窗口越来越常见；
3. 开源模型竞争力提升：Llama/Mistral等开源模型能力追赶闭源，托管服务价格具竞争力；
4. 专业化模型涌现：针对代码、数学、法律等垂直领域的模型增多，定价更细分。

总结：LLM Pricing为混乱的LLM市场提供了清晰的参考地图，对降低决策成本、优化资源投入意义重大，惠及个人开发者、初创公司及大型企业。

使用建议：

• 注意价格时效性：决策前核实厂商官网最新信息；
• 考虑隐藏成本：除API费用外，需计入数据传输、存储及开发维护成本；
• 重视质量差异：价格相近的模型实际表现可能差异大，需实际测试；
• 关注地域限制：部分服务在特定地区不可用或价格不同。