Стоимость GPT Image 2 API и скидка 50% для B2C

Пять составляющих каждого счёта GPT Image 2

Счёт за один запрос для обычного B2C: сумма(tokens каждого leg × official rate) × 0.5. Cached text и image input сначала считаются как 25% от fresh official rate — так $1.25 и $2 за миллион превращаются здесь в $0.625 и $1. Ничего не округляется вверх: вы платите за точные tokens из terminal usage event, без платы за вызов и минимальной цены картинки.

Просчитанный пример. Допустим, terminal usage одного edit-запроса показывает 400 fresh text-input tokens, 1 500 fresh image-input tokens от одного PNG-reference, 600 cached text-input tokens и 2 000 image-output tokens. Официально это 400 × $5 + 1 500 × $8 + 600 × $1.25 + 2 000 × $30 на миллион = $0.0015 + $0.012 + $0.00075 + $0.06 = $0.07425, а обычный B2C платит ровно половину: $0.037125. Cached leg сэкономил $0.00225 официально по сравнению с fresh input — немного рядом с output-составляющей $0.06, поэтому дисциплина output влияет на бюджет сильнее, чем погоня за cache.

Читайте также: Генерация и редактирование изображений через GPT Image 2 API

Generation или edit: endpoint определяет input-расход

POST /v1/images/generations создаёт новый ассет из text prompt, поэтому его счёт — это text input плюс image output. POST /v1/images/edits принимает 1–5 PNG, JPEG или WebP (каждый ≤50 MB), и каждый reference тарифицируется как image input по $8/M официально — $4/M после B2C-скидки. Один reference на 2 000 tokens добавляет $0.016 официально ($0.008 здесь): дёшево, если повышает acceptance, и пустая трата, если prompt прошёл бы проверку сам. Region inpaint через Responses image_generation идёт по тем же image-token legs; маска не тарифицируется как второй reference.

• Используйте generation, когда ассет новый и prompt полностью его описывает: text input за $5/M официально — самая дешёвая составляющая таблицы.
• Используйте edits, когда reference фиксирует композицию, фирменный цвет или геометрию продукта: заплатите image-input один раз вместо сжигания image-output tokens на retries.
• References — PNG, JPEG или WebP и в ограниченном количестве: endpoint принимает 1–5 файлов не больше 50 MB каждый, и каждый лишний файл — это лишний оплаченный image input.
• Считайте подтверждённый профиль фиксированным: один non-streaming PNG с документированными controls opaque или transparent / low / пресет пропорции; точные pixel dimensions этот subscription wire не обещает.

Production-пайплайн редактирования: references, валидация, retries →

Измерьте один реальный запрос до бюджета на batch

1. 01Вызовите gpt-image-2 через POST /v1/images/generations для нового ассета или /v1/images/edits, когда 1–5 PNG, JPEG или WebP references действительно улучшают результат.
2. 02Сохраняйте подтверждённый профиль ограниченным: один non-streaming PNG и только документированные controls — background opaque или transparent, quality low, size as a proportion preset.
3. 03Читайте terminal usage из ответа вместо оценки output tokens по размеру PNG или dimensions: billing authority — именно usage event.
4. 04Сверьте запрос с charge в дашборде и храните его ID рядом с ассетом, чтобы цена картинки была измеренным числом, а не прикидкой.

curl https://router.apitoken.sale/v1/images/generations \
  -H "Authorization: Bearer $APITOKEN_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"gpt-image-2","prompt":"A clean studio product photograph","background":"opaque","quality":"low","size":"auto"}'

Сокращённый ответ выглядит так. Цена берётся из объекта usage, а не из размера b64_json:

{
  "created": 1771000000,
  "data": [{ "b64_json": "…" }],
  "usage": {
    "total_tokens": 3900,
    "input_tokens": 1900,
    "input_tokens_details": { "text_tokens": 1000, "image_tokens": 900 },
    "output_tokens": 2000
  }
}

Не публикуйте выдуманную цену картинки. Output usage меняется от запроса к запросу, этот subscription wire не обещает точные dimensions, а billing authority — terminal usage event: цитируйте измеренные числа вместе с request ID или таблицу ставок.

Cached input: скидка 75%, которую проверяют, а не предполагают

Cached text input стоит $1.25/M, cached image input — $2/M официально, то есть 25% от fresh-ставок, а затем та же B2C-скидка 50% опускает их до $0.625 и $1. На этом маршруте провайдер сам решает, что считать cached: повторная отправка того же файла не гарантирует cached leg. Единственное доказательство — terminal usage, показывающий cached input для запроса, поэтому экономию на cache закладывайте в бюджет только после подтверждения usage.

• Держите стабильный префикс prompt побайтово одинаковым во всех элементах batch, а вариативную часть переносите в конец — тогда общий префикс остаётся кандидатом на cache.
• Используйте в batch одни и те же байты reference, не перекодируя PNG между вызовами.
• Оценивайте cache по дашборду: сравнивайте cached legs в terminal usage по batch и отбрасывайте предположения, которые usage не подтверждает.
• Никогда не закладывайте cached-ставки в бюджет по умолчанию: считайте по fresh-ставкам, а подтверждённый cache считайте приятным бонусом.

Контроль расходов при batch-объёмах

50% — это политика обычного B2C, применяемая после расчёта official usage. У B2B действует согласованная политика, а OpenKeys тарифицируются 1:1 по официальной цене: заголовок про скидку никогда не заменяет проверку класса собственного аккаунта.

• Для новых ассетов используйте generation, а edits — только там, где references измеримо повышают acceptance: каждый reference добавляет image-input cost.
• Отклоняйте непригодные результаты фиксированным visual checklist и ограничивайте retries на ассет: бесконечные prompt retries съедают номинальную скидку.
• Выдайте image-worker отдельный API-ключ с общим lifetime spending limit, чтобы сбежавший batch не обнулил баланс аккаунта.
• Сверяйте terminal usage с charges в дашборде после первых вызовов и по расписанию: цена картинки должна браться из измеренного usage, а не из средних по блогам.

Страница модели GPT Image 2: ставки, alias снапшота и лимиты →

Частые вопросы

Похожие гайды