GuidesOneMux

GPT Image 2.6 Sunburst API लागत: पुनरुत्पाद्य मूल्यांकन बजट

स्पष्ट टोकन धारणाओं, स्वीकृति मानदंडों, खर्च सीमाओं और दोहराई जा सकने वाली परीक्षण योजना के साथ Sunburst इमेज-जनरेशन लागत का अनुमान लगाएं।

AI

सारांश · TL;DR

GPT Image 2.6 Sunburst के मूल्यांकन के लिए व्यावहारिक लागत मार्गदर्शिका, जिसमें स्रोत में बताए गए टोकन रेट, एक उदाहरणात्मक बजट और दोहराई जा सकने वाली स्वीकृति परीक्षा शामिल है।

मुख्य बातें

  • दिए गए स्रोत के अनुसार सीधे OpenAI रेट text input tokens के लिए $5 प्रति मिलियन, image input tokens के लिए $8 प्रति मिलियन और image output tokens के लिए $30 प्रति मिलियन हैं; भुगतान वाला परीक्षण शुरू करने से पहले वर्तमान रेट की पुष्टि करें।
  • OneMux के प्रकाशित स्नैपशॉट में Sunburst के लिए उपयोग योग्य input या output कीमतें शामिल नहीं थीं, इसलिए उससे OneMux वर्कलोड का संख्यात्मक अनुमान नहीं निकाला जा सकता।
  • केवल सफल API प्रतिक्रियाओं के लिए नहीं, बल्कि अस्वीकृत आउटपुट और दोबारा किए गए प्रयासों के लिए भी बजट रखें।
  • परीक्षण सेटिंग, स्वीकृति नियम, लौटाया गया usage और बिल किए गए शुल्क साथ रखें, ताकि कोई अन्य मूल्यांकनकर्ता गणना को दोहरा सके।
इस पृष्ठ पर (8)

प्रति-इमेज कोट से शुरुआत न करें, सीमित पायलट से करें

दोहराए जा सकने वाले GPT Image 2.6 Sunburst मूल्यांकन के लिए खर्च सीमा तय करें, request settings को स्थिर रखें और लौटाई गई हर इमेज को समान स्वीकृति नियमों के आधार पर जांचें। input और output token assumptions से बजट का अनुमान लगाएं, फिर इन धारणाओं को वास्तविक usage और charges से बदलें। सफल API response का अर्थ जरूरी नहीं कि इमेज भी स्वीकार्य हो।

यह लागत मार्गदर्शिका OneMux द्वारा प्रकाशित की गई है, जो OpenAI-compatible API के माध्यम से मॉडल एक्सेस उपलब्ध कराता है। नीचे दिया गया संख्यात्मक उदाहरण स्रोत में बताए गए सीधे OpenAI रेट का उपयोग करता है, OneMux की कीमतों का नहीं। यह केवल उदाहरणात्मक है: इस लेख के लिए कोई भुगतान वाला Sunburst request नहीं किया गया।

कीमतें और तुलनीय इकाइयां

दिए गए Ofox pricing guide में Sunburst के लिए निम्नलिखित OpenAI रेट बताए गए हैं, जिन्हें November 5, 2026 को जांचा गया था। ये एक मिलियन tokens के लिए US dollars में हैं, प्रति इमेज कीमतें नहीं। परीक्षण के लिए धनराशि उपलब्ध कराने से पहले वर्तमान provider pricing और access की पुष्टि करें।

Direct OpenAI billing categorySource-reported priceUnit
Text input$5.001 million tokens
Image input$8.001 million tokens
Image output$30.001 million tokens
Cached text input$1.251 million tokens
Cached image input$2.001 million tokens

किसी cache rate का सूचीबद्ध होना यह साबित नहीं करता कि कोई विशेष Sunburst request उसके लिए योग्य है। जब तक route के documentation और billing data इसकी पुष्टि न करें, cache savings को शामिल किए बिना पूर्वानुमान लगाएं। यदि cached usage की पुष्टि हो जाए, तो उसे uncached usage से अलग रखें और समान tokens को दो बार न गिनें। लागू tiers और conditions के लिए provider से जांच करें; नीचे दिए गए उदाहरण में tier adjustment नहीं माना गया है।

OneMux catalogue snapshot, जिसे November 15, 2026 को कैप्चर किया गया था, एक अलग और अधूरी तुलना उपलब्ध कराता है:

ModelOfficial inputOfficial outputOneMux inputOneMux outputPublished price ratio
GPT Image 2.6 SunburstUnknownUnknownUnknownUnknown0.11699999999999999

Catalogue इन unknown fields के लिए token-category prices या units उपलब्ध नहीं कराता। इसका प्रकाशित ratio बिल्कुल उसी रूप में दोहराया गया है, लेकिन उपयोग योग्य underlying prices और conditions के बिना इससे OneMux charge की गणना या किसी विशेष बचत का दावा नहीं किया जा सकता। Unknown का अर्थ zero नहीं है। Routes की तुलना करने से पहले वर्तमान OneMux prices और मॉडल की terms जांचें।

स्पष्ट धारणाओं के साथ वर्कलोड की गणना करें

मान लें कि सीधे OpenAI request में 120 text input tokens, कोई image input नहीं और 1,000 image output tokens उपयोग होते हैं। मान लें कि cache discount या अतिरिक्त model charge की पुष्टि नहीं हुई है। ये अंकगणित के लिए बनाए गए परीक्षण inputs हैं, मापी गई Sunburst consumption या किसी विशेष image size का पूर्वानुमान नहीं।

ComponentCalculationIllustrative cost
Text input120 × $5 / 1,000,000$0.0006
Image output1,000 × $30 / 1,000,000$0.0300
Total per attempt$0.0006 + $0.0300$0.0306

यदि उसी hypothetical request में 1,024 image input tokens भी उपयोग होते, तो यह component 1,024 × $8 / 1,000,000 = $0.008192 जोड़ता और कुल लागत $0.038792 होती। इसलिए reference images को estimate में शामिल करें, भले ही prompt छोटा हो।

अब मान लें कि औसत attempt की लागत $0.0306 है और 80% outputs स्वीकृति नियम पूरा करते हैं। 100 accepted images प्राप्त करने के लिए expected 100 / 0.80 = 125 attempts लगेंगे और लागत 125 × $0.0306 = $3.825 होगी। 50% acceptance पर अपेक्षा 200 attempts और $6.12 होगी। इनमें से कोई भी आंकड़ा spending ceiling नहीं है: वास्तविक attempts और token usage अलग हो सकते हैं।

सीमित और दोहराई जा सकने वाली evaluation चलाएं

परीक्षण से पहले exact model और endpoint तक access, वर्तमान rates, credentials और समर्थित image request parameters की पुष्टि करें। किसी विशेष workflow के लिए OneMux compatibility उसके documented endpoint और parameter support पर निर्भर करती है; यह मार्गदर्शिका integration test का दावा नहीं करती। API keys को shared logs और screenshots में शामिल न करें।

Raster-image evaluation के लिए इस उदाहरणात्मक protocol का उपयोग करें:

  1. कठोर सीमाएं तय करें। पायलट को 20 attempts तक सीमित करें और उपलब्ध होने पर provider-side spending limit तय करें। सीमा पूरी होने, usage का मिलान न हो पाने या अनुमानित शेष budget के अपर्याप्त होने पर पहले ही रुक जाएं। Expected cost को hard cap न मानें।
  2. Request को स्थिर रखें। Exact model identifier, provider और endpoint, prompt, reference-image count, dimensions, quality और अन्य समर्थित settings दर्ज करें। जहां explicit settings उपलब्ध और प्रासंगिक हों, वहां automatic settings से बचें।
  3. Generate करने से पहले cases तैयार करें। उदाहरण के लिए, legible short text, object placement, reference label का preservation, simple edit और visually dense layout को कवर करने वाले पांच prompts उपयोग करें। प्रत्येक case के लिए predetermined order में चार attempts चलाएं; शुरुआती 20-attempt comparison में केवल कमजोर cases को चुनकर दोबारा न चलाएं।
  4. Pass criteria पहले से लिखें। Short-text case के लिए exact wording बताएं और हर character के legible तथा सही होने की आवश्यकता रखें। Placement के लिए आवश्यक relative positions स्पष्ट करें। Reference-label edit के लिए बताएं कि label के कौन-से elements unchanged रहने चाहिए। प्रत्येक case के सभी attempts पर समान नियम लागू करें।
  5. हर result सुरक्षित रखें। Discarded images सहित pass या fail और उसका कारण दर्ज करें। HTTP success quality pass नहीं है; इस अंतर के आधार पर failed HTTP requests के provider treatment का अनुमान न लगाएं।

प्रत्येक attempt के लिए case ID, settings, timestamp, response status, लौटाए जाने पर input और output usage breakdown, elapsed time, acceptance decision और उपलब्ध होने पर charge सुरक्षित रखें। Output या उसका secure reference स्टोर करें, ताकि कोई अन्य reviewer decision की जांच कर सके। पायलट total का provider के billing record से मिलान करें; estimate settled charge नहीं होता।

यदि usage केवल aggregate input total report करता है, तो उसे detailed breakdown में दोबारा न जोड़ें और यह न मानें कि पूरा total text है। जब तक provider पर्याप्त detail न दे, component costs को unknown चिह्नित करें। यदि model या आवश्यक parameter उपलब्ध न हो, तो अलग model या setting को चुपचाप इस्तेमाल करने के बजाय रुकें और limitation दर्ज करें।

परिणामों की व्याख्या बिना अतिशयोक्ति के करें

Observed pilot charge को accepted images की संख्या से विभाजित करके observed cost per accepted image प्राप्त करें। इसके साथ sample size, acceptance criteria, settings और किसी भी unassigned charges की रिपोर्ट करें। 20-attempt pilot स्पष्ट failures खोजने और follow-up budget का अनुमान लगाने के लिए उपयोगी है; यह stable production quality, latency या cost स्थापित नहीं करता।

किसी अलग setting या model की तुलना करने के लिए वही cases और acceptance rules दोबारा चलाएं और केवल इच्छित variable बदलें। स्रोत Flare और Sunburst के लिए समान published token rates बताता है, लेकिन इससे समान token consumption या समान output quality सिद्ध नहीं होती। यहां comparative performance या savings का मापन नहीं किया गया है।

GIF और SVG work के लिए अलग योजना चाहिए। स्रोत के अनुसार animation workload frames और dimensions सहित कई factors पर निर्भर करता है, जबकि SVG में अलग authoring-model charge हो सकता है। Still-image estimate को frame count से गुणा न करें और पूरे SVG job पर image-output rate ऐसे लागू न करें जैसे यह verified billing formula हो। इसके बजाय प्रत्येक component के actual usage और charges दर्ज करें।

निष्कर्ष

स्पष्ट शुरुआती estimate तैयार करने के लिए published token rates का उपयोग करें, फिर उन outputs की लागत मापने के लिए capped pilot चलाएं जिन्हें आपका task वास्तव में स्वीकार करता है। Comparable, current billing units और conditions उपलब्ध होने तक direct-provider और OneMux prices को अलग रखें।

Sources

  • Ofox: GPT Image 2.6 API pricing — source-reported OpenAI rates, access notes और GIF/SVG billing cautions; guide के अनुसार उसने paid Image 2.6 generation requests नहीं किए।
  • OneMux pricing — current published pricing; ऊपर उद्धृत OneMux catalogue snapshot November 15, 2026 को कैप्चर किया गया था।

Published price snapshot

OneMux published catalogue से 2026-11-15T11:00:05.734Z पर कैप्चर किया गया। Prices website billing units को बनाए रखती हैं; यह live benchmark नहीं है। Tiered, cached या time-based billing अलग हो सकती है। Unknown values zero नहीं हैं।

ModelOfficial inputOfficial outputOneMux inputOneMux outputPublished price ratio
GPT Image 2.6 SunburstUnknownUnknownUnknownUnknown0.11699999999999999

Current OneMux prices। Workload costs की तुलना केवल तब करें जब input/output और billing units समान हों; tier conditions के लिए प्रत्येक model page देखें।

सामान्य प्रश्न

एक GPT Image 2.6 Sunburst image की लागत कितनी है?

दिए गए स्रोत के आधार पर कोई निश्चित per-image cost स्थापित नहीं है। उसके बताए गए direct OpenAI rates पर उदाहरण के रूप में 120 text input tokens और 1,000 image output tokens की लागत $0.0306 होगी, जिसमें image inputs, cache adjustments और अन्य model charges शामिल नहीं हैं। वास्तविक consumption और provider pricing अलग हो सकती है।

क्या प्रकाशित snapshot से उसी workload की OneMux price की गणना की जा सकती है?

नहीं। Snapshot में Sunburst input और output prices को unknown बताया गया है। Published price ratio अकेले underlying prices, units या conditions के बारे में पर्याप्त जानकारी नहीं देता, इसलिए workload charge की गणना नहीं की जा सकती।

Cost per accepted image को मापना क्यों जरूरी है?

लौटाई गई image task के acceptance criteria में असफल हो सकती है। Observed charge को accepted outputs से विभाजित करने पर rejected attempts का प्रभाव भी शामिल होता है, जिससे उसी workflow की planning अधिक उपयोगी बनती है।

क्या Sunburst और Flare का उपयोग समान रूप से महंगा है?

दिए गए स्रोत में दोनों models के लिए समान published OpenAI token rates बताए गए हैं। इससे यह स्थापित नहीं होता कि वे समान संख्या में tokens का उपयोग करते हैं या किसी दिए गए task के लिए समान acceptance rate हासिल करते हैं।

संबंधित लेख

Guides

GPT Image 2.5 API लागत: 100 या 1,000 उपयोग योग्य इमेज के लिए दोहराया जा सकने वाला मूल्यांकन

स्पष्ट टोकन दरों, स्वीकृति मानदंडों, परीक्षण मामलों और बिल में शामिल दोबारा प्रयासों की मदद से GPT Image 2.5 वर्कलोड की लागत का अनुमान लगाएं।

阅读全文 →

Guides

GPT Image 2.6 Flare API लागत: दोहराए जा सकने वाले मूल्यांकन का बजट

तुलनीय टोकन इकाइयों, स्पष्ट मान्यताओं और सीमित मूल्यांकन योजना के साथ GPT Image 2.6 Flare वर्कलोड की लागत का अनुमान लगाएं।

阅读全文 →

Guides

GPT 6.2 Sol API की लागत: दोहराए जा सकने वाले मूल्यांकन का बजट

स्पष्ट token मान्यताओं, context-tier कीमतों, cache उदाहरणों और दोहराए जा सकने वाले परीक्षण की सीमाओं के आधार पर GPT 6.2 Sol मूल्यांकन की लागत का अनुमान लगाएं।

阅读全文 →

Guides

Grok Imagine Image 2.0 API लागत: प्राइवेसी को ध्यान में रखकर वर्कलोड का अनुमान

स्पष्ट वर्कलोड मान्यताओं और प्राइवेसी चेकलिस्ट की मदद से Grok Imagine Image 2.0 के इमेज इनपुट और आउटपुट शुल्क का अनुमान लगाएं।

阅读全文 →