指南OneMux

GPT Image 2.6 Sunburst API 成本:可复现的评估预算

通过明确的 token 假设、验收标准、支出上限和可重复的测试计划,估算 Sunburst 图像生成成本。

AI

摘要 · TL;DR

一份用于评估 GPT Image 2.6 Sunburst 的实用成本指南,涵盖来源报告的 token 费率、示例预算和可重复的验收测试。

核心要点

  • 所提供的来源报告称,OpenAI 直接费率为:每百万文本输入 token $5、每百万图像输入 token $8、每百万图像输出 token $30;在进行付费测试前请确认当前费率。
  • OneMux 已发布的价格快照没有提供 Sunburst 可用的输入或输出价格,因此无法据此计算 OneMux 工作负载的数值估算。
  • 预算应覆盖未通过验收的输出和重复尝试,而不只是成功的 API 响应。
  • 将测试设置、验收规则、返回的 usage 和已计费金额放在一起,以便其他评估人员复现计算结果。
文章目录 (8)

从有上限的试点开始,而不是直接给出单张图像报价

要以可重复的方式评估 GPT Image 2.6 Sunburst,请设定支出上限,固定请求设置,并根据同一套验收规则评判每一张返回的图像。先根据输入和输出 token 假设估算预算,再用实际 usage 和费用替换这些假设。API 响应成功并不意味着图像符合验收要求。

本成本指南由 OneMux 发布。OneMux 通过兼容 OpenAI 的 API 提供模型访问。下方的数值示例使用的是来源报告的 OpenAI 直接费率,而不是 OneMux 价格。该示例仅供说明:本文没有发起付费的 Sunburst 请求。

价格与可比计价单位

所提供的 Ofox 定价指南 报告了 Sunburst 的以下 OpenAI 费率,核查日期为 2026 年 11 月 5 日。这些价格以每一百万 token计价,单位是美元,并非每张图像的价格。在为测试充值前,请确认当前的提供商价格和访问权限。

OpenAI 直接计费类别来源报告的价格单位
文本输入$5.001 million tokens
图像输入$8.001 million tokens
图像输出$30.001 million tokens
缓存文本输入$1.251 million tokens
缓存图像输入$2.001 million tokens

列出的缓存费率并不能证明某个具体的 Sunburst 请求符合适用条件。除非路由文档和计费数据确认可以使用缓存优惠,否则预测时不要计入缓存节省。如果确认存在缓存用量,请将其与未缓存用量分开,不要对同一批 token 重复计数。请向提供商确认适用的阶梯和条件;下方示例假设没有阶梯价格调整。

OneMux 目录快照记录于2026 年 11 月 15 日,提供了另一份不完整的对比:

模型官方输入官方输出OneMux 输入OneMux 输出已公布价格比
GPT Image 2.6 SunburstUnknownUnknownUnknownUnknown0.11699999999999999

该目录没有为这些 Unknown 字段提供 token 类别价格或计价单位。这里原样保留已公布的价格比,但由于缺少可用的基础价格和适用条件,单凭该数值不足以计算 OneMux 费用,也不能据此声称可以节省特定金额。Unknown 不等于零。在比较路由之前,请查看当前 OneMux 价格和该模型的条款。

使用明确假设计算工作负载

假设一次 OpenAI 直接请求使用 120 个文本输入 token、不包含图像输入,并生成 1,000 个图像输出 token。假设没有已确认的缓存折扣或额外模型费用。这些是为进行算术演示而设定的测试输入,不是实际测得的 Sunburst 用量,也不是对特定图像尺寸的预测。

组成部分计算方式示例成本
文本输入120 × $5 / 1,000,000$0.0006
图像输出1,000 × $30 / 1,000,000$0.0300
每次尝试合计$0.0006 + $0.0300$0.0306

如果同一个假设请求还使用了 1,024 个图像输入 token,该部分将增加 1,024 × $8 / 1,000,000 = $0.008192,总计为 $0.038792。因此,即使提示词很短,参考图像也应纳入估算。

现在假设每次尝试的平均成本为 $0.0306,且 80% 的输出符合验收规则。要获得 100 张验收通过的图像,预计需要 100 / 0.80 = 125 次尝试,成本为 125 × $0.0306 = $3.825。如果通过率为 50%,预计需要 200 次尝试,成本为 $6.12。这两个数字都不是支出上限:实际尝试次数和 token 用量可能有所不同。

执行有上限且可重复的评估

测试前,请确认可以访问准确的模型和端点,确认当前费率、凭证以及受支持的图像请求参数。特定工作流是否与 OneMux 兼容,取决于其文档所述的端点和参数支持情况;本指南不声称进行了集成测试。不要将 API 密钥放入共享日志和截图中。

对于栅格图像评估,可以采用以下示例流程:

  1. 设置硬性上限。 将试点上限设为 20 次尝试,并在可用时设置提供商侧的支出上限。如果达到上限、无法核对 usage,或预计剩余预算不足,则提前停止。不要把预期成本当作硬性上限。
  2. 固定请求。 记录准确的模型标识符、提供商和端点、提示词、参考图像数量、尺寸、质量以及其他受支持的设置。对于明确设置可用且与测试相关的参数,避免使用自动设置。
  3. 在生成前准备测试案例。 例如,准备五个提示词,分别覆盖可读的短文本、对象放置、参考标签保留、简单编辑和视觉元素密集的布局。按照预先确定的顺序,每个案例运行四次;在初始的 20 次对比中,不要只针对表现较弱的案例选择性重跑。
  4. 提前写明通过标准。 对于短文本案例,指定确切措辞,并要求每个字符都清晰且正确。对于放置案例,指定所需的相对位置。对于参考标签编辑,说明哪些标签元素必须保持不变。在每个案例的所有尝试中应用相同规则。
  5. 保留每个结果。 记录通过或失败以及原因,包括被舍弃的图像。HTTP 成功不等于质量通过;不要根据这一差异推断提供商如何处理失败的 HTTP 请求。

对于每次尝试,保留案例 ID、设置、时间戳、响应状态、返回时的输入和输出 usage 明细、耗时、验收决定以及可用时的费用。保存输出,或保存指向输出的安全引用,以便其他审查人员检查决定。将试点总额与提供商的账单记录进行核对;估算金额不等于最终计费金额。

如果 usage 只报告输入总量,不要将其再次加入详细明细,也不要假设全部输入都是文本。除非提供商提供了足够的明细,否则应将各组成部分的成本标记为未知。如果模型或必需参数不可用,请停止并记录限制,而不要悄悄替换为其他模型或设置。

解读结果时避免过度推断

将已观察到的试点费用除以验收通过的图像数量,得到每张验收通过图像的实际观察成本。同时报告样本量、验收标准、设置以及任何未分配费用。20 次尝试的试点有助于发现明显问题并估算后续预算,但无法证明生产质量、延迟或成本已经稳定。

要比较其他设置或模型,请使用相同案例和验收规则重新运行,只改变计划比较的变量。来源报告称 Flare 和 Sunburst 的已公布 token 费率相同,但这并不能证明二者的 token 消耗相同或输出质量相同。本文没有测量二者的比较性能或节省金额。

GIF 和 SVG 工作需要单独规划。来源称,动画工作负载取决于帧数和尺寸等因素,而 SVG 可能包含单独的创作模型费用。不要将静态图像估算乘以帧数,也不要把图像输出费率应用于整个 SVG 作业,并将其中任一做法视为已验证的计费公式。应分别记录每个组成部分的实际 usage 和费用。

结论

使用已公布的 token 费率建立明确的初始估算,然后通过有上限的试点测量任务实际接受的输出成本。在获得可比的当前计费单位和条件之前,应将直接提供商价格与 OneMux 价格分开处理。

来源

  • Ofox:GPT Image 2.6 API 定价:来源报告的 OpenAI 费率、访问说明以及 GIF/SVG 计费注意事项;该指南称其没有发起付费的 Image 2.6 生成请求。
  • OneMux 定价:当前已公布的价格;上文引用的 OneMux 目录快照记录于 2026 年 11 月 15 日。

已公布价格快照

从 OneMux 已公布目录获取,时间为 2026-11-15T11:00:05.734Z。价格保留网站上的计费单位;这不是实时基准测试。阶梯计费、缓存计费或基于时间的计费可能有所不同。Unknown 值不等于零。

模型官方输入官方输出OneMux 输入OneMux 输出已公布价格比
GPT Image 2.6 SunburstUnknownUnknownUnknownUnknown0.11699999999999999

当前 OneMux 价格。只有在输入/输出和计费单位一致时才比较工作负载成本;阶梯条件请查看各模型页面。

常见问题

一张 GPT Image 2.6 Sunburst 图像的成本是多少?

所提供的来源没有确定固定的单张图像成本。按照其报告的 OpenAI 直接费率举例,120 个文本输入 token 和 1,000 个图像输出 token 的成本为 $0.0306,不包括图像输入、缓存调整和其他模型费用。实际用量和提供商价格可能有所不同。

我可以根据已公布的快照计算同一工作负载的 OneMux 价格吗?

不可以。该快照将 Sunburst 的输入和输出价格列为 Unknown。仅凭已公布的价格比,无法获得足够的基础价格、计价单位或条件信息来计算工作负载费用。

为什么要测量每张验收通过图像的成本?

返回的图像可能不符合任务的验收标准。用观察到的费用除以验收通过的输出数量,可以纳入未通过验收的尝试,更适合规划相同的工作流。

Sunburst 和 Flare 的使用成本相同吗?

所提供的来源报告称,这两个模型的已公布 OpenAI token 费率相同。但这并不能证明它们在特定任务中消耗相同数量的 token,或达到相同的验收通过率。

相关文章