OpenAI API 定價解析：結合 Claude 與 Gemini，從 Opus 4.7 學到什麼

OpenAI API 定價是大多數團隊在開始評估 Claude 或 Gemini 前所使用的標竿。Mem0 的 LLM 成本指南以目前的 API 費率比較這些供應商，其中一項資料列出 Claude Opus 4.6：每 100 萬 Token 的輸入費用為 $5.00、輸出費用為 $25.00，標準上下文為 200K。這些數字很重要，因為相較之下，OneMux 上 Claude Opus 4.7 的費率，即輸入 $1.50／輸出 $7.50，看起來是成本曲線上的顯著轉變。

聚焦 Claude Opus 4.7，同時將 Gemini API 定價作為比較角度，能提供一種實用方式來思考 AI 支出：在供應商之間比較相同的維度，再將每個請求路由至在財務上合理的模型。

為何 OpenAI API 定價仍是基準

OpenAI API 定價之所以受到大量關注，是因為它是第一個被廣泛採用的按 Token 計價模式。許多團隊仍透過既有的 OpenAI SDK 呼叫 Claude 與 Gemini 模型，而以每 100 萬 Token 美元成本思考的習慣，正是來自 OpenAI 的費率表。Mem0 指南遵循相同慣例，因此能在同一份比較中並列 Claude Opus 4.6、OpenAI 與 Gemini 模型。比較任何兩個 LLM 時，請使用相同單位與相同上下文假設。

來源：LLM API cost breakdown — Claude, Gemini, and OpenAI compared 指出，OpenAI API 定價會與 Claude 和 Gemini 一同分析。

Claude Opus 4.7：定價開始變得值得關注之處

透過 OneMux 提供的 Claude Opus 4.7，每 100 萬輸入 Token 為 $1.50、每 100 萬輸出 Token 為 $7.50，相較於 Mem0 指南中的 Opus 4.6 費率，處於顯著更低的價位。根據 Mem0 指南，Claude Opus 4.6 的標示費率為每 100 萬 Token 輸入 $5.00／輸出 $25.00，標準上下文為 200K。對於有 100K 輸入 Token 與 4K 輸出 Token 的聊天請求，Opus 4.7 的成本為 $0.18；較舊的 Opus 4.6 費率則為 $0.60。這是個實用提醒：每 Token 價格不是全部，但它是每一筆預算的基礎。

試算範例：100K 輸入、4K 輸出

使用以下 Python 計算，來比較任何已知輸入與輸出費率的模型：

def total_cost(input_tokens, output_tokens, input_rate, output_rate):
    return input_tokens / 1_000_000 * input_rate + output_tokens / 1_000_000 * output_rate

print(total_cost(100_000, 4_000, 1.5, 7.5))  # Claude Opus 4.7: $0.18
print(total_cost(100_000, 4_000, 5.0, 25.0))  # Claude Opus 4.6 (Mem0): $0.60

相同模式也適用於 Gemini API 定價與 OpenAI API 定價：輸入與輸出費率彼此獨立，而上下文長度會改變帳單。需要 200K 上下文的提示，不能與在相同每 Token 費率下的短提示相提並論。

LLM 的實際成本不是標示費率；而是費率乘上你實際傳送至模型的 Token 數量。

Gemini API 定價：讓供應商誠實比較的角度

Gemini API 定價經常是比較中的第三個資料點。Mem0 來源將 Gemini 納入同一份目前定價分析，而這正是你應採取的做法：不要將其視為模糊的替代方案，而要視為具備輸入、輸出與上下文限制的費率表。若只比較 OpenAI API 定價與 Claude Opus 4.7，就會錯過每 Token 費率下降的更廣泛趨勢。若將 Gemini API 定價納入比較，就會促使團隊討論實際需求：成本更低、輸入量較大的模型，輸出能力更強的模型，或較小的上下文視窗。

閱讀 Gemini 的費率表時，應採用與閱讀 OpenAI API 定價相同的方式：區分輸入與輸出費率、確認定義明確的上下文視窗，以及清楚的計量單位。Mem0 指南以相同角度對待所有供應商，而這種紀律能避免選擇性比較。

在同一張表比較 OpenAI API 定價與 Claude 模型

OneMux 列出以下模型，採用每 100 萬 Token 的隨用隨付費率。本表是 OneMux model catalogue 的快照，並非完整費率表。

請注意，OpenAI 系列涵蓋了很廣的價格範圍。Gpt 5.6 Luna 是成本上的離群值，Gpt 5.6 Terra 的輸入費率接近 Claude Opus 4.7，而 Gpt 5.6 Sol 則是此快照中最昂貴的選項。正確選擇取決於工作負載，而非品牌。

使用路由層來運用定價資料

費率表只是資料。當你將這些資料放入路由層時，價值才會顯現。OneMux 結合 Claude Opus 4.7 等模型存取、單一 OpenAI 相容 API、金鑰管理、支出可視性、點數儲值，以及成本更低的隨用隨付使用方式。你不必承諾使用單一供應商，而是可以將每個請求傳送至符合任務與預算的模型。

例如，支援團隊可以使用 Claude Opus 4.7 處理複雜摘要，並使用 Gpt 5.6 Luna 進行簡單意圖分類。行銷團隊可偏好使用 Claude Opus 4.7 撰寫較長內容，但以較便宜的模型產生標題變體。API 保持一致，支出也維持可見。

請參閱 OneMux pricing page 的目前條款。

不要脫離上下文比較定價

定價比較在忽略上下文長度與輸出行為時容易出錯。Mem0 指南提及 Claude Opus 4.6 的標準上下文為 200K，而你自己的工作負載可能需要遠少於或遠多於此的上下文。若其中一個模型需要保留兩倍以上的上下文，即使兩個模型的輸入費率相同，帳單也可能有極大差異。

評估 Gemini API 定價、OpenAI API 定價或 Claude Opus 4.7 時，請先確定提示大小，再決定模型。接著透過至少兩個供應商執行相同請求，並比較美元金額，而非行銷文案。

讓定價決策可重複執行

良好的成本控管不是一次性的試算表，而是一套流程：

1. 為每個重要使用案例記錄模型、輸入 Token、輸出 Token，以及提示範本版本。
2. 在至少兩個供應商上比較相同請求。
3. 讓成本與品質決定，而非習慣。
4. 每週或每月檢視模式。

OneMux 的支出可視性讓這個流程具備可行性，因為你可以查看每個模型消耗了餘額中的多少占比。對剛開始使用模型路由的團隊而言，OneMux quickstart 是進行首次呼叫最快的方式；OneMux docs 則提供關於金鑰與 API 的更深入指引。

結論

沒有單一最佳的模型價格，但存在最佳實務：以相同維度比較 OpenAI API 定價、Claude Opus 4.7 與 Gemini API 定價，接著路由請求，讓每個模型用在值得其價格的地方。OneMux 透過單一 OpenAI 相容 API，提供實際可行的方式來做到這點。從 quickstart 開始，讓使用資料帶動下一個決策，並隨模型價格變動調整。

來源

• Mem0: LLM API cost breakdown — Claude, Gemini, and OpenAI compared