Bu sitedeki rakamlar nasıl üretiliyor

46 model listeliyoruz; bunların 13 tanesi sağlayıcıları tarafından emekliye ayrıldı, 29 tanesi güncel ve önerilebilir. Her fiyat, sağlayıcının kendi API'si için yayımladığı liste fiyatıdır — standart katman, en kısa bağlam bandı — ve sağlayıcının fiyat sayfasıyla doğrulanır; her model sayfası fiyatın en son ne zaman doğrulandığını gösterir. Aracı fiyatları, ortalamalar ya da hafızadan rakamlar kullanmıyoruz.

Sağlayıcı bir değişiklik duyurduysa bunu gösteriyoruz: kampanyalı fiyat, geçerli olduğu son tarih ve arkasındaki normal fiyatla; tanıtım fiyatı ise bitiş tarihiyle işaretlenir. DeepSeek hafta içi yoğun saatler dışında yarı fiyat alıyor; biz yoğun saat fiyatını listeliyoruz, çünkü bir üretim iş yükünün plan yapabileceği fiyat budur. Llama gibi açık ağırlıklı modellerin sağlayıcıya ait bir fiyatı yok — fiyatı barındıran şirketler belirliyor — sayfaları da bunu söylüyor.

Sağlayıcılar modelleri emekliye ayırır ve emekli bir model daha ucuz bir seçenek değildir — ona giden istekler hata verir. Her model, sağlayıcının kullanımdan kaldırma sayfasından alınan bir durum taşır: aktif, kapanacak (kapanış tarihi duyurulmuş), emekli (artık sunulmuyor) ya da eski nesil (üreticisi yeni bir nesle geçmiş açık ağırlıklı modeller).

Emekli modellerin sayfaları duruyor, çünkü insanlar onları hâlâ arıyor; ancak bu sayfalar modelin ne zaman kapatıldığını söylüyor ve en yakın güncel modeli gösteriyor. Bu öneri bize ait — rol ve fiyata göre seçiliyor — ve her zaman sağlayıcının resmi önerisi değil. Sitedeki hesaplayıcılar yalnızca aktif modelleri önerir.

Sağlayıcılar token başına ücret alır, ama metni token'lara aynı şekilde bölmezler. Anthropic, Claude 4.7 ve sonrası modellerin aynı metin için önceki Claude modellerinden yaklaşık %30 daha fazla token ürettiğini belgeliyor. Bu yüzden token başına fiyat karşılaştırmak, bu modellerin belirli bir iş için maliyetini olduğundan düşük gösterir.

Metni GPT-4o ve sonraki OpenAI modellerinin tokenizer'ı o200k ile sayıyor, her modelin tokenizer katsayısıyla çarpıyoruz. Tokenizer yayımlanmışsa (OpenAI, DeepSeek) ya da sağlayıcı bir token sayma uç noktası sunuyorsa (Anthropic, Google, xAI) katsayı ölçülür: 25 dillik paralel derlemimizi ondan geçirir, aynı İngilizce metinlerde o200k ile karşılaştırırız. Bir tokenizer ölçülene kadar tahmin kullanırız — Claude 4.7 ve sonrası için 1,43: önceki Claude tokenizer'ı için tahmini 1,1 çarpı Anthropic'in belgelediği 1,3. Hangisinin ölçüm, hangisinin tahmin olduğunu tablo gösteriyor. Temel İngilizce, çünkü API trafiğinin çoğu İngilizce; diğer diller çok daha fazla ayrışabilir ve dil maliyeti sayfaları her birini ayrı ayrı gösteriyor.

Kodlama, akıl yürütme, veri çıkarma, yaratıcılık ve görsel puanları (0–100) iOPTERA'nın editoryal bileşik puanlarıdır. Hesaplayıcıların sıralama yapabilmesi için her modeli, kamuya açık benchmark sonuçlarını ve sağlayıcıların yayımladığı değerlendirmeleri kullanarak diğerlerine göre konumlandırırlar. Benchmark sonucu değildirler, değerlendirmeleri kendimiz çalıştırmıyoruz ve bir-iki puanlık fark hiçbir şey ifade etmez.

Yeni modeller çıtayı yükselttiğinde eski modeller çıkış günündeki puanlarında bırakılmaz, aşağı yönde yeniden puanlanır; böylece nesiller arası puanlar karşılaştırılabilir kalır. Daha ucuz bir alternatif önerdiğimizde, yerine geçtiği modelin en fazla iki puan gerisinde olmak zorundadır — yetenek kaybı gerektiren bir tasarruf, tasarruf olarak sunulmaz.

Sayfada aksi belirtilmedikçe karma fiyat %70 girdi ve %30 çıktı token'ı varsayar, iş yükü o200k token'ı cinsinden ölçülür ve her model kendi tokenizer'ının üreteceği token sayısı üzerinden ücretlendirilir. Yıllık ve uzun vadeli karşılaştırmalar, duyurulmuş kampanya ya da tanıtım fiyatı bittikten sonraki fiyatı kullanır.

Tahminler kurulumunuza bağlı olanları dışarıda bırakır: prompt önbellekleme, toplu işlem indirimleri, 200K–272K token üstündeki uzun bağlam ek ücretleri ve bazı modellerin harcadığı gizli akıl yürütme token'ları. Rakamları faturanızın tahmini olarak değil, aynı iş için modeller arası bir karşılaştırma olarak okuyun.