आप एक छोटा सवाल भेजते हैं, दो लाइन का जवाब पाते हैं, और बिल 1,400 आउटपुट टोकन दिखाता है। कुछ भी ग़लत नहीं है। मॉडल ने जवाब देने से पहले सोचा, और उस सोच का बिल बना। यह पोस्ट बताती है कि रीज़निंग टोकन कैसे गिने जाते हैं, हर मॉडल पर उनकी लागत क्या है, और वे चार सेटिंग जो उन्हें नियंत्रित करती हैं।
रीज़निंग टोकन क्या हैं?
रीज़निंग मॉडल पहले सोच की एक अंदरूनी कड़ी लिखता है, फिर दिखने वाला जवाब। दोनों एक ही जनरेशन से निकलते हैं। सोच रीज़निंग टोकन से बनी होती है। मानक chat-completions रिस्पॉन्स में जवाब message.content में होता है, और सोच गिनी जाती है, दिखाई नहीं जाती।
OpenAI की रीज़निंग गाइड यह नियम साफ़ शब्दों में बताती है: रीज़निंग टोकन “still occupy space in the model’s context window and are billed as” (अनुवाद: फिर भी मॉडल की कॉन्टेक्स्ट विंडो में जगह घेरते हैं और उनका बिल इस रूप में बनता है) आउटपुट टोकन। दूसरे प्रोवाइडर भी यही नियम मानते हैं।
रीज़निंग टोकन का बिल कैसे बनता है?
ये completion_tokens का हिस्सा हैं, इसलिए आउटपुट की कीमत चुकाते हैं। आउटपुट महँगा मीटर है:
| मॉडल | पहले रीज़निंग करता है | प्रति 1M आउटपुट | प्रति 1M इनपुट |
|---|---|---|---|
| DeepSeek V4.1 Flash | हाँ | $0.52 | $0.175 |
| GLM 5.3 | हाँ | $3.46 | $0.78 |
| Qwen3.8 27B | हाँ | $2.17 | $0.175 |
| Gemma 4 VL 26B | नहीं दिखाया गया | $0.22 | $0.10 |
कीमतें BroadNet Inference की हैं, 2026-11-14 को सिंक की गईं। दूसरे होस्ट इन्हीं मॉडल के लिए क्या लेते हैं, यह LLM API प्राइसिंग टेबल में है, जैसे प्रोवाइडर के हिसाब से GLM 5.3।
रीज़निंग बिल में कितना जोड़ सकती है?
एक क्लासिफ़ायर लें जो एक शब्द का लेबल लौटाता है, लगभग 10 दिखने वाले टोकन। अगर मॉडल पहले 1,000 टोकन सोचता है, तो आउटपुट बिल का 99% सोच है।
बड़े पैमाने पर: 1,000 टोकन रीज़निंग वाले 1,000 जवाब 1M आउटपुट टोकन जोड़ते हैं। दिखने वाले जवाबों के ऊपर, इसकी लागत DeepSeek V4.1 Flash पर $0.52, Qwen3.8 27B पर $2.17 और GLM 5.3 पर $3.46 है।
मात्रा काम के हिसाब से बदलती है। कठिन गणित या कई फ़ाइलों वाले कोड की रीज़निंग हज़ारों टोकन तक जा सकती है। अभिवादन के लिए लगभग कुछ नहीं चाहिए। इसीलिए मापना ज़रूरी है।
रीज़निंग टोकन कैसे मापें?
जब मॉडल गिनती देता है, तो usage ब्लॉक उसे बताता है:
r = client.chat.completions.create(
model="broadnet/deepseek-v4.1-flash",
messages=[{"role": "user", "content": "Is 'refund my order' a billing or shipping intent?"}],
max_tokens=1000,
)
u = r.usage
reasoning = (u.completion_tokens_details.reasoning_tokens or 0) if u.completion_tokens_details else 0
print("output:", u.completion_tokens, "reasoning:", reasoning,
"share:", round(reasoning / max(u.completion_tokens, 1), 2))
एक हफ़्ते तक हर तरह के काम के लिए इसे लॉग करें। आम तौर पर पता चलेगा कि ज़्यादातर सोच कुछ ही कामों में जाती है। स्ट्रीमिंग में stream_options: {"include_usage": true} जोड़ें; गिनती आख़िरी chunk में आती है (स्ट्रीमिंग गाइड)।
रीज़निंग की लागत नियंत्रित करने के चार तरीक़े
1. आसान कामों के लिए reasoning_effort घटाएँ
reasoning_effort मॉडल से कम सोचने को कहता है। BroadNet की गाइड क्लासिफ़िकेशन, एक्सट्रैक्शन और फ़ॉर्मैटिंग के लिए low इस्तेमाल करती हैं:
client.chat.completions.create(model="broadnet/deepseek-v4.1-flash", reasoning_effort="low",
max_tokens=1000, messages=msgs)
OpenAI अपने मॉडल पर मानों की बड़ी रेंज दस्तावेज़ करता है, none और minimal से लेकर low, medium और high होते हुए xhigh और max तक, और लिखता है कि “some models support only a subset” (अनुवाद: कुछ मॉडल इनमें से सिर्फ़ कुछ ही सपोर्ट करते हैं)। देखें कि आपका मॉडल कौन-से मान स्वीकार करता है, और उन्हीं नमूनों पर पहले और बाद के आउटपुट टोकन की तुलना करें।
2. max_tokens को छत की तरह रखें, शिकंजे की तरह नहीं
max_tokens रीज़निंग और जवाब, दोनों को मिलाकर सीमित करता है। यह बेक़ाबू जवाब रोकता है, लेकिन अगर आप इसे बहुत कम रखें, तो मॉडल पूरा बजट सोचने में लगा सकता है और finish_reason: "length" के साथ ख़ाली जवाब लौटा सकता है। आप उस सोच का भुगतान करते हैं और फिर भी रीट्राई करना पड़ता है। BroadNet रीज़निंग मॉडल के लिए 1,000 या ज़्यादा टोकन सुझाता है। रीज़निंग मॉडल ख़ाली जवाब क्यों लौटाता है।
3. आसान क़दम ऐसे मॉडल पर भेजें जो रीज़निंग नहीं करता
हर क़दम को सोच की ज़रूरत नहीं होती। JSON फ़ॉर्मैट करना, फ़ील्ड के नाम बदलना या FAQ से जवाब ढूँढना Gemma 4 VL 26B पर जा सकता है, प्रति 1M आउटपुट $0.22 पर, जिसके लिए BroadNet रीज़निंग नहीं दिखाता। रीज़निंग मॉडल को योजना, डीबगिंग और कई क़दमों वाले जवाबों के लिए रखें। रूट करने से पहले अपने नमूनों पर क्वालिटी टेस्ट करें।
4. प्रॉम्प्ट से “think step by step” हटाएँ
रीज़निंग मॉडल पहले से सोचते हैं। ऊपर से दिखने वाली क़दम-दर-क़दम रीज़निंग माँगने पर वे उसे दो बार लिखते हैं: एक बार छिपाकर, एक बार जवाब में। सीधे अंतिम जवाब उस फ़ॉर्मैट में माँगें जो आपको चाहिए।
किस काम के लिए कौन-सी सेटिंग इस्तेमाल करें?
| काम | रीज़निंग effort | max_tokens | मॉडल का सुझाव |
|---|---|---|---|
| क्लासिफ़िकेशन, रूटिंग | low | 1,000 | Gemma 4 VL 26B या DeepSeek V4.1 Flash |
| JSON में एक्सट्रैक्शन | low | 1,000 से 2,000 | DeepSeek V4.1 Flash, स्ट्रक्चर्ड आउटपुट के लिए GLM 5.3 |
| ग्राहक को जवाब का ड्राफ़्ट | low या डिफ़ॉल्ट | 2,000 | DeepSeek V4.1 Flash |
| डीबगिंग, योजना, कोड रिव्यू | डिफ़ॉल्ट या ज़्यादा | 8,000 या सेट न करें | DeepSeek V4.1 Flash या GLM 5.3 |
ये शुरुआती बिंदु हैं। अपने डेटा पर आउटपुट टोकन और क्वालिटी मापें, फिर बदलाव करें।
रीज़निंग की अतिरिक्त लागत कब ख़त्म होती है?
फ़्लैट प्लान पर। BroadNet का Full Moon प्लान अनलिमिटेड DeepSeek V4.1 Flash के लिए हर सेशन $60 प्रति माह है, बिना टोकन मीटर के, इसलिए रीज़निंग टोकन की कोई प्रति टोकन लागत नहीं है। फिर भी वे समय लेते हैं: लगभग 100 टोकन प्रति सेकंड की सामान्य स्पीड पर हर रीज़निंग टोकन जवाब शुरू होने से पहले बनता है, इसलिए लंबी सोच जवाब में देरी करती है। फ़्लैट प्लान प्रति टोकन से कब बेहतर है, और कोडिंग एजेंट का बिल घटाने के दस और तरीक़े।
BroadNet Inference कहाँ फ़िट होता है
BroadNet तीन रीज़निंग मॉडल और एक बिना दिखाई गई रीज़निंग वाला मॉडल, https://inference.broadnet.ai/v1 पर एक ही OpenAI-compatible key से चलाता है, और हर रिस्पॉन्स में उपयोग बताता है। इससे काम के हिसाब से रूट करना और फ़र्क़ मापना आसान हो जाता है। अगर आपको दिखने वाले रीज़निंग सारांश वाला क्लोज़्ड मॉडल चाहिए, तो उस वेंडर का API इस्तेमाल करें; BroadNet के चैट कैटलॉग में कोई क्लोज़्ड मॉडल नहीं है। प्लान देखें।
