---
title: "रीज़निंग टोकन की लागत: आउटपुट का बिल ज़्यादा क्यों आता है"
description: "रीज़निंग मॉडल छिपी सोच का बिल आउटपुट टोकन के रूप में बनाते हैं। इसे कैसे मापें, हर मॉडल पर इसकी लागत, और reasoning_effort, max_tokens व रूटिंग से इसे कैसे घटाएँ।"
url: https://broadrouter.com/hi/blog/reasoning-tokens-cost/
lang: hi
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

यह पेज अंग्रेज़ी से AI की मदद से अनुवाद किया गया है। [अंग्रेज़ी मूल पढ़ें](https://broadrouter.com/blog/reasoning-tokens-cost/) (2026-11-16 को अपडेट किया गया).

# रीज़निंग टोकन: दिखने से ज़्यादा आउटपुट का भुगतान क्यों होता है

BroadNet Inference टीम · 4 मिनट में पढ़ें · प्रकाशित 2026-11-14 · अपडेट किया गया 2026-11-16

रीज़निंग मॉडल जवाब से पहले छिपी सोच लिखता है, और उन रीज़निंग टोकन का बिल आउटपुट की कीमत पर बनता है। 200 टोकन के जवाब के पीछे 1,000 या ज़्यादा टोकन की सोच हो सकती है। BroadNet Inference पर DeepSeek V4.1 Flash, GLM 5.3 और Qwen3.8 27B रीज़निंग करते हैं। reasoning\_effort को low रखकर, समझदारी भरे max\_tokens से, और आसान क़दमों के लिए बिना रीज़निंग वाले मॉडल से लागत घटाएँ।

## मुख्य बातें

-   रीज़निंग टोकन completion\_tokens में गिने जाते हैं और आउटपुट की कीमत पर बिल होते हैं, भले वे आपको कभी न दिखें।
-   1,000 टोकन रीज़निंग वाले 1,000 जवाब 1M आउटपुट टोकन जोड़ते हैं: DeepSeek V4.1 Flash पर $0.52, GLM 5.3 पर $3.46।
-   आपके बिल का कितना हिस्सा सोचने में जाता है, यह मापने के लिए usage.completion\_tokens\_details.reasoning\_tokens पढ़ें।
-   आसान कामों के लिए reasoning\_effort को low करें, max\_tokens इतना रखें कि जवाब पूरा हो सके, और आसान क़दम ऐसे मॉडल पर भेजें जो रीज़निंग नहीं करता।
-   DeepSeek V4.1 Flash के अनलिमिटेड प्लान पर रीज़निंग की कोई टोकन लागत नहीं है।

**इस पेज पर**

1.  रीज़निंग टोकन क्या हैं?
2.  रीज़निंग टोकन का बिल कैसे बनता है?
3.  रीज़निंग बिल में कितना जोड़ सकती है?
4.  रीज़निंग टोकन कैसे मापें?
5.  रीज़निंग की लागत नियंत्रित करने के चार तरीक़े
6.  किस काम के लिए कौन-सी सेटिंग इस्तेमाल करें?
7.  रीज़निंग की अतिरिक्त लागत कब ख़त्म होती है?
8.  BroadNet Inference कहाँ फ़िट होता है

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](https://broadrouter.com/hi/glossary/reasoning-tokens/) 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](https://broadrouter.com/hi/models/deepseek-v4.1-flash/) | हाँ | $0.52 | $0.175 |
| [GLM 5.3](https://broadrouter.com/hi/models/glm-5.3/) | हाँ | $3.46 | $0.78 |
| [Qwen3.8 27B](https://broadrouter.com/hi/models/qwen3.8-27b/) | हाँ | $2.17 | $0.175 |
| [Gemma 4 VL 26B](https://broadrouter.com/hi/models/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](https://broadrouter.com/hi/llm-api-pricing/) में है, जैसे [प्रोवाइडर के हिसाब से GLM 5.3](https://broadrouter.com/hi/llm-api-pricing/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:

```python
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](https://broadrouter.com/hi/guides/streaming-chat-completions/))।

## 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:

```python
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`](https://broadrouter.com/hi/glossary/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](https://broadrouter.com/hi/guides/reasoning-tokens-empty-response/)।

### 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](https://broadrouter.com/hi/blog/flat-rate-vs-pay-per-token-llm-api/), और [कोडिंग एजेंट का बिल घटाने के दस और तरीक़े](https://broadrouter.com/hi/blog/cut-coding-agent-llm-costs/)।

## 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](https://broadrouter.com/hi/glossary/openai-compatible-api/) 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](https://inference.broadnet.ai/plans?utm_source=broadrouter&utm_medium=referral&utm_campaign=hi-blog-reasoning-tokens-cost&utm_content=body)।

इस विषय के मुफ़्त टूल (अंग्रेज़ी में)

-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.
-   [Flat-rate vs per-token LLM cost calculator](https://broadrouter.com/tools/flat-rate-vs-per-token-calculator/) Break-even between an unlimited plan and paying per token, per agent.
-   [Prompt caching savings calculator](https://broadrouter.com/tools/prompt-caching-calculator/) Bill with and without caching, by prefix share and hit rate.
-   [Prompt token diff](https://broadrouter.com/tools/prompt-token-diff/) Two prompt versions side by side: changed lines, exact token delta and the monthly cost difference.

[मुफ़्त टूल (अंग्रेज़ी में)](https://broadrouter.com/tools/)

## इस लेख के शब्द

[टोकन (token)](https://broadrouter.com/hi/glossary/token/)

टोकन टेक्स्ट की वह इकाई है जिसे लैंग्वेज मॉडल पढ़ता और लिखता है: कोई शब्द, शब्द का हिस्सा, विराम चिह्न या बाइट का क्रम, जो मॉडल का टोकनाइज़र बनाता है। LLM API इस्तेमाल को टोकन में गिनते हैं, उसी में लिमिट लगाते हैं और आम तौर पर बिल भी बनाते हैं।

[रीज़निंग टोकन (reasoning tokens)](https://broadrouter.com/hi/glossary/reasoning-tokens/)

रीज़निंग टोकन वे टोकन हैं जो रीज़निंग मॉडल अपना दिखने वाला जवाब लिखने से पहले किसी समस्या को हल करने के लिए बनाता है। इनका बिल आम तौर पर आउटपुट टोकन की तरह बनता है, ये आउटपुट लिमिट और कॉन्टेक्स्ट विंडो में गिने जाते हैं, और API इन्हें छिपा सकता है या इनका सारांश दे सकता है।

[इनपुट और आउटपुट टोकन (input and output tokens)](https://broadrouter.com/hi/glossary/input-and-output-tokens/)

इनपुट टोकन वे टोकन हैं जिन्हें लैंग्वेज मॉडल किसी अनुरोध में पढ़ता है, जिनमें सिस्टम प्रॉम्प्ट, बातचीत का इतिहास, टूल डेफ़िनिशन और इमेज शामिल हैं। आउटपुट टोकन वे हैं जो वह जवाब में बनाता है, रीज़निंग समेत। LLM API आम तौर पर दोनों की कीमत अलग रखते हैं, और आउटपुट आम तौर पर महँगा होता है।

[कॉन्टेक्स्ट विंडो (context window)](https://broadrouter.com/hi/glossary/context-window/)

कॉन्टेक्स्ट विंडो टोकन की वह अधिकतम संख्या है जिसके साथ लैंग्वेज मॉडल एक अनुरोध में काम कर सकता है। इसमें प्रॉम्प्ट, बातचीत का इतिहास, टूल डेफ़िनिशन, इमेज और जनरेट हुआ आउटपुट, रीज़निंग टोकन समेत, सब आता है। जो इसमें न समाए, उसे काटना, सारांश बनाना या कई अनुरोधों में बाँटना पड़ता है।

[स्ट्रीमिंग (streaming)](https://broadrouter.com/hi/glossary/streaming/)

स्ट्रीमिंग, लैंग्वेज मॉडल के जवाब को अंत में एक साथ लौटाने के बजाय, बनते समय ही छोटे-छोटे टुकड़ों (chunks) में लौटाने का तरीक़ा है। OpenAI-कम्पैटिबल API, अनुरोध में stream को true सेट करने पर server-sent events से स्ट्रीम करते हैं।

[स्ट्रक्चर्ड आउटपुट (structured output)](https://broadrouter.com/hi/glossary/structured-output/)

स्ट्रक्चर्ड आउटपुट LLM API का एक फ़ीचर है जो मॉडल के जवाब को डेवलपर के तय फ़ॉर्मैट, आम तौर पर JSON Schema, तक सीमित करता है, ताकि कोड उसे भरोसे से पार्स कर सके। यह JSON mode से सख़्त है, जो मान्य JSON की गारंटी देता है, लेकिन किसी ख़ास ढाँचे की नहीं।

[AI एजेंट (AI agent)](https://broadrouter.com/hi/glossary/agent/)

AI एजेंट ऐसा सिस्टम है जिसमें लैंग्वेज मॉडल किसी लक्ष्य की ओर अपने क़दम ख़ुद तय करता है: कौन-से टूल कॉल करने हैं, चुनता है, नतीजे पढ़ता है और अंतिम जवाब या किसी सीमा तक दोहराता रहता है। तय बिंदुओं पर मॉडल को कॉल करने वाली स्क्रिप्ट को आम तौर पर workflow कहते हैं।

[AI कोडिंग एजेंट (AI coding agent)](https://broadrouter.com/hi/glossary/coding-agent/)

AI कोडिंग एजेंट एक सॉफ़्टवेयर टूल है जिसमें लैंग्वेज मॉडल कोडबेस पर लूप में काम करता है: फ़ाइलें पढ़ता है, उन्हें बदलता है, टेस्ट जैसी कमांड चलाता है, आउटपुट पढ़ता है और अगला क़दम तय करता है, जब तक टास्क पूरा न हो या कोई सीमा न आ जाए।

## अक्सर पूछे जाने वाले सवाल

### रीज़निंग टोकन का बिल इनपुट के रूप में बनता है या आउटपुट के रूप में?

आउटपुट के रूप में। इन्हें मॉडल बनाता है, ये completion\_tokens के अंदर दिखाए जाते हैं और प्रति 1M टोकन आउटपुट की कीमत पर बिल होते हैं।

### क्या मैं रीज़निंग पूरी तरह बंद कर सकता हूँ?

यह मॉडल पर निर्भर है। OpenAI ऐसे effort मान दस्तावेज़ करता है जिनमें कुछ मॉडल पर none या minimal भी हो सकते हैं। BroadNet पर reasoning\_effort को low करें, या Gemma 4 VL 26B इस्तेमाल करें, जिसके लिए BroadNet रीज़निंग नहीं दिखाता।

### क्या कम max\_tokens से रीज़निंग मॉडल पर पैसे बचते हैं?

सिर्फ़ आंशिक रूप से। यह बिल की सीमा बाँध देता है, लेकिन अगर रीज़निंग पूरा बजट खा जाए तो आप सोच का भुगतान करते हैं और जवाब ख़ाली मिलता है। इसके बजाय effort घटाएँ, और max\_tokens 1,000 या ज़्यादा रखें।

### क्या मुझे रीज़निंग का टेक्स्ट दिखता है?

आम तौर पर content फ़ील्ड में नहीं। अगर मॉडल यह संख्या बताता है, तो usage ब्लॉक completion\_tokens\_details.reasoning\_tokens में बताता है कि कितने रीज़निंग टोकन इस्तेमाल हुए।

## आगे पढ़ें

-   [LLM API की कीमत कैसे तय होती है: इनपुट, कैश्ड, आउटपुट और रीज़निंग](https://broadrouter.com/hi/blog/llm-api-pricing-explained/)
-   [कोडिंग एजेंट की LLM लागत घटाने के 10 तरीक़े, अनुमानित बचत के साथ](https://broadrouter.com/hi/blog/cut-coding-agent-llm-costs/)
-   [फ़्लैट रेट बनाम प्रति टोकन LLM API: ब्रेक-ईवन का हिसाब](https://broadrouter.com/hi/blog/flat-rate-vs-pay-per-token-llm-api/)
-   [अक्टूबर 2026 में LLM API कीमतों में बदलाव: 3 बढ़ोतरी, कटौती नहीं](https://broadrouter.com/hi/blog/llm-api-price-changes-october-2026/)
-   [LLM API की कीमतें कितनी बार बदलती हैं? आर्काइव पेजों के 3 साल](https://broadrouter.com/hi/blog/how-often-llm-api-prices-change/)
-   [गाइड: रीज़निंग मॉडल ख़ाली जवाब क्यों लौटाता है](https://broadrouter.com/hi/guides/reasoning-tokens-empty-response/)
-   [गाइड: chat completions स्ट्रीम करें और टूटे कनेक्शन सँभालें](https://broadrouter.com/hi/guides/streaming-chat-completions/)

इसे अपने असली वर्कलोड पर आज़माएँ। नए अकाउंट Gemma और ट्रांसक्रिप्शन के लिए US$5 के क्रेडिट से शुरू होते हैं। DeepSeek, GLM, और Qwen3.8 के लिए टॉप-अप ज़रूरी है।

[शुरू करें](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=hi-blog-reasoning-tokens-cost&utm_content=page-cta) ·

**स्रोत**

-   [BroadNet Inference API रेफ़रंस, रीज़निंग और कैश्ड टोकन (2026-11-15 को जाँचा गया) (अंग्रेज़ी में)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=hi-blog-reasoning-tokens-cost&utm_content=sources#models)
-   [BroadNet Inference की मशीन-पठनीय कीमतें (pricing.json) (2026-11-15 को जाँचा गया) (अंग्रेज़ी में)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=hi-blog-reasoning-tokens-cost&utm_content=sources)
-   [OpenAI रीज़निंग गाइड, बिलिंग, effort के मान और max\_output\_tokens (2026-11-14 को देखा गया)](https://developers.openai.com/api/docs/guides/reasoning)
