---
title: "ریزننگ ماڈلز میں max_tokens: بجٹ کیسے طے کریں | BroadRouter"
description: "کم max_tokens پر ریزننگ ماڈلز خالی جواب کیوں دیتے ہیں، اور ناپے گئے percentiles، کانٹیکسٹ ونڈو اور بڑھتے retry سے بجٹ کیسے طے کریں۔"
url: https://broadrouter.com/ur/blog/reasoning-model-max-tokens-budget/
lang: ur
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

یہ صفحہ انگریزی سے AI کی مدد سے ترجمہ کیا گیا ہے۔ [انگریزی اصل پڑھیں](https://broadrouter.com/blog/reasoning-model-max-tokens-budget/) (اپ ڈیٹ: 2026-11-15).

# ریزننگ ماڈلز کے لیے max\_tokens کیسے طے کریں: بجٹ کا طریقہ

BroadNet Inference ٹیم · 6 منٹ کی پڑھائی · شائع شدہ 2026-11-15

ریزننگ ماڈل پر max\_tokens سوچ اور جواب، دونوں کو ملا کر محدود کرتا ہے، اس لیے تنگ حد نظر آنے والے متن سے پہلے ہی جواب ختم کر سکتی ہے۔ ہر ٹاسک ٹائپ کے کل completion ٹوکن ناپیں، max\_tokens کو تقریباً 95ویں percentile سے 20% اوپر رکھیں، پرامپٹ اور max\_tokens کو کانٹیکسٹ ونڈو میں رکھیں، اور کٹے ہوئے جواب کو دگنے بجٹ سے ایک مقررہ حد تک دوبارہ بھیجیں۔

## اہم نکات

-   max\_tokens ایک حد ہے، فیس نہیں۔ آپ بنائے گئے ٹوکنز کی ادائیگی کرتے ہیں، اس لیے جلد مکمل ہونے والے جوابوں پر اونچی حد کا کوئی خرچ نہیں۔
-   پیسہ تنگ حد پر لگتا ہے: کٹے ہوئے جواب میں سوچ کا بل بنتا ہے، جواب نہیں ملتا، اور اسے دوبارہ بھیجنا پڑتا ہے۔
-   اپنے لاگز سے ہر ٹاسک ٹائپ کا بجٹ طے کریں: completion ٹوکنز کا 95واں percentile اور 20% مارجن ایک ٹھوس آغاز ہے۔
-   پرامپٹ ٹوکنز اور max\_tokens کانٹیکسٹ ونڈو میں آنے چاہییں: Qwen3.8 27B پر 262,144 ٹوکن، GLM 5.3 اور DeepSeek V4.1 Flash پر 1,048,576۔
-   finish\_reason "length" کو اشارہ سمجھیں: دگنے بجٹ یا کم reasoning\_effort کے ساتھ، ایک پکی حد تک، دوبارہ کوشش کریں۔

**اس صفحے پر**

1.  جواب سے پہلے بجٹ ختم کیوں ہو جاتا ہے؟
2.  کیا بڑا max\_tokens زیادہ مہنگا پڑتا ہے؟
3.  کسی ٹاسک کو کتنا چاہیے، یہ کیسے ناپیں؟
4.  کانٹیکسٹ ونڈو بجٹ کو کیسے محدود کرتی ہے؟
5.  اگر جواب پھر بھی کٹ جائے تو کیا کریں؟
6.  اسٹریمنگ سے تصویر کیسے بدلتی ہے؟
7.  کون سا پیرامیٹر نام بھیجیں؟
8.  BroadNet Inference کہاں فٹ ہوتا ہے

ریزننگ ماڈل جواب دینے سے پہلے سوچتا ہے، اور زیادہ تر OpenAI-compatible APIs پر دونوں ایک ہی بجٹ سے نکلتے ہیں: `max_tokens`۔ اسے ویسے سیٹ کریں جیسے بغیر ریزننگ والے ماڈل کے لیے کرتے، یعنی مختصر جواب کے لیے چند سو ٹوکن، تو کچھ جواب `finish_reason: "length"` کے ساتھ خالی لوٹتے ہیں۔ فوری حل [ریزننگ ماڈل خالی جواب کیوں دیتا ہے](https://broadrouter.com/ur/guides/reasoning-tokens-empty-response/) میں ہے۔ یہ پوسٹ اس بجٹ کے پیچھے کا طریقہ ہے جس پر آپ بھروسہ کر سکیں: ناپیں، percentiles سے سائز طے کریں، کانٹیکسٹ ونڈو کا خیال رکھیں، اور پھر بھی کٹنے والے جوابوں کو سنبھالیں۔

ریزننگ کی لاگت اور اسے کم کرنے کے لیے دیکھیں [ریزننگ ٹوکنز: جتنا نظر آتا ہے اس سے زیادہ آؤٹ پٹ کی ادائیگی کیوں](https://broadrouter.com/ur/blog/reasoning-tokens-cost/)۔

## جواب سے پہلے بجٹ ختم کیوں ہو جاتا ہے؟

ماڈل ترتیب سے متن بناتا ہے: پہلے اپنی ریزننگ، پھر نظر آنے والا جواب۔ دونوں کا ہر ٹوکن `max_tokens` میں گنا جاتا ہے۔ BroadNet کی دستاویزات DeepSeek V4.1 Flash، GLM 5.3 اور Qwen3.8 27B کے لیے یہی کہتی ہیں: “the reasoning counts toward max\_tokens” (ترجمہ: ریزننگ max\_tokens میں گنی جاتی ہے)، اور چھوٹی حد پر “the answer comes back empty” (ترجمہ: جواب خالی لوٹتا ہے)۔ OpenAI کا Chat Completions ریفرنس `max_completion_tokens` کو اسی طرح بیان کرتا ہے، ایک بالائی حد کے طور پر “including visible output tokens and reasoning tokens” (ترجمہ: نظر آنے والے آؤٹ پٹ ٹوکنز اور ریزننگ ٹوکنز سمیت)۔

اس لیے پوچھنے والا سوال “میرا جواب کتنا لمبا ہے؟” نہیں ہے۔ سوال یہ ہے: “اس ٹاسک پر، اس effort پر، ریزننگ اور جواب مل کر کتنے لمبے ہیں؟” یہ لوگوں کی توقع سے زیادہ بدلتا ہے۔ OpenAI کی گائیڈ کہتی ہے کہ مسئلے کے لحاظ سے اس کے ماڈلز “anywhere from a few hundred to tens of thousands of reasoning tokens” (ترجمہ: چند سو سے لے کر دسیوں ہزار تک ریزننگ ٹوکنز) بنا سکتے ہیں۔

## کیا بڑا max\_tokens زیادہ مہنگا پڑتا ہے؟

نہیں۔ بجٹ بہت تنگ رکھنے کی یہی سب سے عام وجہ ہے۔ [`max_tokens`](https://broadrouter.com/ur/glossary/max-tokens/) ایک حد ہے۔ بل اصل میں بنے ٹوکنز کا بنتا ہے۔ جس جواب کو 1,800 ٹوکن چاہییں، اس کی لاگت 4,000 کی حد پر بھی اتنی ہی ہے اور 40,000 پر بھی۔

تنگ حد کا خرچ یہ ہے:

| حد بمقابلہ ضرورت | آپ کیا ادا کرتے ہیں | آپ کو کیا ملتا ہے |
| --- | --- | --- |
| حد ضرورت سے اوپر | بنے ہوئے ٹوکنز | جواب |
| حد ضرورت سے نیچے | پوری حد، ساری ریزننگ میں | کچھ بھی کام کا نہیں، اوپر سے ایک retry |

ایک مثال لیں۔ فرض کریں آپ کی ایک چوتھائی کالز کو 1,000 سے زیادہ ٹوکن چاہییں۔ `max_tokens=1000` پر ایسی ہر کال 1,000 آؤٹ پٹ ٹوکنز کی سوچ کا بل بناتی ہے، کچھ نہیں لوٹاتی اور دوبارہ بھیجی جاتی ہے۔ اس سے تمام کالز پر اوسطاً فی کال 250 ضائع آؤٹ پٹ ٹوکن جڑتے ہیں، retries کے اپنے خرچ سے پہلے، اور اوپر سے دوسری درخواست کی تاخیر۔ 4,000 کی حد پر کچھ ضائع نہیں ہوتا۔ [Qwen3.8 27B](https://broadrouter.com/ur/models/qwen3.8-27b/) پر آؤٹ پٹ کی لاگت $2.17 فی 1M ٹوکن ہے، اس لیے بڑی مقدار میں یہ ضیاع جمع ہوتا جاتا ہے۔

اونچی حد کا اصل خطرہ بے قابو جواب ہے: ایسا ماڈل جو لوپ میں پھنس جائے یا ضرورت سے کہیں زیادہ سوچے اور کہیں زیادہ ٹوکن بنائے۔ ایک پکی حد اسے باندھ دیتی ہے۔ وہ حد ڈیٹا سے چنیں، جیسا نیچے بتایا گیا ہے۔

## کسی ٹاسک کو کتنا چاہیے، یہ کیسے ناپیں؟

ایک ٹاسک ٹائپ کے حقیقی پرامپٹس اونچی حد کے ساتھ چلائیں، اور completion ٹوکنز اور ریزننگ کا حصہ درج کریں۔ جب ماڈل اسے رپورٹ کرتا ہے تو `usage.completion_tokens_details.reasoning_tokens` ریزننگ والا حصہ دیتا ہے؛ BroadNet کی دستاویزات یہ فیلڈ درج کرتی ہیں۔

```python
import os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
MODEL = "broadnet/qwen3.8-27b"

def measure(prompts, ceiling=16_000, **kw):
    """Run real prompts with a generous ceiling and return per-call token counts."""
    rows = []
    for p in prompts:
        r = client.chat.completions.create(model=MODEL, max_tokens=ceiling,
                                           messages=[{"role": "user", "content": p}], **kw)
        u, d = r.usage, r.usage.completion_tokens_details
        reasoning = (d.reasoning_tokens or 0) if d else 0
        rows.append({"reasoning": reasoning, "answer": u.completion_tokens - reasoning,
                     "finish": r.choices[0].finish_reason})
    return rows

def pct(values, q):
    values = sorted(values)
    return values[min(len(values) - 1, int(q * len(values)))]

def recommend(rows, margin=1.2):
    total = [r["reasoning"] + r["answer"] for r in rows]
    return {"p50": pct(total, 0.5), "p95": pct(total, 0.95), "max": max(total),
            "max_tokens": int(pct(total, 0.95) * margin),
            "cut_off": sum(r["finish"] == "length" for r in rows)}

# print(recommend(measure(my_prompts)))                       # default effort
# print(recommend(measure(my_prompts, reasoning_effort="low")))
```

قابلِ بھروسہ نمبر کے اصول:

1.  **ہر رن میں ایک ٹاسک ٹائپ۔** classification، extraction، code review اور planning کی تقسیم (distribution) بہت مختلف ہوتی ہے۔ ایک global `max_tokens` یا تو retries پر پیسہ ضائع کرتا ہے یا بے قابو جوابوں کو نکل جانے دیتا ہے۔
2.  **50 یا زیادہ حقیقی پرامپٹس۔** دس سیمپلز کا 95واں percentile بس سب سے بڑا سیمپل ہوتا ہے۔
3.  **ہر اس effort پر چلائیں جو آپ استعمال کرتے ہیں۔** `reasoning_effort="low"` تقسیم بدل دیتا ہے۔ BroadNet `low` دستاویز کرتا ہے؛ دوسری قدروں پر بھروسہ کرنے سے پہلے انہیں ٹیسٹ کریں۔
4.  **اگر `cut_off` صفر نہیں تو حد بڑھا کر پھر چلائیں۔** کٹا ہوا سیمپل اپنی اصل لمبائی چھپا لیتا ہے۔
5.  **ماڈل یا پرامپٹ بدلنے پر پھر چلائیں۔** نیا ماڈل ورژن کم یا زیادہ سوچ سکتا ہے۔

پھر `recommend()` سے ہر ٹاسک کا `max_tokens` طے کریں۔ 95واں percentile اور 20% زیادہ تر کالز کو حد سے کافی نیچے رکھتا ہے اور صرف کبھی کبھار آنے والی لمبی کال کو نیچے دیے گئے retry راستے پر بھیجتا ہے۔ مفت [ریزننگ ٹوکن بجٹ ٹول](https://broadrouter.com/tools/reasoning-token-budget/) آپ کے نمبر ملنے کے بعد یہ حساب آپ کے براؤزر میں کر دیتا ہے۔

## کانٹیکسٹ ونڈو بجٹ کو کیسے محدود کرتی ہے؟

کانٹیکسٹ ونڈو میں پرامپٹ اور جواب، دونوں ساتھ آتے ہیں۔ BroadNet کی قیمتوں کی فیڈ `context_length` کو “the most tokens one request can hold, prompt and answer together” (ترجمہ: ایک درخواست میں زیادہ سے زیادہ جتنے ٹوکن آ سکتے ہیں، پرامپٹ اور جواب ملا کر) بتاتی ہے۔ اس لیے:

**max\_tokens ≤ context length − prompt tokens**

| ماڈل | کانٹیکسٹ | 200,000 ٹوکن کے پرامپٹ کے ساتھ max\_tokens کی گنجائش |
| --- | --- | --- |
| [GLM 5.3](https://broadrouter.com/ur/models/glm-5.3/) | 1,048,576 | 848,576 |
| [DeepSeek V4.1 Flash](https://broadrouter.com/ur/models/deepseek-v4.1-flash/) | 1,048,576 | 848,576 |
| Qwen3.8 27B | 262,144 | 62,144 |

لمبے کانٹیکسٹ والے کام میں یہ اہم ہے۔ جس ایجنٹ کی ہسٹری Qwen3.8 27B پر 250,000 ٹوکن تک پہنچ گئی ہے، اس کے پاس سوچ اور جواب کے لیے صرف تقریباً 12,000 ٹوکن بچے ہیں۔ لمبے کانٹیکسٹ والے ٹاسکس کو عموماً زیادہ ریزننگ بھی چاہیے، اس لیے بچی ہوئی گنجائش کال کے وقت جانچیں، صرف شروع میں ایک بار نہیں۔ [کانٹیکسٹ ونڈو](https://broadrouter.com/ur/glossary/context-window/) اور [کانٹیکسٹ ونڈو کیلکولیٹر](https://broadrouter.com/tools/context-window-calculator/) یہ حساب سمجھاتے ہیں۔

## اگر جواب پھر بھی کٹ جائے تو کیا کریں؟

ہر کال پر `finish_reason` جانچیں۔ اگر وہ `length` ہے تو جواب غائب یا نامکمل ہے، چاہے `content` میں کچھ متن ہو۔ اسے مکمل سمجھ کر parse نہ کریں؛ کٹا ہوا JSON آبجیکٹ آگے کے ایررز کی عام وجہ ہے ([structured output](https://broadrouter.com/ur/blog/structured-output-json-schema/))۔

کانٹیکسٹ جتنی گنجائش دے، اس کے اندر، ایک پکی حد تک، دگنے بجٹ سے دوبارہ کوشش کریں:

```python
import json, urllib.request

FEED = json.load(urllib.request.urlopen("https://inference.broadnet.ai/pricing.json"))
CONTEXT = {m["id"]: m.get("context_length") for m in FEED["models"]}

def ask(model, messages, budget=4_000, hard_cap=32_000, **kw):
    """Retry a cut-off reply with a doubled budget, never past the cap or the context window."""
    while True:
        r = client.chat.completions.create(model=model, messages=messages,
                                           max_tokens=budget, **kw)
        if r.choices[0].finish_reason != "length":
            return r
        room = CONTEXT[model] - r.usage.prompt_tokens        # context holds prompt + answer
        nxt = min(budget * 2, hard_cap, room)
        if nxt <= budget:
            raise RuntimeError(f"still cut off at max_tokens={budget}")
        print(f"cut off at {budget}, retrying with {nxt}")
        budget = nxt
```

ٹاسک کے لحاظ سے، دگنا کرنے کے دو متبادل:

-   **اسی بجٹ کے ساتھ `reasoning_effort="low"` پر retry کریں۔** آسان ٹاسکس پر ماڈل اکثر ضرورت سے زیادہ سوچتا ہے، اور کم effort بڑی حد کے بغیر اسے ٹھیک کر دیتا ہے۔
-   **ٹاسک کو تقسیم کریں۔** اگر کوئی جواب بار بار اونچی حد سے ٹکراتا ہے تو عموماً درخواست ایک ساتھ بہت زیادہ مانگ رہی ہوتی ہے۔

ہر کٹے ہوئے جواب کو ٹاسک ٹائپ کے ساتھ لاگ کریں۔ بڑھتی شرح کا مطلب ہے کہ پرامپٹ، ماڈل یا ان پٹ ڈیٹا بدل گیا ہے، اور بجٹ پھر سے ناپنا ہوگا۔ retries نئی inferences ہیں اور ان کا بل پھر بنتا ہے، اس لیے کوششوں کی تعداد محدود رکھیں، جیسا [لمبے چلنے والے ایجنٹس: timeouts اور retries](https://broadrouter.com/ur/blog/long-running-agents-timeouts-retries/) میں ہے۔

## اسٹریمنگ سے تصویر کیسے بدلتی ہے؟

`stream=True` کے ساتھ ریزننگ پہلے نظر آنے والے ٹوکن سے پہلے ہوتی ہے، اس لیے شروع میں ریزننگ ماڈل اٹکا ہوا لگ سکتا ہے۔ چیٹ UI میں content آنے تک “thinking” والی حالت دکھائیں، اور کلائنٹ کے timeouts سوچنے کے وقت کے حساب سے رکھیں، صرف جواب کے حساب سے نہیں۔

کچھ سرور ریزننگ کا متن بھی ایک الگ فیلڈ میں اسٹریم کرتے ہیں۔ اس کا نام معیاری نہیں: DeepSeek کا اپنا API، `reasoning_content` استعمال کرتا ہے، اور vLLM نے اپنی فیلڈ کا نام `reasoning_content` سے بدل کر `reasoning` کر دیا، یہ خبردار کرتے ہوئے کہ پرانا کلائنٹ کوڈ “could silently read an empty” (ترجمہ: خاموشی سے ایک خالی) فیلڈ پڑھ سکتا ہے۔ BroadNet کی دستاویزات کسی ریزننگ متن والی فیلڈ کو دستاویز نہیں کرتیں، اس لیے اپنے ماڈل کا خام جواب جانچے بغیر ایسی فیلڈ پر فیچرز نہ بنائیں۔ اگر پڑھیں تو احتیاط سے پڑھیں:

```python
for chunk in stream:
    if chunk.choices:
        delta = chunk.choices[0].delta
        thinking = getattr(delta, "reasoning", None) or getattr(delta, "reasoning_content", None)
        # log or display `thinking` only if your provider actually sends it
        if delta.content:
            print(delta.content, end="")
    elif chunk.usage:                                  # last chunk, with include_usage
        print("\nreasoning tokens:", getattr(chunk.usage.completion_tokens_details, "reasoning_tokens", None))
```

آخری chunk میں usage کے لیے `stream_options={"include_usage": True}` چاہیے، جسے BroadNet دستاویز کرتا ہے۔ اسٹریمز کے بارے میں مزید [اسٹریمنگ گائیڈ](https://broadrouter.com/ur/guides/streaming-chat-completions/) اور [SSE کی وضاحت](https://broadrouter.com/ur/blog/llm-streaming-sse-explained/) میں ہے۔

## کون سا پیرامیٹر نام بھیجیں؟

| API | پیرامیٹر | ریزننگ شامل |
| --- | --- | --- |
| OpenAI Chat Completions | `max_completion_tokens` (`max_tokens` متروک) | ہاں |
| OpenAI Responses | `max_output_tokens` | ہاں |
| BroadNet Inference (Chat Completions) | `max_tokens`، جیسا دستاویز کیا گیا ہے | ہاں |
| vLLM سرورز | `max_tokens`، ساتھ میں اختیاری `thinking_token_budget` | ہاں |

فراہم کنندہ بدلتے وقت کوڈ میں وہی نام بھیجیں جو فراہم کنندہ دستاویز کرتا ہے، اور ایک ٹیسٹ کال سے یقینی بنائیں کہ حد نافذ ہوتی ہے۔ خاموشی سے نظر انداز کی گئی حد تب تک ٹھیک لگتی ہے جب تک کوئی بے قابو جواب نہیں آتا۔ بدلنے والے باقی پیرامیٹرز [مائیگریشن چیک لسٹ](https://broadrouter.com/ur/blog/openai-compatible-api-migration-checklist/) میں ہیں۔

## BroadNet Inference کہاں فٹ ہوتا ہے

BroadNet کے تینوں ریزننگ ماڈلز، جب ماڈل فراہم کرتا ہے، `usage` میں ریزننگ ٹوکنز رپورٹ کرتے ہیں، اس لیے اوپر والا ناپ جیسا لکھا ہے ویسا ہی کام کرتا ہے۔ DeepSeek V4.1 Flash اور GLM 5.3 سب سے زیادہ گنجائش دیتے ہیں، 1,048,576 ٹوکن کے کانٹیکسٹ کے ساتھ۔ Qwen3.8 27B میں 262,144 ہے۔ اگر کسی ٹاسک کے لیے ریزننگ نہیں چاہیے تو [Gemma 4 VL 26B](https://broadrouter.com/ur/models/gemma-4-vl-26b/) ریزننگ ماڈل کے طور پر درج نہیں، اور بجٹ کا سوال ہی نہیں اٹھتا۔ مقررہ قیمت والے [DeepSeek V4.1 Flash پلان](https://broadrouter.com/ur/guides/unlimited-llm-api-sessions/) پر سوچ والے ٹوکنز کی فی ٹوکن فیس نہیں لگتی، مگر کٹے ہوئے جواب پھر بھی وقت لیتے ہیں، اس لیے وہی بجٹنگ لاگو ہوتی ہے۔ BroadNet الگ ریزننگ حد دستاویز نہیں کرتا؛ اگر آپ کو چاہیے تو ایسا فراہم کنندہ یا self-hosted سرور استعمال کریں جو یہ دیتا ہو۔

اس موضوع کے مفت ٹولز (انگریزی میں)

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

[مفت ٹولز (انگریزی میں)](https://broadrouter.com/tools/)

## اس مضمون کی اصطلاحات

[ٹوکن (token)](https://broadrouter.com/ur/glossary/token/)

ٹوکن متن کی وہ اکائی ہے جسے لینگویج ماڈل پڑھتا اور لکھتا ہے: کوئی لفظ، لفظ کا حصہ، رموزِ اوقاف کی کوئی علامت یا بائٹس کا سلسلہ، جو ماڈل کا ٹوکنائزر بناتا ہے۔ LLM API استعمال کو ٹوکنز میں گنتے ہیں، انہی میں حدیں لگاتے ہیں اور عموماً بل بھی بناتے ہیں۔

[کانٹیکسٹ ونڈو (context window)](https://broadrouter.com/ur/glossary/context-window/)

کانٹیکسٹ ونڈو ٹوکنز کی وہ زیادہ سے زیادہ تعداد ہے جس کے ساتھ لینگویج ماڈل ایک درخواست میں کام کر سکتا ہے۔ اس میں پرامپٹ، گفتگو کی تاریخ، ٹول ڈیفینیشنز، تصاویر اور بننے والا آؤٹ پٹ، ریزننگ ٹوکنز سمیت، سب شامل ہیں۔ جو اس میں نہ سمائے اسے کاٹنا، خلاصہ کرنا یا کئی درخواستوں میں بانٹنا پڑتا ہے۔

[ریزننگ ٹوکن (reasoning tokens)](https://broadrouter.com/ur/glossary/reasoning-tokens/)

ریزننگ ٹوکن وہ ٹوکن ہیں جو ریزننگ ماڈل اپنا نظر آنے والا جواب لکھنے سے پہلے مسئلہ حل کرنے کے لیے بناتا ہے۔ ان کا بل عموماً آؤٹ پٹ ٹوکنز کی طرح بنتا ہے، یہ آؤٹ پٹ کی حد اور کانٹیکسٹ ونڈو میں شمار ہوتے ہیں، اور API انہیں چھپا سکتا ہے یا ان کا خلاصہ دے سکتا ہے۔

[max\_tokens (آؤٹ پٹ ٹوکن کی حد)](https://broadrouter.com/ur/glossary/max-tokens/)

max\_tokens ایک LLM API پیرامیٹر ہے جو طے کرتا ہے کہ ماڈل ایک جواب میں زیادہ سے زیادہ کتنے ٹوکن بنا سکتا ہے۔ حد پر پہنچتے ہی جنریشن رک جاتی ہے اور جواب کو کٹا ہوا قرار دیا جاتا ہے، مثلاً finish\_reason کو "length" پر سیٹ کر کے۔

[ان پٹ اور آؤٹ پٹ ٹوکن (input and output tokens)](https://broadrouter.com/ur/glossary/input-and-output-tokens/)

ان پٹ ٹوکن وہ ٹوکن ہیں جو لینگویج ماڈل کسی درخواست میں پڑھتا ہے، جن میں سسٹم پرامپٹ، گفتگو کی تاریخ، ٹول ڈیفینیشنز اور تصاویر شامل ہیں۔ آؤٹ پٹ ٹوکن وہ ہیں جو وہ جواب میں بناتا ہے، ریزننگ سمیت۔ LLM API عموماً دونوں کی قیمت الگ رکھتے ہیں، اور آؤٹ پٹ عموماً مہنگا ہوتا ہے۔

[Chat Completions API](https://broadrouter.com/ur/glossary/chat-completions-api/)

Chat Completions API، OpenAI کا HTTP اینڈپوائنٹ POST /v1/chat/completions ہے، جو ایک ماڈل کا نام اور رول والے پیغامات کی فہرست لیتا ہے اور ماڈل کا اگلا پیغام لوٹاتا ہے۔ اس کی درخواست اور جواب کی ساخت وہ عام فارمیٹ بن گئی جسے OpenAI-compatible فراہم کنندگان اور SDKs اپناتے ہیں۔

[اسٹرکچرڈ آؤٹ پٹ (structured output)](https://broadrouter.com/ur/glossary/structured-output/)

اسٹرکچرڈ آؤٹ پٹ LLM API کا ایک فیچر ہے جو ماڈل کے جواب کو ڈویلپر کے طے کردہ فارمیٹ، عموماً JSON Schema، تک محدود کرتا ہے، تاکہ کوڈ اسے قابلِ اعتماد طریقے سے پارس کر سکے۔ یہ JSON mode سے زیادہ سخت ہے، جو درست JSON کی ضمانت دیتا ہے، لیکن کسی خاص ساخت کی نہیں۔

[اسٹریمنگ (streaming)](https://broadrouter.com/ur/glossary/streaming/)

اسٹریمنگ، لینگویج ماڈل کے جواب کو آخر میں ایک ساتھ لوٹانے کے بجائے، بنتے وقت ہی چھوٹے چھوٹے ٹکڑوں (chunks) میں لوٹانے کا طریقہ ہے۔ OpenAI-compatible APIs، درخواست میں stream کو true سیٹ کرنے پر server-sent events کے ذریعے اسٹریم کرتے ہیں۔

## عام سوالات

### میرا ریزننگ ماڈل خالی جواب کیوں دیتا ہے؟

ماڈل نے جواب لکھنے سے پہلے پورا max\_tokens بجٹ چھپی ہوئی ریزننگ پر خرچ کر دیا۔ تب finish\_reason کی قدر "length" ہوتی ہے۔ max\_tokens بڑھائیں، reasoning\_effort کم کریں، یا دونوں کریں۔ فوری حل والی ایک مختصر گائیڈ کا لنک اس پوسٹ میں ہے۔

### ریزننگ ماڈل کے لیے max\_tokens کتنا رکھوں؟

پہلے ناپیں۔ 50 یا زیادہ حقیقی پرامپٹس اونچی حد کے ساتھ چلائیں، اس ٹاسک کے completion\_tokens کا 95واں percentile لیں اور تقریباً 20% جوڑیں۔ BroadNet کی دستاویزات کم از کم 1,000 یا زیادہ ٹوکن بتاتی ہیں؛ OpenAI اپنے ماڈلز پر شروع میں 25,000 مخصوص کرنے کا مشورہ دیتا ہے۔

### کیا زیادہ max\_tokens رکھنے سے خرچ بڑھتا ہے؟

خود بخود نہیں۔ بل ماڈل کے بنائے ٹوکنز کا بنتا ہے، حد کا نہیں۔ اونچی حد تبھی زیادہ خرچ کرتی ہے جب جواب ورنہ کٹ جاتا، اور تب کٹے ہوئے جواب پر ویسے بھی retry کا خرچ لگتا۔

### کیا max\_completion\_tokens اور max\_tokens ایک ہی ہیں؟

OpenAI پر max\_completion\_tokens متروک max\_tokens کی جگہ لیتا ہے اور واضح طور پر ریزننگ ٹوکن شامل کرتا ہے۔ کئی OpenAI-compatible فراہم کنندگان اس کے بجائے max\_tokens دستاویز کرتے ہیں۔ BroadNet کی دستاویزات max\_tokens استعمال کرتی ہیں اور کہتی ہیں کہ ریزننگ اس میں گنی جاتی ہے۔

### کیا ریزننگ کو جواب سے الگ محدود کیا جا سکتا ہے؟

صرف وہاں جہاں سرور اسے سپورٹ کرتا ہو۔ vLLM میں thinking\_token\_budget پیرامیٹر ہے، اور کچھ فراہم کنندگان کے اپنے پیرامیٹرز ہیں۔ BroadNet، low پر سیٹ reasoning\_effort دستاویز کرتا ہے، الگ ریزننگ حد نہیں، اس لیے دونوں کا بجٹ ساتھ طے کریں۔

## مزید پڑھیں

-   [ریزننگ ٹوکنز: نظر آنے سے زیادہ آؤٹ پٹ کی ادائیگی کیوں ہوتی ہے](https://broadrouter.com/ur/blog/reasoning-tokens-cost/)
-   [LLM اسٹریمنگ کی وضاحت: SSE چنکس، ڈیلٹا، usage اور منسوخی](https://broadrouter.com/ur/blog/llm-streaming-sse-explained/)
-   [JSON mode بمقابلہ json\_schema: قابل اعتماد اسٹرکچرڈ آؤٹ پٹ](https://broadrouter.com/ur/blog/structured-output-json-schema/)
-   [لمبے چلنے والے ایجنٹس: پائیدار timeouts، retries اور checkpoints](https://broadrouter.com/ur/blog/long-running-agents-timeouts-retries/)
-   [OpenAI-compatible API پر منتقلی: مکمل چیک لسٹ](https://broadrouter.com/ur/blog/openai-compatible-api-migration-checklist/)
-   [BroadNet کا GPU ہارڈویئر اور سروِنگ کا طریقہ، BroadNet کی زبانی](https://broadrouter.com/ur/blog/broadnet-gpu-fleet-and-serving/)
-   [LLM API جوابات کیش کر کے لاگت کم کریں: Python میں ایگزیکٹ میچ کیش](https://broadrouter.com/ur/blog/cache-llm-responses-cut-cost/)
-   [گائیڈ: ریزننگ ماڈل خالی جواب کیوں لوٹاتا ہے](https://broadrouter.com/ur/guides/reasoning-tokens-empty-response/)
-   [گائیڈ: chat completions اسٹریم کریں اور ٹوٹے کنکشن سنبھالیں](https://broadrouter.com/ur/guides/streaming-chat-completions/)
-   [گائیڈ: BroadNet Inference کے ساتھ OpenAI Python SDK استعمال کریں](https://broadrouter.com/ur/guides/openai-python-sdk/)

اسے اپنے اصل کام پر آزمائیں۔ نئے اکاؤنٹس Gemma اور ٹرانسکرپشن کے لیے US$5 کے کریڈٹ سے شروع ہوتے ہیں۔ DeepSeek، GLM، اور Qwen3.8 کے لیے ٹاپ اپ ضروری ہے۔

[شروع کریں](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-reasoning-model-max-tokens-budget&utm_content=page-cta) ·

**ذرائع**

-   [BroadNet Inference API ریفرنس: ریزننگ max\_tokens میں گنی جاتی ہے، 1,000 یا زیادہ ٹوکن، reasoning\_effort low، usage فیلڈز (جانچا گیا 2026-11-15) (انگریزی میں)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-reasoning-model-max-tokens-budget&utm_content=sources)
-   [BroadNet pricing.json فیلڈ ریفرنس: context\_length میں پرامپٹ اور جواب دونوں آتے ہیں (جانچا گیا 2026-11-15) (انگریزی میں)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-reasoning-model-max-tokens-budget&utm_content=sources#pricing-json)
-   [OpenAI reasoning گائیڈ: نامکمل جوابات، شروع میں کم از کم 25,000 ٹوکن مخصوص کریں (جانچا گیا 2026-11-15)](https://developers.openai.com/api/docs/guides/reasoning)
-   [OpenAI Chat Completions ریفرنس: max\_completion\_tokens میں ریزننگ ٹوکن شامل ہیں؛ max\_tokens متروک (deprecated) (جانچا گیا 2026-11-15)](https://developers.openai.com/api/reference/resources/chat/subresources/completions/methods/create)
-   [DeepSeek API دستاویزات، thinking mode: reasoning\_content فیلڈ، effort لیولز (جانچا گیا 2026-11-15)](https://api-docs.deepseek.com/guides/thinking_mode)
-   [vLLM دستاویزات، reasoning outputs: reasoning فیلڈ (پہلے reasoning\_content)، thinking\_token\_budget (جانچا گیا 2026-11-15)](https://docs.vllm.ai/en/latest/features/reasoning_outputs.html)
