Claude Opus 4.7 API लागत: लंबे दस्तावेज़, लंबी चैट और बैच टास्क का बजट

Prompt caching इस्तेमाल करने पर reusable context को अलग गिनना होगा: पहली बार 5-मिनट cache में लिखे गए tokens $6.25/MTok, 1-घंटा cache में लिखे गए tokens $10/MTok और बाद के cache hit / refresh $0.50/MTok पर गिने जाते हैं। नया सवाल या नया message, जो cache में नहीं है, सामान्य input rate पर ही charge होता है; model का जवाब output rate पर ही charge होता है।

एक बार का लंबा document: input + output से सीधा हिसाब

अगर कोई document सिर्फ एक बार analyze करना है और बाद में follow-up नहीं होने वाला, तो budget आसान है: document, system prompt और user question input tokens में आएंगे; model का answer output tokens में। नीचे के examples Claude API की सार्वजनिक pricing से निकाले गए हैं।

उदाहरण के लिए 300k input और 8k output:

अगर आप किसी पुराने model से Opus 4.7 पर migrate कर रहे हैं, तो पुराने token estimate को जस का तस न मानें। Anthropic की pricing documentation में बताया गया है कि Opus 4.7 नया tokenizer इस्तेमाल करता है, जिससे fixed text के tokens की संख्या अधिकतम 35% तक बढ़ सकती है।

इसलिए अगर पुराना estimate 300k input था, तो conservative हिसाब में इसे 405k input मानना समझदारी होगी। 8k output के साथ:

वही लंबा document, कई follow-up: cache असली फर्क बनता है

Long-document apps में लागत अक्सर output से नहीं, बल्कि हर round में पूरे document को फिर से input की तरह भेजने से बढ़ती है। अगर user उसी document पर कई सवाल पूछेगा, तो prompt caching को budget model में पहले से शामिल करें।

मान लें:

• Document: 300k tokens
• हर नया सवाल: 2k tokens
• हर जवाब: 2k output tokens
• 5-मिनट prompt cache इस्तेमाल हो रहा है

इस example में पहली बार cache बनाना, बिना cache वाली single request से महंगा है। लेकिन जैसे ही वही document दूसरी बार use होता है, total cost कम हो जाती है:

इसलिए long-document Q&A में सबसे जरूरी metric है cache hit rate: क्या वही document सच में दोबारा पूछा जा रहा है, क्या follow-up cache window के भीतर आ रहे हैं, और क्या हर round में बहुत सारा नया uncached content भी जोड़ा जा रहा है।

लंबी chat history: हर round में पूरा इतिहास न गिनने दें

Long conversation की cost logic भी लंबी file जैसी ही है। अगर आपकी app हर user turn पर 100k या 200k tokens की पुरानी chat history model को वापस भेजती है, तो input cost तेजी से जमा होगी। जो history stable और reusable है, उसके लिए prompt caching पर विचार करें।

मान लें:

• पुरानी बातचीत: 200k tokens
• हर round का नया message: 1k tokens
• हर round का output: 2k tokens

5-मिनट cache या 1-घंटा cache का चुनाव सिर्फ write price देखकर नहीं करना चाहिए। User behavior ज्यादा मायने रखता है:

• अगर users आम तौर पर 5 मिनट के भीतर लगातार follow-up पूछते हैं, तो 5-मिनट cache से शुरुआत की जा सकती है।
• अगर users अक्सर 5 मिनट से ज्यादा रुकते हैं, लेकिन 1 घंटे के भीतर लौटते हैं, तो 1-घंटा cache की पहली write महंगी होने के बावजूद overall बेहतर हो सकती है।
• अगर reply interval unpredictable है, तो पहले real traffic sample करें, cache hit rate मापें और फिर architecture बदलें।

Batch tasks: पहले synchronous public price से conservative budget बनाएं

Batch tasks आम तौर पर offline analysis, data labeling, bulk summarization या बड़े पैमाने की classification में आते हैं। लेकिन जब तक आपके account, contract या cloud endpoint पर लागू batch pricing पक्की न हो, official budget में कोई unverified discount न जोड़ें। Conservative तरीका है कि पहले synchronous API की सार्वजनिक दरों से estimate बनाएं और बाद में actual batch price से उसे revise करें।

Synchronous public-price formula वही रहेगा:

उदाहरण: 10,000 tasks, हर task में 2k input और 500 output।

यह $225 किसी batch discount को जोड़े बिना synchronous public-rate estimate है। अगर बाद में आपके लिए batch pricing या contract pricing confirm हो जाती है, तो इसी model में per-MTok rate बदल दें।

एक और बात: अगर आप Anthropic Claude API को direct call नहीं कर रहे, बल्कि किसी cloud platform या third-party model router से model access कर रहे हैं, तो invoice अलग हो सकता है। Third-party data site CloudPrice Opus 4.7 के लिए Anthropic / global type में $5 input और $25 output per MTok दिखाती है, और कुछ AWS Bedrock regional codes के लिए $5.50 input और $27.50 output per MTok भी दिखाती है। ऐसी जानकारी warning check के लिए उपयोगी है, लेकिन खरीद या production budget के लिए अपने platform billing page, contract और official docs को ही final मानें।

Practical buffer: spreadsheet की theoretical cost से आगे सोचें

अगर आपके पास अभी real token distribution नहीं है, तो purely theoretical estimate अक्सर कम निकलता है। कम से कम तीन risk factors जोड़ें:

1. Tokenizer migration risk: Opus 4.7 का नया tokenizer fixed text की token count को अधिकतम 35% तक बढ़ा सकता है।
2. Cache hit rate uncertainty: caching तभी लागत घटाती है जब वही context सच में दोबारा इस्तेमाल हो और cache window के भीतर रहे।
3. Actual usage behavior: users लंबा output मांग सकते हैं, retry कर सकते हैं, बड़ी files upload कर सकते हैं या conversation history आपकी assumption से ज्यादा बढ़ा सकते हैं।

Budget planning के लिए ये non-official safety multipliers उपयोगी हो सकते हैं:

ये multipliers Anthropic की official pricing नहीं हैं; ये budget management के लिए conservative thumb rules हैं। Production के बाद token logs, cache hit rate और invoice data से model को लगातार update करें।

जल्दी budget बनाने का template

अगर caching नहीं है:

अगर caching है, तो इसे अलग-अलग buckets में तोड़ें:

Implementation से पहले कम से कम ये variables भरें:

Bottom line

एक बार के लंबे document analysis के लिए $5/MTok input और $25/MTok output का सीधा formula काफी है।

वही document अगर बार-बार पूछा जाएगा, या लंबी बातचीत में हर round में बड़ी history जाएगी, तो prompt caching का हिसाब पहले करें। 300k document, 2k question और 2k output वाले example में 5-मिनट cache hit की दूसरी round करीब $0.21 है, जबकि हर बार पूरा document भेजना करीब $1.56 बैठता है।

Batch workload में, जब तक real batch pricing, cloud-platform rate या contract price confirm न हो, synchronous API public price से conservative budget बनाएं। और अगर पुराने model से Opus 4.7 पर migrate कर रहे हैं, तो input estimate पर 1.35 तक tokenizer buffer और उसके ऊपर operating buffer जोड़ना, सिर्फ sticker price देखने से ज्यादा यथार्थवादी होगा।