Ollama API मूल्य निर्धारण: स्थानीय लागत बनाम टोकन प्रति भुगतान

"Ollama API मूल्य निर्धारण" का वास्तविक अर्थ

जब लोग ollama api pricing एक सर्च बॉक्स में टाइप करते हैं, तो वे अक्सर एक रेट कार्ड ढूंढ रहे होते हैं, और लोकल सॉफ़्टवेयर के साथ ऐसा कोई नहीं होता। Ollama एक प्रोग्राम है जिसे आप इंस्टॉल करते हैं जो ओपन-वेट मॉडल को आपके कंप्यूटर पर चलाता है और उन्हें एक लोकल HTTP API के ज़रिए सर्व करता है। यह टोकन काउंट नहीं करता और न ही उनके लिए आपकी बिल भेजता है। Ollama की अपनी होस्टेड ऑप्शन भी होती हैं; उन के लिए, उनकी करंट प्राइसिंग पेज देखें, क्योंकि यह आर्टिकल उनके लिए नहीं है।

इसका मतलब यह नहीं है कि लोकल इनफ़रेंस फ्री है। लागत एक पर-टोकन फीस से उन चीज़ों में बदल जाती है जिनके लिए आप पहले से भुगतान कर रहे हैं या खरीदना पड़ता है: पर्याप्त मेमोरी वाला एक मशीन, बिजली, सेटअप और अपडेट के लिए आपका समय, और एक GPU का अवसर लागत जो व्यस्त है। उपयोगी सवाल यह नहीं है कि "कीमत क्या है" बल्कि "मेरे वॉल्यूम पर, कौन सी व्यवस्था कम खर्च करती है और पर्याप्त अच्छा काम करता है"। इस आर्टिकल का शेष भाग आपको होस्टेड साइड के लिए नंबर देता है ताकि आप इसका जवाब दे सकें।

अपने आप Ollama चलाने की लागत

खाते के स्थानीय पक्ष पर चार लाइनें हैं।

• हार्डवेयर। बड़े मॉडल को अधिक GPU मेमोरी या बहुत सारी सिस्टम RAM की ज़रूरत होती है। यदि आपके पास पहले से एक उपयुक्त मशीन है, तो यह लागत व्ययित हो चुकी है। यदि आपको एक खरीदना या किराए पर लेना पड़ता है, तो यह सबसे बड़ा आइटम है।
• बिजली। मशीन की खपत (किलोवाट में) को उपयोग के घंटों और आपकी बिजली की दर से गुणा करें। लोड के तहत एक डेस्कटॉप GPU एक निष्क्रिय GPU की तुलना में बहुत अधिक खपत करता है, इसलिए केवल व्यस्त घंटों की गणना करना उचित है।
• अप्रयुक्त क्षमता। एक सर्वर जो दिन के अधिकांश समय बेकार बैठा रहता है, उसे मौजूद रहना पड़ता है। प्रति-टोकन बिलिंग आपको केवल तब चार्ज करती है जब आप कॉल करते हैं।
• आपका समय। मॉडल खींचना, रनटाइम अपडेट करना, मेमोरी की निगरानी करना, क्रैश के बाद पुनः आरंभ करना।

सामान्य आंकड़े पर भरोसा करने के बजाय अपने खुद के आंकड़े मापें। एक सप्ताह के लिए लॉग करें कि आपका वॉल्यूम वास्तव में कितने टोकन का उपयोग करता है। वह एक ही मापन ही वह है जिसकी आपको होस्टेड विकल्प को सटीक रूप से प्राइस करने के लिए आवश्यकता होगी।

होस्टेड दरें और अंकगणित

इस साइट पर होस्टेड API दो मीटर पर बिल करता है। इनपुट टोकन (आपका प्रॉम्प्ट, जिसमें कोई भी चैट हिस्ट्री शामिल है जिसे आप फिर से भेजते हैं) की कीमत $0.15 प्रति 1M है। आउटपुट टोकन (कम्प्लीशन) की कीमत $0.50 प्रति 1M है। कोई सब्सक्रिप्शन नहीं है; आप क्रेडिट टॉप-अप करते हैं और यह हर अनुरोध पर काटा जाता है। फेल या रिफ्यूज किए गए अनुरोधों के लिए चार्ज नहीं किया जाता, और क्रेडिट कभी एक्सपायर नहीं होता।

सूत्र छोटा है:

cost = input_tokens x 0.15 / 1,000,000 + output_tokens x 0.50 / 1,000,000

यहाँ सामान्य कार्य प्रकार दिए गए हैं जिनके लिए गणना की गई है।

काम	इनपुट टोकन	आउटपुट टोकन	लागत
एक चैट उत्तर	2,000	500	$0.0003 + $0.00025 = $0.00055
1,000 ऐसे उत्तर	2,000,000	500,000	$0.30 + $0.25 = $0.55
एक लंबे दस्तावेज़ का सारांश	50,000	1,000	$0.0075 + $0.0005 = $0.008
पूरा कॉन्टेक्स्ट फ़िल करें	100,000	4,000	$0.015 + $0.002 = $0.017
10,000 अनुरोधों का बैच	8,000,000	3,000,000	$1.20 + $1.50 = $2.70

बैच पंक्ति हर अनुरोध के लिए 800 इनपुट और 300 आउटपुट टोकन मानती है। ध्यान दें कि आउटपुट प्रति टोकन महंगी इकाई है, लेकिन इनपुट आमतौर पर गिनती में हावी होता है, इसलिए लंबे प्रॉम्प्ट और लंबे चैट इतिहास में ही पैसे जाते हैं।

एक चैट जो टर्न-बाय-टर्न बढ़ती है

चैट APIs स्टेटलेस हैं, इसलिए हर टर्न पर पूरा इतिहास फिर से भेजा जाता है। इससे लागत टर्न्स की संख्या से तेज़ी से बढ़ती है। एक 20-टर्न की संवाद लें जहां हर उपयोगकर्ता संदेश 150 टोकन है और हर प्रतिक्रिया 250 टोकन है, तो हर टर्न इतिहास में 400 टोकन जोड़ता है।

1. टर्न 1, 150 इनपुट टोकन भेजता है। टर्न 2, 150 + 400 = 550 भेजता है। टर्न k, 150 + 400 x (k - 1) भेजता है।
2. 20 टर्न्स के दौरान इनपुट कुल 150 x 20 + 400 x (0 + 1 + ... + 19) = 3,000 + 400 x 190 = 79,000 टोकन है।
3. आउटपुट कुल 20 x 250 = 5,000 टोकन है।
4. लागत: 79,000 x 0.15 / 1M = $0.01185, प्लस 5,000 x 0.50 / 1M = $0.0025, कुल $0.01435।

एक लंबी संवाद के लिए लगभग एक सेंट और आधा। यदि आप संवाद को 40 चरण तक दोगुना करते हैं, तो इनपुट लगभग चार गुना हो जाता है, क्योंकि इतिहास बढ़ता रहता है। पुराने चरणों को छंटनी करना या सारांश तैयार करना चैट ऐप्स में लागत नियंत्रित करने का मुख्य तरीका है।

क्रेडिट, बोनस और ट्रायल

आप $20 से $500 तक किसी भी पूर्ण राशि से टॉप-अप करते हैं। बड़े टॉप-अप पर बोनस मिलता है: $50 से +5%, $100 से +10% और $200 से +15%। व्यावहारिक रूप से इसका मतलब है:

• $50 से $52.50 का क्रेडिट खरीदा जाता है।
• $100 से $110.00 का क्रेडिट खरीदा जाता है।
• $200 से $230.00 का क्रेडिट खरीदा जाता है।

भुगतान कार्ड (Visa, Mastercard, Apple Pay, Google Pay) या क्रिप्टो (TRC20 पर USDT, Base पर USDC) द्वारा किया जाता है। मूल्य निर्धारण पृष्ठ पर वर्तमान विवरण हैं।

नए यूज़र भुगतान करने से पहले टेस्ट कर सकते हैं। Google या ईमेल और पासवर्ड से साइन इन करने के बाद, API कुंजी पेज पर एक बटन होता है जो $0.50 का मुफ़्त ट्रायल क्रेडिट क्लेम करता है, एक व्यक्ति के लिए एक बार, 7 दिनों के लिए वैध, बिना कार्ड की ज़रूरत। ऊपर बताए गए 2,000-इन, 500-आउट रिप्लाई साइज़ पर, $0.50 लगभग 900 रिप्लाई कवर करता है, जो यह आंकने के लिए पर्याप्त है कि क्या आउटपुट आपके प्रोजेक्ट के लिए उपयुक्त है। एक ट्रायल API कुंजी 2 समानांतर अनुरोध और प्रति मिनट 60 अनुरोध तक सीमित है। आप अपनी API कुंजी प्राप्त कर सकते हैं कुछ ही मिनटों में।

अपने वॉल्यूम के लिए दोनों की तुलना

अपने लॉग किए गए टोकन गणना का उपयोग करें और एक महीने के लिए योग करें। मान लें कि एक प्रोजेक्ट प्रति महीने 50M इनपुट टोकन और 10M आउटपुट टोकन का उपयोग करता है। होस्टेड लागत: 50 x $0.15 = $7.50, प्लस 10 x $0.50 = $5.00, तो $12.50। अब अपने स्थानीय आंकड़े को इसके बगल में रखें: वह हार्डवेयर का मासिक हिस्सा जिसे आप अन्यथा स्वयं नहीं रखते, व्यस्त घंटों के लिए बिजली, और आपके मेंटेनेंस टाइम का मूल्य। यदि वह कुल $12.50 से स्पष्ट रूप से ऊपर है, तो होस्टिंग लागत पर जीतता है। यदि आपके पास पहले से ही आइडल हार्डवेयर है जो मॉडल को अच्छी तरह संभालता है, तो स्थानीय लागत पर जीतता है।

लागत एकमात्र अक्ष नहीं है। स्थानीय डेटा को आपके मशीन पर रखता है और ऑफ़लाइन काम करता है। होस्टेड GPU की ज़रूरत हटाता है, 100,000-टोकन कॉन्टेक्स्ट विंडो देता है, और एक बैकएंड पर कई सर्विसेज को शेयर करने की अनुमति देता है। होस्टेड मॉडल एक अकेला ओपन-वेट मॉडल है जिसे वैध वयस्क उपयोग के लिए बिना कंटेंट रिफ्यूज़ के जवाब देने के लिए ट्यून्ड किया गया है, इसलिए यह इस बात पर भी निर्भर करता है कि क्या वह मॉडल आपके टास्क के लिए फिट बैठता है। प्रॉम्प्ट को ट्रेनिंग के लिए उपयोग नहीं किया जाता।

एक ईमानदार सीमा: कोई मुफ़्त अनलिमिटेड टियर नहीं है। $0.50 के ट्रायल के बाद, आप प्रीपेड क्रेडिट से प्रति टोकन भुगतान करते हैं। यदि आपके कार्य को अनलिमिटेड मुफ़्त कॉल्स की आवश्यकता है और आपके पास हार्डवेयर है, तो लोकल Ollama सही टूल है।

तुलना को विकृत करने वाली गलतियाँ

जब लोग LLM कार्यभार की कीमत तय करते हैं, तो कुछ त्रुटियाँ बार-बार सामने आती हैं, और हर एक जवाब को उलट सकता है।

• आउटपुट टोकन भूल जाना। एक छोटा प्रॉम्प्ट जिसका लंबा जवाब है, मुख्य रूप से एक आउटपुट बिल है। 300 टोकन का प्रश्न जो 3,000 टोकन की कहानी उत्पन्न करता है, 300 x $0.15 / 1M + 3,000 x $0.50 / 1M = $0.000045 + $0.0015 = $0.001545 लागत वाला होता है।
• दोबारा भेजे गए इतिहास को अनदेखा करना। 20-टर्न उदाहरण से पता चलता है कि चैट लागत संचित संदर्भ के साथ बढ़ती है, न कि नवीनतम संदेश की लंबाई के साथ।
• शब्दों की गिनती टोकन की जगह लेना। अंग्रेज़ी पाठ में आमतौर पर शब्दों की तुलना में थोड़े अधिक टोकन लगते हैं, और कोड या गैर-लैटिन लिपियों में और भी अधिक। प्रत्येक प्रतिक्रिया के साथ लौटाए गए उपयोग के आंकड़ों को पढ़ें और उनका उपयोग करें, अनुमानित नहीं।
• स्थानीय हार्डवेयर की लागत शून्य मानना। एक GPU जो आपके पास पहले से है, वह अभी भी खराब होता है और बिजली खींचता है, भले ही आप इसके लिए चेक न लिखें।
• विभिन्न मॉडल की तुलना करना। एक छोटा स्थानीय मॉडल और एक बड़ा होस्टेड मॉडल समान गुणवत्ता नहीं देते। प्रति टोकन सस्ता होना अच्छे उत्तर के लिए सस्ता नहीं है यदि आपको कई बार पुनः प्रयास करने की आवश्यकता हो।

अंतिम बिंदु एक राय के बजाय एक परीक्षण का हकदार है। अपने प्रोजेक्ट से बीस वास्तविक प्रॉम्प्ट लें, उन्हें दोनों सेटअप पर चलाएं, और जवाबों का आकलन करें। फिर विजेता को अपने वास्तविक वॉल्यूम पर मूल्य निर्धारित करें।

खर्च पर नज़र रखना

होस्टेड API से प्रत्येक प्रतिक्रिया में आपके शेष क्रेडिट के साथ X-Balance-USD हेडर होता है, साथ ही सहायता प्रश्नों के लिए X-Request-Id। आप इसे कोड में पढ़ सकते हैं और बैलेंस खत्म होने से पहले स्वयं को सचेत कर सकते हैं।

Copyimport requests

r = requests.post(
    "https://api.ollamaapi.cc/v1/chat/completions",
    headers={"Authorization": "Bearer YOUR_API_KEY"},
    json={
        "model": "uncensored",
        "messages": [{"role": "user", "content": "Say hello."}],
        "max_tokens": 20,
    },
    timeout=60,
)
print(r.json()["choices"][0]["message"]["content"])
print("Balance:", r.headers.get("X-Balance-USD"))

max_tokens सेट करना वैकल्पिक है, क्योंकि पूर्णता विंडो के शेष हिस्से का उपयोग कर सकती है, लेकिन यह अनावश्यक आउटपुट के लिए एक सस्ता बचाव है। docs अन्य हेडर और रेट लिमिट्स को कवर करते हैं।

अधिक गाइड

• Python में Ollama API, और एक होस्टेड विकल्प
• Ollama API बनाम OpenRouter: कौन सा आपको फिट बैठता है
• Mistral API कुंजी गाइड