Preço da API Ollama: Custo local vs. Pagamento por token
Um servidor Ollama local não tem preço por token, mas também não é gratuito. Veja como comparar seu custo real com uma API hospedada cobrada a $0,15 por 1M de tokens de entrada e $0,50 por 1M de tokens de saída.
Atualizado
Pontos principais
- O Ollama local não mede tokens; você paga por hardware, energia e seu próprio tempo.
- A API hospedada custa $0,15 por 1M de entrada e $0,50 por 1M de saída, pré-pago, sem assinatura.
- Uma resposta típica de chat com 2.000 tokens de entrada e 500 de saída custa $0,00055.
- Não há plano gratuito ilimitado; novos usuários recebem uma tentativa de $0,50 válida por 7 dias.
O que "preço da API Ollama" realmente significa
Quando as pessoas digitam preços da API Ollama na caixa de pesquisa, muitas vezes procuram uma tabela de preços, e com o software local não há nenhuma. Ollama é um programa que você instala para executar modelos de pesos abertos no seu próprio computador e oferecê-los por meio de uma API HTTP local. Ele não conta tokens nem envia uma conta por eles. O Ollama também oferece suas próprias opções hospedadas; para elas, consulte a página de preços atual deles, já que este artigo não se aplica a eles.
Isso não torna a inferência local gratuita. O custo muda de uma taxa por token para coisas que você já paga ou precisa comprar: uma máquina com memória suficiente, eletricidade, seu tempo para configuração e atualizações, e o custo de oportunidade de uma GPU ocupada. A pergunta útil não é "qual é o preço", mas "no meu volume, qual configuração custa menos e funciona bem o suficiente". O resto deste artigo fornece os números do lado hospedado para que você possa responder.
O custo de executar o Ollama você mesmo
Existem quatro linhas no lado local do livro-razão.
- Hardware. Modelos maiores exigem mais memória GPU ou muita RAM do sistema. Se você já possui uma máquina adequada, esse custo é irrecuperável. Se precisar comprar ou alugar uma, será o maior item.
- Energia. Multiplique o consumo da máquina em quilowatts pelas horas de uso e pela sua tarifa de eletricidade. Uma GPU de desktop sob carga consome muito mais do que uma ociosa, então contar apenas horas ocupadas é justo.
- Capacidade ociosa. Um servidor que fica parado a maior parte do dia ainda precisa existir. A cobrança por token cobra você apenas quando faz uma requisição.
- Seu tempo. Baixar modelos, atualizar o tempo de execução, monitorar a memória, reiniciar após falhas.
Meça seus próprios números em vez de confiar em uma estimativa genérica. Registre quantos tokens sua carga de trabalho realmente usa por uma semana. Essa única medição também é o que você precisa para precificar a alternativa hospedada com precisão.
Preços de serviço hospedado e a aritmética
A API hospedada neste site cobra dois medidores. Tokens de entrada (seu prompt, incluindo qualquer histórico de chat que você reenvie) custam $0,15 por 1M. Tokens de saída (a conclusão) custam $0,50 por 1M. Não há assinatura; você adiciona crédito e ele é consumido por requisição. Requisições falhas ou recusadas não são cobradas e o crédito nunca expira.
A fórmula é curta:
cost = input_tokens x 0.15 / 1,000,000 + output_tokens x 0.50 / 1,000,000
Aqui estão formas comuns de tarefas com os cálculos realizados.
| Tarefa | Tokens de entrada | Tokens de saída | Custo |
|---|---|---|---|
| Uma resposta de chat | 2,000 | 500 | $0.0003 + $0.00025 = $0.00055 |
| 1.000 respostas assim | 2,000,000 | 500,000 | $0.30 + $0.25 = $0.55 |
| Resumir um documento longo | 50,000 | 1,000 | $0.0075 + $0.0005 = $0.008 |
| Preencher o contexto completo | 100,000 | 4,000 | $0.015 + $0.002 = $0.017 |
| Lote de 10.000 requisições | 8,000,000 | 3,000,000 | $1.20 + $1.50 = $2.70 |
A linha do lote assume 800 tokens de entrada e 300 tokens de saída por solicitação. Observe que a saída é a parte cara por token, mas a entrada geralmente domina a contagem, então prompts longos e históricos de chat longos são onde o dinheiro é gasto.
Um chat que cresce turno a turno
As APIs de chat são stateless, então cada turno reenvia todo o histórico. Isso faz o custo crescer mais rápido do que o número de turnos. Considere uma conversa de 20 turnos onde cada mensagem do usuário tem 150 tokens e cada resposta tem 250 tokens, então cada turno adiciona 400 tokens ao histórico.
- Turno 1 envia 150 tokens de entrada. Turno 2 envia 150 + 400 = 550. Turno k envia 150 + 400 x (k - 1).
- Em 20 turnos, o total de entrada é 150 x 20 + 400 x (0 + 1 + ... + 19) = 3000 + 400 x 190 = 79000 tokens.
- O total de saída é 20 x 250 = 5.000 tokens.
- Custo: 79.000 x 0,15 / 1M = $0,01185, mais 5.000 x 0,50 / 1M = $0,0025, totalizando $0,01435.
Cerca de um centavo e meio para uma conversa longa. Se você duplicar a conversa para 40 turnos, a entrada aproximadamente quadruplica, porque o histórico continua crescendo. Cortar ou resumir turnos antigos é a principal maneira de controlar o custo em aplicativos de chat.
Crédito, bônus e o período de teste
Você recarrega com qualquer valor inteiro de $20 a $500. Recargas maiores têm um bônus: +5% de $50, +10% de $100 e +15% de $200. Na prática, isso significa:
- $50 compra $52,50 de crédito.
- $100 compra $110,00.
- $200 compra $230,00.
O pagamento é por cartão (Visa, Mastercard, Apple Pay, Google Pay) ou cripto (USDT no TRC20, USDC na Base). A página de preços tem os detalhes atuais.
Novos usuários podem testar antes de pagar. Após você se cadastrar com Google, ou com e-mail e senha, a página da chave de API tem um botão que resgata $0,50 de crédito de teste, um por pessoa, válido por 7 dias, sem necessidade de cartão. No tamanho de resposta de 2.000 tokens de entrada e 500 tokens de saída acima, $0,50 cobre aproximadamente 900 respostas, o que é suficiente para avaliar se a saída se adequa ao seu projeto. Uma chave de teste é limitada a 2 solicitações simultâneas e 60 solicitações por minuto. Você pode obter sua chave de API em alguns minutos.
Comparando os dois para seu volume
Use suas contagens de tokens registradas e faça a soma por mês. Digamos que um projeto use 50M de tokens de entrada e 10M de tokens de saída por mês. Custo hospedado: 50 x $0,15 = $7,50, mais 10 x $0,50 = $5,00, então $12,50. Agora coloque sua figura local ao lado: a parte mensal do hardware que você não teria caso contrário, mais a energia para as horas ocupadas, mais o valor do seu tempo de manutenção. Se esse total estiver claramente acima de $12,50, a hospedagem vence em custo. Se você já possui hardware ocioso que lida bem com o modelo, o local vence em custo.
O custo não é o único eixo. O local mantém os dados na sua máquina e funciona offline. A hospedação remove a necessidade de uma GPU, oferece uma janela de contexto de 100.000 tokens e permite que vários serviços compartilhem um único backend. O modelo hospedado é um único modelo de pesos abertos ajustado para responder sem recusas de conteúdo para uso adulto legal, então também depende se esse modelo se adequa à sua tarefa. Os prompts não são usados para treinamento.
Uma limitação honesta: não há plano gratuito ilimitado. Após a tentativa de $0,50, você paga por token a partir de crédito pré-pago. Se seu trabalho precisar de chamadas gratuitas ilimitadas e você possuir o hardware, o Ollama local é a ferramenta certa.
Erros que distorcem a comparação
Alguns erros aparecem repetidamente quando as pessoas precificam uma carga de trabalho LLM, e cada um pode inverter a resposta.
- Esquecer os tokens de saída. Um prompt curto com uma resposta longa é principalmente uma conta de tokens de saída. Uma pergunta de 300 tokens que gera uma história de 3.000 tokens custa 300 x $0,15 / 1M + 3.000 x $0,50 / 1M = $0,000045 + $0,0015 = $0,001545.
- Ignorar histórico reenviado. Como mostra o exemplo de 20 turnos, o custo do chat escala com o contexto acumulado, não com o comprimento da última mensagem.
- Contando palavras em vez de tokens. Texto em inglês geralmente leva um pouco mais de tokens do que palavras, e código ou scripts não latinos levam mais ainda. Leia os números de uso retornados com cada resposta e use esses, não uma estimativa.
- Precificando hardware local a zero. Uma GPU que você já possui ainda se desgasta e ainda consome energia, mesmo que você não escreva um cheque por ela.
- Comparando modelos diferentes. Um modelo local pequeno e um hospedado maior não produzem a mesma qualidade. Ser mais barato por token não significa ser mais barato por boa resposta se você precisar de muitas retentativas.
O último ponto merece um teste em vez de uma opinião. Pegue vinte prompts reais do seu projeto, execute-os em ambas as configurações e julgue as respostas. Depois, precifique o vencedor no seu volume real.
Monitorando os gastos
Cada resposta da API hospedada carrega um cabeçalho X-Balance-USD com seu crédito restante, além de X-Request-Id para perguntas de suporte. Você pode lê-lo no código e alertar-se antes que o saldo acabe.
import 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"))
Definir max_tokens é opcional, já que uma conclusão pode usar o resto da janela, mas é uma proteção barata contra saída descontrolada. A documentação cobre os outros cabeçalhos e os limites de taxa.
Mais guias
Perguntas e respostas
A API Ollama é gratuita?
O software Ollama local não cobra taxa por token, mas você precisa fornecer o hardware e a energia. A API hospedada neste site é cobrada por token, com uma oferta de teste de $0,50 para novos usuários.
Quanto custam 1M de tokens na API hospedada?
1M de tokens de entrada custam US$ 0,15 e 1M de tokens de saída custam $0,50. Uma tarefa com 1M de cada custa US$ 0,65.
O crédito expira?
Não. O crédito pré-pago não expira e as requisições falhas ou recusadas não são cobradas.
Qual é o valor mínimo de recarga?
$20, em qualquer valor inteiro até $500. Bônus de 5%, 10% e 15% aplicam-se a partir de $50, $100 e $200.
Sua chave está a um formulário de distância
Crie uma conta, copie a chave e altere a URL base. Essa é toda a configuração.
