gpt 5.2 pro api价格

很多人接完 GPT 5.2 Pro API，第一反应不是效果好不好，而是月底账单怎么和预估对不上。问题多半不在单价，而在你没搞清它按什么计量、哪些调用会叠加。这篇不讲模型多强，只讲钱怎么走：先对齐口径，再教你把预算做出来、把账单核清楚，最后给一套成本压下来的动作顺序，并说清什么情况下不值得压。

接完 GPT 5.2 Pro API，真正容易出问题的不是效果评估，而是月底账单跟预估对不上。多数人第一反应是怀疑单价涨了，实际上更常见的原因是你没弄清它到底按什么计量、哪些调用会被重复计入。这篇不讲模型能力，只把钱的事讲透：先把计费口径对齐，再把预算算出来，然后教你账单对不上时怎么排查，最后给一套成本下降的动作顺序，并说清哪些情况下不值得花力气去压。

全文所有涉及具体金额、单价档位、倍率的地方，一律不写死，只告诉你当前数字去站内哪个页面核对。价格是会变的，记在脑子里的数字很快过期，记在页面上的链接不会。

先搞清它按什么计量：不是按「次」收费

最容易踩的误解是「我调了一次就是一次的钱」。实际上绝大多数官方 API 是按 token 计量，输入和输出分开计，而且输入和输出的单价通常不一样。这意味着同样一次请求，你问得越长、它答得越长，成本差异可能是数量级，而不是百分比。

• 输入与输出分开计价是常态，输出侧单价通常更高，所以「问」和「答」的成本要分开估，不能合并成一个「每次多少钱」
• 同一次请求里被拆成多段计费的部分：系统提示词、多轮历史上下文、工具返回的内容、检索召回的资料，全部计入输入，别只算用户那句话
• 计价档位会随模型型号、上下文长度区间、是否走批处理通道变化，同一系列里不同档位的口径不一定相同
• 缓存命中的部分通常有单独的计价口径，能不能命中取决于你请求的前缀是否稳定，写死的说明别每次重新拼

当期数字去哪看，别背价格

价格会调整，档位会新增，背下来的数字迟早是错的。正确做法是把「去哪看」记成习惯：每次做预算、对账、评估降本方案之前，先打开对应页面确认当时的数字，再往下算。

需要强调的是，这些页面给的是「当时的数字」。你写进预算表的时候标好取数来源和取数时点，下次复核时才知道要不要重取。

真正决定你花多少钱的四个量

单价只是乘数，真正让账单失控的是被乘数。下面四个量里，前两个通常涨得最快，也是最容易被忽略的。

请求数

每次调用都要重新付一遍上下文，多轮会话里这个量随轮次线性增长，不是只付一次

平均输入长度

包含提示词模板、few-shot 示例、检索回来的资料；模板里每加一条示例，都乘在每一次调用上

平均输出长度

从「一句话结论」到「一篇结构化长文」，输出侧差价可以很大，长度上限要写死在代码里

重试与失败调用

超时、限速后重发，很多情况下照样计入用量；重试策略怎么设计才不白花钱，参考 /guides/retry-billing-limits 的排查口径

想判断哪个量在主导你的成本，最简单的办法是把自己过去一周的日志拉出来，分别算日请求数、日输入量、日输出量三条曲线，看谁涨得最陡。只看总金额是看不出原因的。

把用量倒推成预算：一条能落地的算式

1. 先量后算，别先算后量拿一周的真实用量日志，算出三个日均值：日均请求数、日均输入 token、日均输出 token，再算出一个平均每次请求的输入输出长度
2. 套算式预算 = 请求数 ×（平均输入长度 × 输入单价 + 平均输出长度 × 输出单价），单价从 /official-api/providers/openai 取当期数字
3. 加波动系数真实流量不会是平的，乘一个波动系数再放进预算表，具体给多少取决于你业务的峰谷差异，别用固定百分比照抄别人的
4. 留出异常余量单独列一笔「异常与重试」的预算，不和正常用量混在一起，这样对账时能看清是哪部分超了
5. 定期复核业务量变了、模板改了、加了新工具调用，都要重取单价和用量，重跑一遍算式

日志字段怎么设计才能撑得起这个算式，比如哪些字段能区分首次调用和重试、哪些能拆出系统提示占比，直接参照 /guides/usage-log-fields 的字段清单来定，缺字段的话事后补算非常痛苦。

对账：账单和预估不一致时的排查顺序

预估和账单对不上是常态，关键是按固定顺序查，不要一上来就怀疑单价。下面这个顺序是从「最常见的低级错误」到「较隐蔽的口径问题」排的。

• 第一步：比对计量单位，确认你把「每千 token」还是「每百万 token」这种单位换算对了，这个错误出现频率最高
• 第二步：把账单拆到单日，找出用量突增的那一天，再判断是流量涨了还是单个请求变长了，两种情况的处理方式完全不同
• 第三步：检查口径细节，比如缓存命中有没有生效、该走批处理的是不是走了实时通道、有没有误用了更贵的档位，这些细节的原理见 /guides/token-cost
• 第四步：核对充值预扣与最终结算的差额，把预扣当成最终花费是常见的误判来源
• 第五步：把这次差异的原因写进记录，下次做预算时把这一类偏差当作系数预留进去

把这个模型的成本压下来的动作顺序

降本动作有先后之分，顺序错了会花大力气省小钱。建议按下面的顺序做，前三步几乎不损失效果。

• 先改结构再改模型：砍掉冗余上下文、把固定说明放到可复用的位置让缓存能命中，这类改动省钱最快且不改变输出质量
• 给输出长度设硬上限：在代码里把最大输出长度写死，避免个别请求失控拖高整月成本
• 能异步就别实时：时间不敏感的任务走批处理通道，代价是结果回来得慢，收益是单价口径更友好
• 再考虑分流：把简单分类、抽取、格式转换类请求交给便宜模型，只有难任务留给这个模型
• 分流前先做任务级对比，参照 /guides/task-level-cost-compare 的方法逐任务验证，别凭感觉一刀切
• 最后才考虑压缩提示词本身，因为这一步最容易伤害效果，放在最后做并逐个验证

什么情况下这套降本动作不适用

不是所有场景都值得压成本，下面几种情况硬压反而亏。先判断自己属不属于这几类，再决定要不要投入人力。

• 任务对准确率极其敏感、一次错误返工的成本远高于调用成本时，换更便宜的模型省下的钱会被返工吃掉，这类任务不适合做模型分流
• 调用量本身很小，优化投入的人力成本可能远高于账单上的差额，这时重点应放在预算告警和用量可见性上，而不是压单价
• 合规或数据边界要求必须走某个特定通道时，可选项被限死，就别在切换方案上花时间
• 业务还在探索期、需求每周都在变时，过早做精细的成本优化，方案很快就会因为需求变化而作废

接入前后各一份清单

把上面的判断标准落成动作，就是下面这两份清单。建议直接贴进项目文档，接入和上线时逐条过一遍。

这套流程的核心不是记住某个数字，而是建立「取数—算账—对账—调整」的循环。单价随时会变，循环建立起来之后，每次只需要重新取一次数就能重新算清楚。

你背下来的价格一定会过期，你建立的核对习惯不会。