如果您希望優化 AI 成本，理解 OpenRouter 的按模型計費結構與實際令牌成本差異至關重要。OpenRouter 的架構並非簡單的「每 1M 令牌便宜」，而是根據模型、供應商以及輸入/輸出令牌的不同而有顯著差異。 核心要點快速摘要： 🧠 成本結構複雜的原因 基於令牌計費：輸入（prompt）與輸出（completion）令牌採用不同费率。 各模型價格差異巨大：有些模型免費提供，甚至同一模型因供應商不同而费率不同。 按使用付費：無最低使用量限制，僅為實際使用的部分付費，因此入門門檻低。 💡 代表性案例 deepseek/deepseek-r1：以特定供應商為準 輸入：$0.70/1M 令牌 輸出：$2.50/1M 令牌 → 輸出成本遠高於輸入，生成量越大，成本急劇上升。 🆓 免費與開放選項 OpenRouter 提供部分免費模型，雖可能有使用量限制與優先順序限制，但仍可作為實質免費選項使用。 有報告指出 DeepSeek R1 系列亦可透過免費層訪問，因此對測試用途或低規模應用而言，免費選項被廣泛視為強力選擇。 🧪 實戰建議 查看各模型頁面的费率：OpenRouter 的定價頁面會即時顯示各模型/供應商的费率，是比較成本最準確的來源。 依用途選擇模型：高輸出任務（如長文本生成）優先選擇單位輸出成本低的模型；以上下文處理為主的任務則優先選擇輸入效率高的模型。 考慮預付或用量折扣：若使用大量令牌，預付信用與用量折扣可顯著降低成本。 簡言之，OpenRouter 不是單一费率，而是一個多層次、按模型與供應商定價的市場；要最大化成本效益，最關鍵的是養成直接比較各模型/供應商頁面的習慣。