大量処理向けの最も安いLLM API

分類、タグ付け、抽出、モデレーション、短い文字列の翻訳、ルーティングなどの処理は数百万回実行されるため、トークン単価によって採算が決まります。以下は、GetVibe APIで最も低価格なテキストモデルです。価格はページがレンダリングされるたびにカタログからリアルタイムで取得されるため、表が古くなることはありません。

候補一覧

これらは、2026年9月25日時点でカタログ内でも特に低価格だったテキストモデルです。価格は変動するため、現在の順番はModelsページで確認してください。

モデルの選び方

• 厳密なJSONを返す必要がある場合：GPT-6 Luna、Qwen 3.8 Flash、DeepSeek V4.1 Flash、Hy4 Previewなど、JSONモードに対応したモデルを使用してください。Gemini FlashモデルとGLM-5.3 Flashは、当社のカタログではJSONモードを提供していません。詳しくはJSONモード対応表をご覧ください。
• 長いドキュメントを処理する場合：Gemini 3.8 Flash、Gemini 3.7 Flash、DeepSeek V4.1 Flash、GLM-5.3 Flashのコンテキストウィンドウは約100万トークンです。
• 推論の強さを調整したい場合：GPT-6 Lunaは6つすべてのreasoning_effortレベルに対応しています。大量処理にはminimalを設定してください。Hy4 Previewはlowとhighに対応しています。詳しくはreasoning_effortの解説をご覧ください。
• 入力に画像が含まれる場合：上の表にあるすべてのモデルが画像入力に対応しています。

大量処理のコストを抑える5つの方法

1. まずサンプルで品質をテストします。実際の項目を数百件、2つまたは3つの候補モデルで処理し、人手で確認した正解データと比較します。合格した中で最も安いモデルを選びます。
2. 指示を固定プレフィックスとして維持します。長い指示と例を先に配置し、項目を最後に置くことで、繰り返しのリクエストでプロンプトキャッシュが利用されやすくなります。キャッシュされた入力は、入力料金の一部として請求されます（キャッシュの仕組み）。
3. 出力に上限を設定します。ラベルや短いJSONオブジェクトに必要な量に合わせてmax_tokensを設定してください。上記のすべてのモデルで、出力料金は入力料金より高く設定されています。
4. 推論を低く抑えます。推論トークンは出力として請求されます。単純なラベル付けでは、モデルが対応している場合はminimalまたはlowを使用してください。
5. 失敗した場合だけ上位モデルに切り替えます。まずすべてを低価格モデルに送り、出力を検証して、失敗したものだけをより高性能なモデルで再試行します。

from openai import OpenAI

client = OpenAI(base_url="https://getvibeapi.com/v1", api_key="sk-pv-...")
INSTRUCTION = "チケットをbilling、bug、feature、otherのいずれかに分類してください。1語で回答してください。"

def classify(ticket: str) -> str:
    resp = client.chat.completions.create(
        model="gpt-6-luna",
        reasoning_effort="minimal",
        max_tokens=5,
        messages=[
            {"role": "system", "content": INSTRUCTION},
            {"role": "user", "content": ticket},
        ],
    )
    return resp.choices[0].message.content.strip()

次のステップ

Modelsページでカタログ全体を価格順に並べ替えたり、Hy4 PreviewとQwen 3.8 Flashについて読んだり、ドキュメントから始めたりできます。料金は前払い残高からトークン単位で請求され、サブスクリプションはありません。