2026 年 LLM API 價格比較：GPT、Claude、Gemini 與 DeepSeek 哪個成本最低？
2026 年，LLM API 的價格差距依然非常明顯。同樣處理 100 萬 Input Tokens 和 Output Tokens，不同模型之間的成本可能相差數倍甚至數十倍。但對企業而言，「每百萬 Token 最便宜」並不一定代表「實際使用成本最低」。
以目前具代表性的模型為例，GPT-5.6 Sol 的標準價格為 $4/M Input、$20/M Output；Claude Sonnet 5 為 $2/M Input、$10/M Output；Gemini 3.1 Pro Preview 在 200K Context 內為 $2/M Input、$12/M Output；DeepSeek V4-Pro 在離峰時段則低至 $0.66/M Cache-Miss Input 和 $1.98/M Output。
單看旗艦或高能力模型，DeepSeek V4-Pro 目前擁有明顯的 Token Price 優勢；但如果把比較範圍擴大到各家的 Cost-Efficient Model，GPT-5.6 Luna、Gemini 3.1 Flash-Lite 等模型同樣已把 API 價格壓到非常低的水準。真正值得比較的是 Input Cost、Output Cost、Cached Input、Long-Context Pricing、Batch Discount，以及 Cost per Successful Task。
2026 年 LLM API 是如何計費的？
多數主流 LLM API 都會依據 Token Usage 計費。最基礎的成本可以表示為：
API Cost = Input Tokens × Input Price + Output Tokens × Output Price
例如，一個請求使用 100,000 Input Tokens，並生成 20,000 Output Tokens。若模型價格為 $2/M Input 與 $10/M Output，則成本為：
100K × $2/M + 20K × $10/M = $0.40
但在實際生產環境中，通常會更複雜。
部分模型會對 Cached Input 提供大幅折扣；Long Context 可能會觸發更高費率；Batch Processing 可以降低離線任務成本；Reasoning Model 也可能會額外產生 Thinking Tokens；Web Search、Computer Use 或其他 Tools 可能會產生額外費用。
因此，更完整的 LLM 成本模型是：
Total Cost = Input + Cached Input + Output / Reasoning + Tools + Retrieval + Retries
對於 Agent 應用，還應考量一個經常被忽略的變數：模型為了完成一個任務，需要呼叫多少次 API。
GPT、Claude、Gemini 與 DeepSeek API 價格差多少？
為了讓比較更直觀，可以先選擇四個具備較強 Reasoning、Coding 或 Agent 能力的代表性模型：GPT-5.6 Sol、Claude Sonnet 5、Gemini 3.1 Pro Preview 與 DeepSeek V4-Pro。
以下皆為 2026 年 9 月初官方公開的 API 價格，單位為 每 100 萬 Tokens（USD）。
| 模型 | Input | Cached Input | Output | 特殊計費 |
|---|---|---|---|---|
| GPT-5.6 Sol | $4.00 | $0.40 | $20.00 | >272K Context 觸發更高價格 |
| Claude Sonnet 5 | $2.00 | 取決於 Cache 類型 | $10.00 | Batch 可節省 50% |
| Claude Opus 5 | $5.00 | 支援 Prompt Caching | $25.00 | Premium Model |
| Gemini 3.1 Pro ≤200K | $2.00 | $0.20 | $12.00 | Standard |
| Gemini 3.1 Pro >200K | $4.00 | $0.40 | $18.00 | Long Context |
| DeepSeek V4-Pro Off-Peak | $0.66* | $0.02 | $1.98 | 分時計價 |
| DeepSeek V4-Pro Peak | $1.32* | $0.04 | $3.96 | 分時計價 |
- DeepSeek 表格中的一般 Input 指 Cache Miss。DeepSeek V4-Pro 的 Peak Hours 為 01:00–04:00 與 06:00–10:00 UTC，其餘時間依 Off-Peak 價格計費。
若只比較這四個高能力模型的標準 Token Price，DeepSeek V4-Pro 顯著最低。Claude Sonnet 5 與 Gemini 3.1 Pro 落在中間區間，而 GPT-5.6 Sol 與 Claude Opus 5 的標準 Output Price 較高。
不過，這仍不足以直接得出「DeepSeek 永遠最便宜」的結論，因為模型能力、Token Consumption 與 Task Completion Rate 同樣會改變實際成本。
GPT API 多少錢？GPT-5.6 Sol、Terra 和 Luna 如何選？
OpenAI 目前 GPT-5.6 系列實際上已形成三個主要成本檔位：Sol、Terra 與 Luna。
GPT-5.6 Sol 是面向複雜專業任務的旗艦模型，目前促銷價格為 $4/M Input、$0.40/M Cached Input 和 $20/M Output，此價格至少持續至 2026 年 11 月 21 日。
但 OpenAI 並不只有 Sol。當前 GPT-5.6 Terra 定位在 Intelligence 與 Cost 之間的平衡，價格為 $2/M Input、$12/M Output；GPT-5.6 Luna 則面向 Cost-Sensitive、High-Volume Workload，價格已降至 $0.20/M Input 和 $1.20/M Output。
| GPT 模型 | Input / 1M | Output / 1M | 主要定位 |
|---|---|---|---|
| GPT-5.6 Sol | $4.00 | $20.00 | 複雜專業工作 |
| GPT-5.6 Terra | $2.00 | $12.00 | Intelligence / 成本平衡 |
| GPT-5.6 Luna | $0.20 | $1.20 | 高量 / 成本敏感 |
因此，「GPT API 很貴」已不再是足夠精準的描述。
如果所有請求都使用 Sol，成本確實相對較高；但對於分類、簡單摘要、資訊擷取、大規模內容處理等任務，使用 Luna 或 Terra 便能顯著降低平均成本。
這也是 Model Routing 越來越重要的原因：
Simple Task → Luna Medium Task → Terra Complex Task → Sol
企業真正需要優化的不是單一模型價格，而是整體的 GPT Model Mix。
為什麼 GPT-5.6 Sol 的 Long-Context Pricing 需要特別注意？
GPT-5.6 Sol 提供約 1.05M Token Context Window，但大 Context 並不代表所有 Token 都會依照基礎價格計費。
當 Input 超過 272K Tokens 時，OpenAI 會對整個請求套用 Long-Context Pricing：Input 與 Cached Input 以標準費率的 2 倍計算，Output 則以 1.5 倍計算。
因此，GPT-5.6 Sol 的價格會從：
$4/M Input + $20/M Output
變成約：
$8/M Input + $30/M Output
而且不是只有超過 272K 的部分才按更高價格計算，而是整個請求。
這對 Large Repository、Long Document Analysis、Legal Documents 或超長 Agent Memory 等應用特別重要。
因此，擁有 1M Context Window 並不代表每次都該直接塞入 1M Tokens。許多情境會採用：
Knowledge Base → Retrieval → Relevant Context → LLM
可能比直接使用完整 Long Context 更具成本效率。
Claude API 價格怎麼樣？Sonnet 5 還是 Opus 5 更划算？
Anthropic 目前最值得比較的兩個模型是 Claude Sonnet 5 與 Claude Opus 5。
Claude Sonnet 5 目前價格為 $2/M Input 與 $10/M Output。這個價格起初屬於 Introductory Pricing，但 Anthropic 於 2026 年 8 月 10 日確認將其改為永久價格；原本計畫在 9 月調整至 $3/$15 的方案已取消。
Claude Opus 5 則屬於 Premium Tier，價格為 $5/M Input 與 $25/M Output。Anthropic 將其定位在複雜 Coding、AI Agents 與高價值 Enterprise Workflows。
因此，兩者並非單純的「新版與舊版」關係，而是兩種不同的 Cost / Capability Tier。
Sonnet 5 → 一般 Agent 工作負載 / Coding / 知識工作
Opus 5 → 高價值 Coding / 複雜 Agents / 專業工作
對於多數大規模生產請求，Sonnet 5 的成本結構更容易控管；而 Opus 5 更適合那些模型能力對最終任務價值影響較大的情境。
Claude Prompt Caching 和 Batch 能省多少？
Anthropic 的成本優化不只來自 Model Selection。
Claude Opus 5 官方說明顯示，Prompt Caching 最高可帶來約 90% 的成本節省；Batch Processing 則最高可降低 50% 的處理成本。
這對於擁有大量重複 System Prompt、Knowledge Context 或固定 Instructions 的應用特別重要。
例如，一個 Customer Service Agent 可能每次請求都包含：
System Prompt + Company Policy + Product Knowledge + User Query
如果前三部分長期重複，若完全依照一般 Input Token Price 重新計費就不划算。Prompt Caching 能讓重複上下文的成本明顯下降。
Batch Processing 則適用於不需要即時回應的任務，例如 Overnight Document Processing、Dataset Labeling、Content Classification 或大規模 Evaluation。
因此，評估 Claude 成本時，只看 $2/$10 或 $5/$25 並不完整。Cache Hit Rate 與 Batch Usage 可能會顯著改變最終成本。
Gemini API 價格怎麼樣？為什麼 Context 長度會影響價格？
Google Gemini 的價格體系更偏向分層。
Gemini 3.1 Pro Preview 在 Prompt 不超過 200K Tokens 時，Standard API 價格為 $2/M Input 與 $12/M Output；當 Prompt 超過 200K 後，則提高至 $4/M Input 與 $18/M Output。
Context Caching 同樣採用分層價格：
| Gemini 3.1 Pro | ≤200K | >200K |
|---|---|---|
| Input | $2.00 | $4.00 |
| Output | $12.00 | $18.00 |
| Cached Context | $0.20 | $0.40 |
此外，Gemini Context Cache 還有 Storage Cost，目前為 $4.50 / 1M Tokens / Hour。因此，如果 Cached Context 的保存時間很長，也需要把 Storage Cost 納入計算。
Gemini 的另一個特點是支援 Standard、Batch、Flex 與 Priority 等不同處理方式。例如以 Gemini 3.1 Pro 為例，Batch 與 Flex 在 ≤200K Context 下可把價格降到 $1/M Input 與 $6/M Output，約為 Standard 的一半。
對於不要求即時回應的大規模任務，這種價格差異非常重要。
Gemini Flash-Lite 是否比 Pro 更適合高頻 AI 應用？
如果目標是「最低 API Cost」，僅比較旗艦模型並不夠。
Google 目前的 Gemini 3.1 Flash-Lite 就是一個典型例子。它被定位為面向 High-Volume Agentic Tasks、Translation 與簡單 Data Processing 的 Cost-Efficient Model。
Standard 價格僅為：
$0.25/M Input + $1.50/M Output
若使用 Batch 或 Flex，則可進一步降低至：
$0.125/M Input + $0.75/M Output。
這意味著在 Translation、Classification、Extraction、Moderation、簡單摘要或其他高頻任務中，使用 Pro Model 可能並不必要。
例如：
High Complexity → Gemini Pro High Volume / Simple Task → Gemini Flash-Lite
對於每天處理數十億 Tokens 的應用而言，正確的 Model Tier Selection 可能比 Provider Selection 更重要。
為什麼 DeepSeek API 這麼便宜？
DeepSeek V4-Pro 目前採用 Peak / Off-Peak 分時定價。
在 Off-Peak 時段，V4-Pro 的價格為：
$0.022/M Cache-Hit Input $0.66/M Cache-Miss Input $1.98/M Output
Peak 時段則為：
$0.044/M Cache-Hit Input $1.32/M Cache-Miss Input $3.96/M Output。
即使依照 Peak 價格計算，V4-Pro 的 Token Price 仍明顯低於 GPT-5.6 Sol、Claude Sonnet 5 與 Gemini 3.1 Pro。
DeepSeek V4-Pro 同時提供 1M Context Window、最高 384K Output，並支援 Thinking Mode、Tool Calls 與 Responses API，因此它並非單純為了低成本而設計的輕量模型。
對於可以調度任務時間的 Batch Workload，Off-Peak Pricing 還提供了進一步的優化空間。例如，大規模文件處理、程式碼分析或資料生成任務都可盡量安排在低價時段。
不過，生產系統仍需要同時考量 Latency、Availability、Rate Limit、Task Accuracy 與 Provider Infrastructure，而不能只根據 Token Price 選擇模型。
若處理相同任務，四個模型實際需要多少錢？
假設一個任務包含：
100,000 Input Tokens + 20,000 Output Tokens
不考慮 Cache、Batch、Tool Cost 與 Retry，便可直接比較基礎 API 成本。
| 模型 | Input Cost | Output Cost | 總成本 |
|---|---|---|---|
| GPT-5.6 Sol | $0.40 | $0.40 | $0.80 |
| Claude Sonnet 5 | $0.20 | $0.20 | $0.40 |
| Claude Opus 5 | $0.50 | $0.50 | $1.00 |
| Gemini 3.1 Pro ≤200K | $0.20 | $0.24 | $0.44 |
| DeepSeek V4-Pro Off-Peak | $0.07 | $0.04 | $0.11 |
| DeepSeek V4-Pro Peak | $0.13 | $0.08 | $0.21 |
在這個假設下，DeepSeek V4-Pro 的基礎 Token Cost 最低；Claude Sonnet 5 與 Gemini 3.1 Pro 落在中間，而 GPT-5.6 Sol 與 Claude Opus 5 較高。
但如果這個任務實際上只需要低成本模型，結果就會改變。
例如 GPT-5.6 Luna 依相同 Token Usage 計算約為：
$0.02 + $0.024 = $0.044
Gemini 3.1 Flash-Lite 則約為：
$0.025 + $0.03 = $0.055
這說明「哪家公司的 API 最便宜」與「哪個模型最便宜」其實是兩個不同的問題。
為什麼 Token Price 最低不等於實際成本最低？
假設 Model A 的價格是 Model B 的一半，但 Model A 完成一個 Agent Task 平均需要 20 次 Tool Calls，而 Model B 只需要 8 次。
如果 Model A 還會產生更多 Output Tokens、Retries 與 Failed Tasks，最終成本差距可能完全翻轉。
對於 Agent 應用，更合理的成本公式是：
Cost per Successful Task = Token Cost + Tool Cost + Agent Steps + Retries + Failed Attempts
例如 Coding Agent 還需要考量：
Repository Search → Reasoning → Code Generation → Tool Call → Test → Error → Retry → Test
一個較貴但能一次完成任務的模型，可能比一個便宜但需要反覆嘗試的模型更省成本。
因此，企業在進行 LLM Evaluation 時應同時量測：
Task Completion Rate → Average Tokens → Agent Steps → Tool Calls → Latency → Cost per Successful Task
這比單獨比較 $/1M Tokens 更接近真實的生產成本。
哪個 LLM API 在 2026 年成本最低？
答案取決於比較範圍。
如果比較 GPT-5.6 Sol、Claude Sonnet 5、Gemini 3.1 Pro 與 DeepSeek V4-Pro 這幾款高能力模型，DeepSeek V4-Pro 目前在基礎 Token Price 上擁有明顯的成本優勢。
如果比較各 Provider 的 Cost-Efficient Model，情況就更複雜。GPT-5.6 Luna 與 Gemini 3.1 Flash-Lite 都已進入非常低的價格區間。
| 使用情境 | 優先考量 |
|---|---|
| 高能力 + 最低 Token Cost | DeepSeek V4-Pro |
| 複雜推理 | GPT-5.6 Sol / Claude Opus 5 |
| Capability / Cost Balance | Claude Sonnet 5 / Gemini 3.1 Pro / GPT-5.6 Terra |
| 高量簡單任務 | GPT-5.6 Luna / Gemini 3.1 Flash-Lite |
| 低成本 Agentic Workload | DeepSeek V4-Pro |
| Batch Processing | Gemini / Claude |
| 高度 Prompt 重用 | GPT / Claude / Gemini Cache |
| 超長 Context | 單獨計算 Long-Context Pricing |
| 生產級 AI Agent | 比較 Cost per Successful Task |
因此，沒有必要把所有任務都交給最強或最貴的模型。更成熟的生產架構通常會依任務難度進行 Model Routing。
如何透過 Gate.AI 優化多模型 API 成本？
隨著不同 Provider 的模型價格差距擴大，企業可以將 Cost 當作 Model Routing 的核心變數之一，而不是固定呼叫同一個 LLM。
透過 Gate.AI 這類統一多模型存取平台，開發者可以在相對一致的存取層中測試來自 OpenAI、Anthropic、Google、DeepSeek 等 Provider 的模型，同時記錄 Token Usage、Latency、Task Completion Rate 與實際成本。
例如：
Request → Task Classification → Model Routing → Execution → Cost / Quality Evaluation
簡單的 Classification、Extraction 或 Translation 可以優先路由到 Cost-Efficient Model；複雜 Coding、Research 或 Agent Tasks 則可使用更高能力的模型。
模型評估也不應只看：
Price per 1M Tokens
而應進一步計算：
Cost per Successful Task
如此才能判斷看起來更貴的模型，是否因為更高的任務完成率、更少的 Agent Steps 與更低的 Retry Rate，反而具備更好的實際 Unit Economics。
總結
2026 年 LLM API 的價格差距仍然很大。在高能力模型中，DeepSeek V4-Pro 目前在基礎 Token Price 上最具成本優勢；Claude Sonnet 5 與 Gemini 3.1 Pro 提供較均衡的能力與成本；GPT-5.6 Sol 與 Claude Opus 5 則更偏向複雜、高價值任務。
但企業真正該優化的不是最低 Token Price，而是 Cost per Successful Task。透過 Caching、Batch、Model Routing 與依任務選擇不同 Model Tier，實際成本通常還有很大的下降空間。
FAQ
2026 年哪個 LLM API 最便宜？
若比較 GPT-5.6 Sol、Claude Sonnet 5、Gemini 3.1 Pro 與 DeepSeek V4-Pro，DeepSeek V4-Pro 目前的基礎 Token Price 最低。其 Off-Peak 的 Cache-Miss Input 為 $0.66/M，Output 為 $1.98/M。
GPT、Claude 和 Gemini 哪個 API 更便宜？
在高能力模型中，Claude Sonnet 5 為 $2/M Input、$10/M Output；Gemini 3.1 Pro 在 200K Context 內為 $2/$12；GPT-5.6 Sol 為 $4/$20。因此在基礎標準價格上，Sonnet 5 與 Gemini 3.1 Pro 低於 GPT-5.6 Sol，但實際成本仍會受到 Caching、Batch 與 Context Length 影響。
GPT API 有沒有更便宜的模型？
有。GPT-5.6 Luna 目前為 $0.20/M Input 和 $1.20/M Output，定位就是 Cost-Sensitive、High-Volume Workload；GPT-5.6 Terra 則以 $2/M Input、$12/M Output 平衡能力與成本。
LLM Prompt Caching 能降低多少成本？
不同 Provider 的機制不同，但 Cached Input 通常比一般 Input 便宜很多。例如 GPT-5.6 Sol 的 Cached Input 為 $0.40/M，而普通 Input 為 $4/M；Gemini 3.1 Pro 在 ≤200K Context 下分別為 $0.20/M 與 $2/M。Claude 也提供 Prompt Caching，並表示在特定情境下最高可節省約 90%。
企業應如何比較不同 LLM API 的成本？
企業不應只比較每百萬 Token 的價格，而應同時記錄 Task Completion Rate、Token Usage、Tool Calls、Agent Steps、Retry Rate 與 Latency，最後計算 Cost per Successful Task。對於生產級 AI Agent，這通常比單純的 Token Price 更能反映真實成本。
