ដែនកំណត់ និងសមតុល្យ

ទំព័រនេះពន្យល់ថាសមតុល្យរបស់អ្នកធ្វើពីអ្វី មួយ request បម្រុង និងមានតម្លៃប៉ុន្មាន អ្នកអាចផ្ញើ request បានប៉ុន្មាន និងដែនកំណត់ពីរបីដែល request តែមួយអាចជួប។

តម្លៃនៃ 1M token នៃសមតុល្យ

$5.00

កូតាប្រចាំថ្ងៃថ្មីឡើងវិញ

00:00 UTC

flood protection ក្នុងមួយគណនី

120 request / នាទី

របៀបដែល request ត្រូវបានបម្រើ

• គ្មានថ្នាក់អត្រា — ច្បាប់មួយកំណត់ថា request អាចមកដល់លឿនប៉ុណ្ណា ហើយវាដូចគ្នាសម្រាប់រាល់គណនី និងរាល់គម្រោង៖ 120 request ក្នុងមួយនាទី។ គ្មានដែនកំណត់លើ token ក្នុងមួយនាទីទេ។
• គ្មានកូតា API ដាច់ដោយឡែក — API ចំណាយសមតុល្យដូចគ្នានឹង chat។ គម្រោងកំណត់ទំហំកូតាប្រចាំថ្ងៃ។ វាមិនកំណត់អត្រា request ទេ។
• លឿនតាមដែលអ្នកចង់ — request ដែលផ្ញើស្របគ្នាត្រូវបានទទួលយក ហើយរង់ចាំជាជួរ។ ពួកវាមិនត្រូវបានបដិសេធដោយសារតែស្របគ្នាទេ។

សមតុល្យរបស់អ្នក

សមតុល្យរបស់អ្នកត្រូវបានរាប់ជា token។ សមតុល្យ 1,000,000 token មានតម្លៃ $5.00 ហើយរាល់តម្លៃនៅលើទំព័រ Models & pricing គឺជាអត្រាធៀបនឹងតម្លៃនោះ។

គ្រប់ពេលវេលា សមតុល្យគឺជាផលបូកនៃពីរផ្នែក។

• កូតាគម្រោងប្រចាំថ្ងៃ — ចំនួន token ដែលកំណត់ដោយគម្រោងរបស់អ្នក។ វាថ្មីរៀងរាល់ថ្ងៃនៅម៉ោង 00:00 UTC។ អ្វីដែលនៅសល់នៅចុងថ្ងៃមិនត្រូវបានបន្តទៅថ្ងៃបន្ទាប់ទេ។
• ឥណទានដែលបានទិញ — token ដែលអ្នកបានទិញជាកញ្ចប់។ ឥណទានមិនផុតកំណត់ទេ ហើយប្រើបានលើគ្រប់គម្រោង រួមទាំង Free ផង។

• លំដាប់នៃការចំណាយ — រាល់ request ចំណាយកូតាគម្រោងប្រចាំថ្ងៃជាមុនសិន។ ឥណទានដែលបានទិញត្រូវបានប្រើតែសម្រាប់ផ្នែកដែលលើសពីកូតានៅថ្ងៃនោះប៉ុណ្ណោះ។
• Chat និង API ប្រើរួមគ្នា — មានសមតុល្យមួយក្នុងមួយគណនី។ API key ចំណាយពីសមតុល្យរបស់គណនីដែលជាម្ចាស់វា ក្នុងតម្លៃដូចគ្នានឹង chat។
• កញ្ចប់ — ឥណទានត្រូវបានលក់ជាកញ្ចប់ 1,000,000 ($5.00), 2,000,000 ($10.00) និង 5,000,000 ($25.00) token ឬជាចំនួនតាមការជ្រើសរើសរបស់អ្នកពី 1,000,000 ដល់ 100,000,000 token ក្នុងតម្លៃ $5.00 ក្នុង 1,000,000។

បញ្ចូលឥណទាន ប្តូរគម្រោង

អ្វីដែល request បម្រុង និងតម្លៃរបស់វា

• បម្រុង — នៅពេល request មកដល់ វាបម្រុង output budget របស់វាពីសមតុល្យរបស់អ្នក៖ max_tokens លើ /v1/chat/completions និង /v1/messages, max_output_tokens លើ /v1/responses។ /v1/chat/completions ក៏អាន max_completion_tokens ដែរ។ លំនាំដើមគឺ 4,096 ហើយដែនគឺពី 1 ដល់ 65,536។
• ទទួលយក — request ត្រូវបានទទួលយកលុះត្រាតែការបម្រុងស្ថិតក្នុងអ្វីដែលនៅសល់នៃសមតុល្យរបស់អ្នក។ សមតុល្យដែលលើសពីសូន្យ ប៉ុន្តែតិចជាង output budget នឹងទទួលបានចម្លើយ Quota exceeded។ សូមផ្ញើ max_tokens តូចជាងដើម្បីប្រើផ្នែកដែលនៅសល់។
• ទូទាត់ — នៅពេលចម្លើយពេញលេញ ការបម្រុងត្រូវបានជំនួសដោយការគិតថ្លៃពិត។ ការគិតថ្លៃអាចទាបជាង ឬខ្ពស់ជាងការបម្រុង។
• ប្រគល់មកវិញ — request ដែលបញ្ចប់ដោយ error status ប្រគល់ការបម្រុងរបស់វាមកវិញទាំងស្រុង។

ការគិតថ្លៃពិតអាស្រ័យលើក្រុមម៉ូដែល។

ចំនួនជា USD ត្រូវបានយកពីសមតុល្យ token របស់អ្នកក្នុងតម្លៃ $5.00 ក្នុង 1,000,000 ហើយបង្គត់ទៅជា token ទាំងមូល។

ការរាប់ token ជាមួយ POST /v1/tokenize ឬ POST /v1/messages/count_tokens ឥតគិតថ្លៃ ហើយមិនបម្រុងអ្វីទេ។ ការរាប់ token

កន្លែងមើលសមតុល្យ និងការប្រើប្រាស់

ទំព័រ Keys & usage បង្ហាញអ្វីដែលអ្នកអាចចំណាយបានឥឡូវនេះ កូតាគម្រោងប្រចាំថ្ងៃ ឥណទានដែលបានទិញរបស់អ្នក និងការចំណាយ API ក្នុងរយៈពេល 30 ថ្ងៃចុងក្រោយ។ ខាងក្រោមនោះវារាយរាល់ request ដែល key របស់អ្នកបានធ្វើ៖ ម៉ោង endpoint ម៉ូដែល input ដែលបាន cache token ដែលបានគិតថ្លៃ និងតម្លៃ។ Keys & usage

រាល់ចម្លើយក៏មាន object usage ដែលមានចំនួន token នៃការហៅនោះដែរ។

• usage មានចំនួន token របស់ម៉ូដែល។ ចំនួនដែលយកពីសមតុល្យរបស់អ្នកមិនស្ថិតក្នុងចម្លើយទេ៖ វាស្ថិតក្នុងជួរឈរ Billed tokens នៃបញ្ជី request នៅ Keys & usage។
• លើ /v1/messages ជាមួយម៉ូដែល open-weight ដែលបង្ហោះ input_tokens គឺជាផ្នែក input ដែលមិនបាន cache, cache_read_input_tokens គឺជាផ្នែកដែលបាន cache ហើយ cache_creation_input_tokens គឺ 0 ជានិច្ច។
• stream លើ /v1/chat/completions មាន usage ក្នុង chunk ចុងក្រោយមុន [DONE]។ ស្ទ្រីម

នៅពេលសមតុល្យអស់

request ដែលការបម្រុងរបស់វាមិនស្ថិតក្នុងសមតុល្យរបស់អ្នក ត្រូវបានឆ្លើយដោយ status 429 ប្រភេទ rate_limit_error និងសារខាងក្រោម។ គ្មានអ្វីត្រូវបានគិតថ្លៃទេ។ ចម្លើយដូចគ្នាត្រូវបានផ្ញើនៅពេលសមតុល្យលើសពីសូន្យ ប៉ុន្តែតិចជាង output budget របស់ request។

{
  "error": {
    "type": "rate_limit_error",
    "message": "Quota exceeded. Upgrade your plan at shannon-ai.com/plan"
  }
}

{
  "type": "error",
  "error": {
    "type": "rate_limit_error",
    "message": "Quota exceeded. Upgrade your plan at shannon-ai.com/plan"
  }
}

លើ /v1/responses object error ក៏អាចមាន code និង param ដែលទាំងពីរជា null។

អ្វីដែលអ្នកអាចធ្វើបាន៖

• រង់ចាំកូតាគម្រោងបន្ទាប់នៅម៉ោង 00:00 UTC។
• បញ្ចូលឥណទាន។ ឥណទានត្រូវបានចំណាយបន្ទាប់ពីកូតាគម្រោង ហើយមិនផុតកំណត់ទេ។ បញ្ចូលឥណទាន
• ប្តូរទៅគម្រោងដែលមានកូតាប្រចាំថ្ងៃធំជាង។ ប្តូរគម្រោង
• ផ្ញើ max_tokens តូចជាង ប្រសិនបើនៅសល់សមតុល្យខ្លះ៖ ពេលនោះការបម្រុងនឹងតូចជាង។

កូតាការហៅ Shannon Coder

shannon-coder-1 លើ /v1/chat/completions និង /v1/messages ត្រូវបានរាប់ជាការហៅ មិនមែនជា token ទេ។ គ្រប់គម្រោងរួមមានចំនួនការហៅក្នុងមួយចន្លោះ 4 ម៉ោង។ មួយ request គឺមួយការហៅ។

• ចន្លោះចាប់ផ្តើមនៅ 00:00, 04:00, 08:00, 12:00, 16:00, 20:00 UTC។ ការហៅដែលនៅសល់នៅចុងចន្លោះមិនត្រូវបានបន្តទៅចន្លោះបន្ទាប់ទេ។
• ការហៅត្រូវបានរាប់នៅពេល request ត្រូវបានទទួលយក មុនពេលម៉ូដែលឆ្លើយ។ request ដែលបរាជ័យនៅពេលក្រោយនៅតែរាប់ជាការហៅមួយ។
• ការហៅទាំងនេះមិនបម្រុង token ហើយមិនយកអ្វីពីសមតុល្យរបស់អ្នកទេ។ បញ្ជី request នៅ Keys & usage បង្ហាញចំនួន token របស់ពួកវា និងតម្លៃរបស់វាតាមតម្លៃដែលបានចុះបញ្ជី។
• max_tokens លំនាំដើមរបស់ shannon-coder-1 លើ endpoint ទាំងពីរនេះគឺ 65,536។
• នៅពេលគ្មានការហៅនៅសល់ ចម្លើយមាន status 429 ប្រភេទ rate_limit_error និងសារ Shannon Coder call quota reached. Upgrade your plan at shannon-ai.com/plan។
• លើ /v1/responses shannon-coder-1 គ្មានកូតាការហៅទេ៖ វាត្រូវបានគិតជា token ពីសមតុល្យរបស់អ្នកក្នុងតម្លៃ $8.00 ក្នុង 1M ដូចម៉ូដែលផ្សេងទៀតទាំងអស់។

Flood protection

គណនីអាចផ្ញើ 120 request ក្នុងមួយនាទី។ នោះជាដែនកំណត់តែមួយគត់លើអត្រា request ហើយវាដូចគ្នាលើគ្រប់គម្រោង។ វាមានដើម្បីបញ្ឈប់ការជន់លិច មិនមែនដើម្បីបន្ថយការប្រើប្រាស់ធម្មតាទេ។

• នាទីគឺជាចន្លោះថេរ 60 វិនាទី ដែលបើកជាមួយ request ដំបូងរបស់អ្នក។ នៅពេលវាចប់ ការរាប់ចាប់ផ្តើមឡើងវិញពីសូន្យ។
• ការរាប់គឺតាមគណនី មិនមែនតាម key ឬតាមអាសយដ្ឋាន IP ទេ។ ការប្តូរ key មិនបើកចន្លោះថ្មីទេ។
• request លេខ 121 ក្នុងចន្លោះមួយត្រូវបានឆ្លើយដោយ status 429 ប្រភេទ rate_limit_error និងសារ Too many requests. Retry in <N>s. N គឺជាចំនួនវិនាទីរហូតដល់ចន្លោះចប់ ពី 1 ដល់ 60។
• Flood protection ត្រូវបានពិនិត្យមុនសមតុល្យ។ request ដែលវាបដិសេធមិនបម្រុងអ្វី ហើយមិនគិតថ្លៃទេ។

{
  "error": {
    "type": "rate_limit_error",
    "message": "Too many requests. Retry in 37s."
  }
}

{
  "type": "error",
  "error": {
    "type": "rate_limit_error",
    "message": "Too many requests. Retry in 37s."
  }
}

Request ស្របគ្នា

គ្មានដែនកំណត់លើចំនួន request ដែលគណនីមួយអាចបើកក្នុងពេលតែមួយទេ ហើយក៏គ្មាន error សម្រាប់ការផ្ញើ request ស្របគ្នាដែរ។ request ដែលមិនអាចចាប់ផ្តើមភ្លាមៗរង់ចាំជាជួរ ហើយត្រូវបានឆ្លើយតាមវេន។

• រាល់ request រាប់ចូលក្នុង 120 ក្នុងមួយនាទីនៅពេលវាមកដល់ ទោះ request មុនៗចប់ហើយឬមិនទាន់។
• រាល់ request កាន់ការបម្រុងផ្ទាល់ខ្លួនរហូតដល់វាចប់។ request ម្ភៃដែលបើកជាមួយ output budget លំនាំដើមកាន់ 20 × 4,096 = 81,920 token នៃសមតុល្យ។ ប្រសិនបើការបម្រុងទាំងអស់រួមគ្នាធំជាងសមតុល្យរបស់អ្នក request បន្ទាប់នឹងទទួលបានចម្លើយ Quota exceeded ទោះបីការហៅដែលបានបញ្ចប់ត្រូវចំណាយតិចជាងក៏ដោយ។ max_tokens តូចជាងកាន់តិចជាង។
• request ដែលគ្មាន streaming មិនផ្ញើអ្វីទេរហូតដល់ចម្លើយពេញលេញ ដូច្នេះសូមកំណត់ timeout ឱ្យ client របស់អ្នកដែលគ្របដណ្តប់ការរង់ចាំ។ stream រក្សាការតភ្ជាប់បើកខណៈពេលវារង់ចាំ។ ស្ទ្រីម

ដែនកំណត់នៃ request តែមួយ

កំហុស

ចម្លើយនៃទំព័រនេះ។ លើ /v1/messages object error ដូចគ្នាត្រូវបានរុំជា {"type": "error", "error": {…}}។