Limites et saldum

Haec pagina explicat ex quibus saldum tuum constet, quid una petitio reservet et constet, quot petitiones mittere possis, et paucos limites quos una petitio invenire potest.

valor 1M tokenum saldi

$5.00

quota cotidiana renovatur

00:00 UTC

defensio inundationis, per rationem

120 petitiones / min

Quomodo petitiones serviantur

• Nulli gradus celeritatis — Una regula limitat quam celeriter petitiones advenire possint, et eadem est pro omni ratione et omni plano: 120 petitiones per minutum. Nullus limes est tokenum per minutum.
• Nulla quota API separata — API idem saldum consumit ac chat. Planum magnitudinem quotae diei ponit. Celeritatem petitionum non ponit.
• Quam celeriter vis — Petitiones parallele missae accipiuntur et in ordine exspectant. Non recusantur quia parallelae sunt.

Saldum tuum

Saldum tuum in tokens computatur. 1,000,000 tokenum saldi valent $5.00, et omne pretium in pagina Models & pricing est ratio contra hunc valorem.

Quovis momento saldum est summa duarum partium.

• Quota diei — Numerus tokenum a plano tuo positus. Cotidie novus est ad 00:00 UTC. Quod in fine diei superest non transfertur.
• Creditum emptum — Tokens quos ut fasciculum emisti. Creditum non exspirat et in omni plano operatur, etiam in Free.

• Ordo consumptionis — Omnis petitio primum quotam diei consumit. Creditum emptum utitur tantum pro eo quod quotam illo die excedit.
• Chat et API id communicant — Unum saldum est per rationem. Clavis API de saldo rationis quae eam possidet consumit, ad eadem pretia ac chat.
• Fasciculi — Creditum in fasciculis 1,000,000 ($5.00), 2,000,000 ($10.00) et 5,000,000 ($25.00) tokenum venditur, aut ut quantitas ex tua electione a 1,000,000 ad 100,000,000 tokens ad $5.00 per 1,000,000.

Addere creditum Mutare planum

Quid petitio reservet et quanti constet

• Reservare — Cum petitio advenit, budget outputi suum de saldo tuo reservat: max_tokens in /v1/chat/completions et /v1/messages, max_output_tokens in /v1/responses. /v1/chat/completions etiam max_completion_tokens legit. Defaultum est 4,096 et range est 1 ad 65,536.
• Admittere — Petitio accipitur tantum si reservatio in id quod de saldo tuo superest capitur. Saldum supra nihil sed minus quam budget outputi responsionem Quota exceeded accipit. Mitte max_tokens minorem ut reliquum utaris.
• Conficere — Cum responsio completa est, reservatio pretio vero substituitur. Pretium inferius vel superius reservatione esse potest.
• Reddere — Petitio quae cum statu erroris finit reservationem suam totam reddit.

Pretium verum a familia modelli pendet.

Summa in USD de saldo tuo in tokens ad $5.00 per 1,000,000 trahitur, ad totum token rotundata.

Tokens computare cum POST /v1/tokenize vel POST /v1/messages/count_tokens gratis est et nihil reservat. Computatio tokenum

Ubi saldum et usum videas

Pagina Keys & usage ostendit quid nunc consumere possis, quotam plani hodiernam, creditum tuum emptum et consumptionem API ultimorum 30 dierum. Infra omnem petitionem quam clavis tua fecit enumerat: tempus, endpoint, modellum, input cached, tokens computati et pretium. Claves et usus

Omnis responsio etiam objectum usage fert cum numeris tokenum illius vocationis.

• usage numeros tokenum modelli tenet. Quantitas de saldo tuo tracta in responsione non est: est columna Billed tokens indicis petitionum in Keys & usage.
• In /v1/messages cum modello open-weight hosted, input_tokens est pars non-cached inputi, cache_read_input_tokens est pars cached et cache_creation_input_tokens semper est 0.
• Stream in /v1/chat/completions usage in ultimo chunk ante [DONE] fert. Fluens

Cum saldum deficit

Petitio cuius reservatio in saldum tuum non capitur respondetur cum statu 429, type rate_limit_error et nuntio infra. Nihil computatur. Eadem responsio mittitur cum saldum supra nihil est sed minus quam budget outputi petitionis.

{
  "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"
  }
}

In /v1/responses objectum error etiam code et param tenere potest, ambo null.

Quid facere possis:

• Exspecta quotam plani proximam ad 00:00 UTC.
• Adde creditum. Creditum post quotam plani consumitur et non exspirat. Addere creditum
• Muta ad planum cum quota cotidiana maiore. Mutare planum
• Mitte max_tokens minorem, si aliquid saldi superest: reservatio tunc minor est.

Quota vocationum Shannon Coder

shannon-coder-1 in /v1/chat/completions et /v1/messages in vocationibus computatur, non in tokens. Quodque planum numerum vocationum per fenestram 4 horarum includit. Una petitio est una vocatio.

• Fenestrae ad 00:00, 04:00, 08:00, 12:00, 16:00, 20:00 UTC incipiunt. Vocationes quae in fine fenestrae supersunt non transferuntur.
• Vocatio computatur cum petitio accipitur, antequam modellum respondet. Petitio quae postea deficit adhuc ut vocatio computatur.
• Hae vocationes nullos tokens reservant nec quicquam de saldo tuo trahunt. Index petitionum in Keys & usage numerum tokenum earum et valorem eius ad pretium indicatum ostendit.
• max_tokens defaultum shannon-coder-1 in his duobus endpoints est 65,536.
• Cum nullae vocationes supersunt, responsio est status 429, type rate_limit_error, nuntius Shannon Coder call quota reached. Upgrade your plan at shannon-ai.com/plan.
• In /v1/responses, shannon-coder-1 nullam quotam vocationum habet: in tokens de saldo tuo ad $8.00 per 1M computatur, sicut omne aliud modellum.

Defensio inundationis

Ratio 120 petitiones per minutum mittere potest. Hic est solus limes celeritatis petitionum, et idem est in omni plano. Exstat ad inundationes prohibendas, non ad usum normalem tardandum.

• Minutum est fenestra fixa 60 secundarum quae cum prima petitione tua aperitur. Cum finit, numeratio a nihilo iterum incipit.
• Numeratio est per rationem, non per clavem nec per inscriptionem IP. Clavem mutare novam fenestram non aperit.
• Petitio 121 intra fenestram respondetur cum statu 429, type rate_limit_error et nuntio Too many requests. Retry in <N>s. N est numerus secundarum usque ad finem fenestrae, ab 1 ad 60.
• Defensio inundationis ante saldum inspicitur. Petitio quam recusat nihil reservat et nihil constat.

{
  "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."
  }
}

Petitiones parallelae

Nullus limes est quot petitiones ratio simul apertas habeat, et nullus error pro petitionibus parallelis mittendis. Petitiones quae statim incipere non possunt in ordine exspectant et vicissim respondentur.

• Quaeque petitio ad 120 per minutum computatur cum advenit, sive priores petitiones finierunt sive non.
• Quaeque petitio reservationem suam tenet donec finit. Viginti petitiones apertae cum budget outputi defaulto 20 × 4,096 = 81,920 tokens saldi tenent. Si reservationes simul maiores sunt quam saldum tuum, petitio proxima responsionem Quota exceeded accipit, etiam si vocationes finitae minus constitissent. max_tokens minor minus tenet.
• Petitio sine streaming nihil mittit donec responsio completa est, itaque da clienti tuo timeout qui exspectationem comprehendat. Stream connexionem suam apertam tenet dum exspectat. Fluens

Limites unius petitionis

Errores

Responsiones huius paginae. In /v1/messages idem objectum error ut {"type": "error", "error": {…}} involvitur.