اگر حجم زیادی از پردازش‌های سنگین یا تست‌های مدل را در تعطیلات انجام می‌دهید، حالا هزینه‌های شما به نصف می‌رسد. DeepSeek در یک چرخش قیمتی، تمام درخواست‌های روزهای شنبه و یکشنبه را بدون در نظر گرفتن ساعت، در نرخ پایین (Off-peak) محاسبه می‌کند. این تغییر به طور موثری هزینه‌های توکن‌های ورودی و خروجی را برای حجم‌های کاری آخر هفته در مقایسه با نرخ‌های پیک روزهای هفته، تقریباً به نصف کاهش می‌دهد.
این تغییر برای توسعه‌دهندگانی که کارهای دسته‌ای (Batch jobs) یا چرخه‌های تست سنگین را در آخر هفته اجرا می‌کنند، یک برد مستقیم مالی است. در حالی که اکثر ارائه‌دهندگان API قیمت‌های ثابت دارند، DeepSeek از ساختاری زمان‌محور استفاده می‌کند تا بار سرورها را متعادل کند. این استراتژی در واقع پاداشی است برای کاربرانی که محاسبات سنگین خود را از شلوغی روزهای دوشنبه تا جمعه فاصله می‌دهند.
زمینه و بستر تغییرات
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی اقتصاد مدل‌های زبانی اشاره کردیم، بهینه‌سازی هزینه استنتاج اکنون به اندازه کیفیت مدل اهمیت یافته است. مدیریت دقیق این هزینه‌ها حیاتی است، زیرا تخمین نادرست یا بیش از حد هزینه‌ها می‌تواند منجر به اختلالات جدی در عملیات مدل‌های زبانی شود. طبق گزارشی که در ۲۴ اوت ۲۰۲۶ در وب‌سایت dev.to منتشر شد، ساعات پیک (Peak) اکنون به طور سخت‌گیرانه‌ای فقط به دوشنبه تا جمعه بین ساعت ۰۱:۰۰ تا ۰۴:۰۰ و ۰۶:۰۰ تا ۱۰:۰۰ UTC محدود شده است. تمام زمان‌های دیگر، از جمله کل تعطیلات آخر هفته، اکنون با نرخ ارزان‌تر (Off-peak) صورت‌حساب می‌شوند.
این رویکرد نشان‌دهنده ترندی در اقتصاد هوش مصنوعی است که در آن استنتاج (Inference) — یعنی همان لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه به آشپزی (و نه دوره‌ی آموزش آشپز) — مانند برق قیمت‌گذاری می‌شود. DeepSeek با تشویق کاربران به استفاده در ساعات کم‌ترافیک، بهره‌وری سخت‌افزارهای خود را بالا می‌برد و هم‌زمان برای هکرهای مستقل (Indie Hackers) و پژوهشگرانی که زمان منعطفی دارند، مزیت رقابتی ایجاد می‌کند.
جزئیات هزینه‌ها
بر اساس مستندات قیمتی، تفکیک هزینه‌ها برای مدل deepseek-v4-flash به این صورت است:
- توکن‌های ورودی: ۰.۲۲ دلار (کم‌ترافیک) در برابر ۰.۴۴ دلار (پیک) به ازای هر ۱ میلیون توکن.
- توکن‌های خروجی: ۰.۶۶ دلار (کم‌ترافیک) در برابر ۱.۳۲ دلار (پیک) به ازای هر ۱ میلیون توکن.
در مدل قدرتمندتر deepseek-v4-pro، این شکاف قیمتی حتی عمیق‌تر است:
- توکن‌های ورودی: ۰.۶۶ دلار (کم‌ترافیک) در برابر ۱.۳۲ دلار (پیک) به ازای هر ۱ میلیون توکن.
- توکن‌های خروجی: ۱.۹۸ دلار (کم‌ترافیک) در برابر ۳.۹۶ دلار (پیک) به ازای هر ۱ میلیون توکن.
پیاده‌سازی فنی
برای تأیید این صرفه‌جویی‌ها، یک توسعه‌دهنده اسکریپتی پایتونی نوشته است که لاگ‌های API را پردازش می‌کند. این لاگ‌ها شامل برچسب‌های زمانی، نام مدل‌ها و تعداد توکن‌ها هستند. این ابزار با استفاده از یک دیکشنری به نام PRICING برای نگاشت نرخ‌های خاص مدل‌های Flash و Pro و یک تابع به نام is_peak برای اعتبارسنجی ساعت UTC، هزینه‌های واقعی را محاسبه می‌کند.
- سازوکار: اسکریپت لاگ‌های CSV را می‌خواند و برچسب‌های زمانی ISO را به UTC تبدیل می‌کند.
- منطق: اسکریپت بررسی می‌کند که آیا روز هفته ۵ (شنبه) یا ۶ (یکشنبه) است تا به‌طور خودکار نرخ‌های کم‌ترافیک را اختصاص دهد.
- محاسبه: هزینه نهایی از تقسیم تعداد توکن (Token) — که تکه‌های کوچکی از متن، شبیه برش‌های یک کیک طولانی است — بر یک میلیون و ضرب در نرخ مربوطه (پیک یا کم‌ترافیک) به دست می‌آید.
یک نکته فنی حیاتی برای کاربران، الزام استفاده از برچسب‌های زمانی UTC است. نادیده گرفتن اختلاف ساعت محلی (Local time offsets) می‌تواند منجر به محاسبات غلط شود، زیرا موتور صورت‌حساب DeepSeek صرفاً بر اساس ساعت UTC عمل می‌کند. این یک اشتباه رایج است که اگر از طریق datetime.timezone.utc مدیریت نشود، می‌تواند منجر به گزارش‌های مالی نادرست شود.
یافته‌های دنیای واقعی
اجرای این تحلیل روی لاگ‌های شش هفته اخیر نشان داد که درخواست‌های آخر هفته پیش از این هم به‌دلیل شانس در بازه‌های زمانی قدیمی ارزان‌تر بودند، اما به‌روزرسانی جدید این فاصله را بیشتر کرد. از آنجایی که شنبه و یکشنبه اکنون بدون قید و شرط در حالت کم‌ترافیک هستند، هزینه هر فراخوانی برای کارهای دسته‌ای آخر هفته باز هم کاهش یافته است.
برای کاربر متوسط، این بدان معناست که بهینه‌ترین راه برای اجرای پردازش داده‌های در مقیاس بزرگ، زمان‌بندی آن‌ها برای روز یکشنبه است. البته اگر گردش کار شما به ساعات اداری روزهای هفته قفل شده باشد، این به‌روزرسانی هیچ سود مالی برای شما نخواهد داشت.
مقیاس‌پذیری و یکپارچه‌سازی
پس از جمع‌آوری داده‌های هزینه، چالش بعدی مقایسه این ارقام با مدل‌های دیگر مانند Qwen یا GLM است. برای کسانی که قصد مهاجرت به مدل‌های ارزان‌تر را دارند، توصیه می‌شود به جای تکیه بر بنچمارک‌های عمومی، از تست‌های دودزا (Smoke Tests) برای ارزیابی واقعی کیفیت مدل جایگزین استفاده کنند. انجام این کار به صورت دستی مستلزم نوشتن جداول قیمتی جدید و ایجاد یکپارچه‌سازی‌های API جدید برای هر ارائه‌دهنده است.
برای جلوگیری از اصطکاک ناشی از بازنویسی کدهای یکپارچه‌سازی، نویسنده پیشنهاد می‌کند از یک درگاه سازگار با OpenAI مانند RouteAI استفاده کنید. اگرچه یک درگاه (Gateway) قیمت هر توکن تعیین شده توسط ارائه‌دهنده را تغییر نمی‌دهد، اما به توسعه‌دهندگان اجازه می‌دهد تا همان فرمت درخواست را بدون بازسازی کد کلاینت، به مدل‌های مختلف ارسال کنند. این کار جمع‌آوری لاگ‌های توکن مقایسه‌ای بین ارائه‌دهندگان مختلف را آسان‌تر می‌کند.
اگر می‌خواهید هزینه‌های خود را بهینه کنید، با استخراج تاریخچه فراخوانی‌های خود از داشبورد DeepSeek و اجرای یک اسکریپت تحلیل هزینه برای شناسایی نشت‌های بودجه در ساعات پیک شروع کنید.
گام بعدی شما
- تاریخچه فراخوانی‌های خود را از داشبورد DeepSeek استخراج کنید.
- با یک اسکریپت تحلیل هزینه، نقاط نشت بودجه در ساعات پیک را شناسایی کنید.
- پردازش‌های سنگین و غیرفوری خود را به روز یکشنبه منتقل کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو