---
title: "تكلفة LLM لكل مستخدم في تطبيقات SaaS | BroadRouter"
description: "احسب تكلفة ميزة الذكاء الاصطناعي لكل مستخدم نشط شهريًا، ولماذا يهمّ المستخدمون الكثيفون أكثر من المتوسط، وكيف تسعّر باقات SaaS لتغطي فاتورة النموذج."
url: https://broadrouter.com/ar/blog/llm-cost-per-user-saas/
lang: ar
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

تُرجمت هذه الصفحة من الإنجليزية بمساعدة الذكاء الاصطناعي. [اقرأ الأصل الإنجليزي](https://broadrouter.com/blog/llm-cost-per-user-saas/) (حُدّث في 2026-11-14).

# تكلفة LLM لكل مستخدم: اقتصاديات الوحدة لميزة ذكاء اصطناعي في SaaS

بقلم فريق BroadNet Inference · قراءة في 6 دقائق · تاريخ النشر 2026-11-14

تكلفة LLM لكل مستخدم = عدد الطلبات لكل مستخدم نشط شهريًا × عدد الرموز (توكن) لكل طلب × أسعار المليون رمز. قِسها لكل ميزة من حقل usage، وسعّر الباقات على المستخدم عند المئين التسعين لا على المتوسط، وأضف حدود استخدام عادل للفئة الأكثر استهلاكًا. والنماذج الأرخص والتخزين المؤقت وخفض مستوى الاستدلال المنطقي تقلّل الرقم مباشرة.

## أبرز النقاط

-   التكلفة لكل مستخدم = الطلبات لكل مستخدم × (رموز الإدخال والمخزّنة مؤقتًا والإخراج لكل طلب) × أسعار المليون رمز.
-   قِس حسب الميزة وحسب المستخدم من حقل usage؛ فالمتوسطات تُخفي المستخدمين الكثيفين الذين يصنعون الفاتورة.
-   اختيار النموذج يغيّر التكلفة لكل مستخدم أضعافًا: قارن أسعار الإخراج مثل $0.22 و$0.52 و$3.46 لكل مليون رمز.
-   سعّر الباقات على المستخدم عند المئين التسعين، وأضف حدود استخدام عادل للفئة الأكثر استهلاكًا.
-   التخزين المؤقت وreasoning\_effort وتوجيه الطلبات تقلّل التكلفة لكل مستخدم دون تغيير المنتج.

**في هذه الصفحة**

1.  كيف تحسب تكلفة LLM لكل مستخدم؟
2.  الخطوة 1: من هو المستخدم النشط، وما الوحدة؟
3.  الخطوة 2: كيف تقيس الرموز لكل وحدة؟
4.  الخطوة 3: كم يكلّف المستخدم المعتاد؟ مثال محسوب
5.  الخطوة 4: لماذا يضلّل المستخدم المتوسط؟
6.  الخطوة 5: كيف تحدد الباقات والحدود؟
7.  الخطوة 6: كيف تخفّض التكلفة لكل مستخدم دون تغيير المنتج؟
8.  هل يمكن لخطة بسعر ثابت أن تخدم مستخدمي SaaS؟
9.  ما التكاليف المحيطة بالنموذج؟
10.  كيف تتعامل مع الباقات المجانية والتجارب؟
11.  الخلاصة

إضافة ميزة ذكاء اصطناعي إلى منتج SaaS تغيّر هيكل تكاليفه. تكلفة الاستضافة والتخزين متقاربة لكل مستخدم؛ أما استدعاءات LLM فتزيد تكلفتها كلما زاد استخدامها. وإذا سعّرت الميزة دون أن تعرف كم يكلّفك المستخدم النشط، فقد يحوّل بضعة عملاء متحمسين باقة رابحة إلى خاسرة. يبيّن هذا المقال كيف تحسب تكلفة LLM لكل مستخدم، ولماذا المتوسط هو الرقم الخطأ، وكيف تستخدم النتيجة لتحديد الباقات.

## كيف تحسب تكلفة LLM لكل مستخدم؟

لميزة واحدة ونموذج واحد:

```text
cost per user per month =
    requests per active user per month
  × [ new input tokens × input price
    + cached tokens    × cached price
    + output tokens    × output price ] / 1,000,000
```

يشمل الإخراج رموز الاستدلال المنطقي في نماذج الاستدلال المنطقي، وتُحتسب الصور رموز إدخال على مفتاح الدفع حسب الاستخدام. وإن احتجت إلى تذكير بهذه الأسعار الثلاثة، فاقرأ [كيف تعمل أسعار LLM API](https://broadrouter.com/ar/blog/llm-api-pricing-explained/).

اجمع الميزات التي يستخدمها المستخدم لتحصل على إجمالي تكلفة الذكاء الاصطناعي لكل مستخدم.

## الخطوة 1: من هو المستخدم النشط، وما الوحدة؟

اختر تعريفًا تُبلغ عنه أصلًا، مثل المستخدم الذي استعمل ميزة الذكاء الاصطناعي مرة واحدة على الأقل في الشهر. ثم اختر الوحدة التي تنتجها ميزتك بطبيعتها: دور محادثة واحد، أو مستند واحد مولَّد، أو ملف واحد محلَّل، أو مكالمة واحدة ملخَّصة. التكلفة لكل وحدة أكثر ثباتًا من التكلفة لكل مستخدم وأسهل في الفهم.

## الخطوة 2: كيف تقيس الرموز لكل وحدة؟

لا تقدّرها من عدد الكلمات. سجّل كتلة `usage` من كل استجابة مع وسم للميزة ومعرّف مُجزّأ (hashed) للمستخدم أو الحساب: رموز الأمر، والرموز المخزّنة مؤقتًا، ورموز الإكمال، بصف واحد لكل محاولة. ويقدّم [مقال تسجيل الاستخدام](https://broadrouter.com/ar/blog/llm-api-usage-logging/) غلافًا جاهزًا للكود واستعلام SQL لتجميع التكلفة حسب المستخدم والميزة. وقبل أن تصلك حركة فعلية، يعطيك [عدّاد الرموز](https://broadrouter.com/tools/token-counter/) تقديرًا أوليًا من أوامر نموذجية.

في الردود المتدفقة، اطلب الاستخدام في الجزء الأخير عبر `stream_options={"include_usage": True}`؛ راجع [دليل البث المتدفق](https://broadrouter.com/ar/guides/streaming-chat-completions/). واحتسب كل محاولة، بما فيها إعادة المحاولات، لأن كل محاولة تصل إلى النموذج تُحتسب في الفاتورة.

## الخطوة 3: كم يكلّف المستخدم المعتاد؟ مثال محسوب

لنفترض أن منتجك فيه مساعد داخل التطبيق. وقست لمستخدم نشط معتاد خلال شهر:

| المقياس | القيمة |
| --- | --- |
| أيام النشاط | 20 |
| طلبات المساعد في كل يوم نشاط | 15 |
| رموز الإدخال لكل طلب | 3,000 (نصفها مخزّن مؤقتًا) |
| رموز الإجابة المرئية لكل طلب | 400 |
| رموز الاستدلال المنطقي لكل طلب (نماذج الاستدلال المنطقي) | نحو 600 |

أي 300 طلب شهريًا: نحو 900,000 رمز إدخال، منها 450,000 مخزّنة مؤقتًا، و120,000 رمز إخراج مرئي، إضافة إلى نحو 180,000 رمز استدلال منطقي في نموذج استدلال منطقي.

طبّق أسعار BroadNet لكل مليون رمز. أعداد الرموز بالملايين، لذا كل حد هو ملايين الرموز × السعر لكل مليون:

| النموذج | الإدخال / المخزّن مؤقتًا / الإخراج لكل مليون | شهر هذا المستخدم |
| --- | --- | --- |
| [Gemma 4 VL 26B](https://broadrouter.com/ar/models/gemma-4-vl-26b/) | $0.10 / لا يوجد سعر للمخزّن مؤقتًا / $0.22 | 0.9 × $0.10 (كل الإدخال بالسعر الكامل) + 0.12 × $0.22 (دون رموز استدلال منطقي) = **$0.12** |
| [DeepSeek V4.1 Flash](https://broadrouter.com/ar/models/deepseek-v4.1-flash/) | $0.175 / $0.0055 / $0.52 | 0.45 × $0.175 + 0.45 × $0.0055 + 0.3 × $0.52 = **$0.24** |
| [Qwen3.8 27B](https://broadrouter.com/ar/models/qwen3.8-27b/) | $0.175 / $0.0435 / $2.17 | 0.45 × $0.175 + 0.45 × $0.0435 + 0.3 × $2.17 = **$0.75** |
| [GLM 5.3](https://broadrouter.com/ar/models/glm-5.3/) | $0.78 / $0.173 / $3.46 | 0.45 × $0.78 + 0.45 × $0.173 + 0.3 × $3.46 = **$1.47** |

الـ 0.3 مليون رمز إخراج في نماذج الاستدلال المنطقي هي 0.12 مليون من الإجابة المرئية و0.18 مليون من الاستدلال المنطقي. وعند الحساب، يبلغ سطر GLM 5.3 أكثر من عشرة أضعاف سطر Gemma 4 VL 26B للمستخدم نفسه (تعرض [مقارنة Gemma 4 VL 26B مع GLM 5.3](https://broadrouter.com/compare/gemma-4-vl-26b-vs-glm-5.3/) النموذجين جنبًا إلى جنب). والإخراج هو الحد الأكبر في كل نماذج الاستدلال المنطقي، ورموز الاستدلال المنطقي أكثر من نصف هذا الإخراج. أدخل قياساتك في [حاسبة تكلفة LLM API](https://broadrouter.com/tools/llm-api-cost-calculator/) لتحصل على رقمك.

## الخطوة 4: لماذا يضلّل المستخدم المتوسط؟

استخدام ميزات الذكاء الاصطناعي غير متوازن. معظم المستخدمين يجرّبون الميزة بضع مرات؛ ومجموعة صغيرة تستخدمها طوال اليوم. المتوسط يُخفي هذه المجموعة، وهي التي تصنع الفاتورة.

من سجل الاستخدام، احسب لكل مستخدم شهريًا:

-   **التكلفة الوسيطة.** ما يكلّفه المستخدم العادي.
-   **المئين التسعون.** ما يكلّفه مستخدم كثيف لكنه عادي. سعّر باقتك بحيث يبقى هذا المستخدم مربحًا.
-   **المئين التاسع والتسعون والحد الأقصى.** الفئة الأكثر استهلاكًا. يحتاج هؤلاء إلى حد استخدام عادل، أو باقة أعلى، أو فحص بحثًا عن الأتمتة وإساءة الاستخدام.

إذا كان المستخدم عند المئين التاسع والتسعين يكلّف أضعاف الوسيط، فهذه ليست مشكلة بحد ذاتها؛ بل معطى من معطيات التسعير.

## الخطوة 5: كيف تحدد الباقات والحدود؟

متى عرفت التكلفة لكل مستخدم، صار التسعير قرارًا متعلقًا بالهامش:

1.  **حدّد هامش الربح الإجمالي المستهدف** للباقة.
2.  **احسب عكسيًا أقصى تكلفة ذكاء اصطناعي لكل مستخدم** يسمح بها هذا الهامش.
3.  **قارنها بالمئين التسعين لديك.** إن كان المئين التسعون ضمنها، فالباقة تنجح. وإن لم يكن، فخفّض التكلفة (الخطوة 6)، أو ارفع السعر، أو انقل الاستخدام الكثيف إلى باقة أعلى.
4.  **حوّل الرموز إلى وحدة يفهمها المستخدمون.** المستخدمون لا يفكرون بالرموز. حدّد الطلبات في اليوم أو المستندات في الشهر أو دقائق الصوت، بحجم يُبقي أعلى استخدام مسموح ضمن سقف تكلفتك.
5.  **أعد التحقق شهريًا.** تغييرات الأوامر والميزات الجديدة وتغييرات النموذج كلها تحرّك التكلفة لكل مستخدم.

## الخطوة 6: كيف تخفّض التكلفة لكل مستخدم دون تغيير المنتج؟

-   **التخزين المؤقت.** ضع أمر النظام الثابت وقائمة الأدوات في البداية. في DeepSeek V4.1 Flash يكلّف الإدخال المخزّن مؤقتًا $0.0055 لكل مليون رمز بدلًا من $0.175. [كيف ترفع نسبة التخزين المؤقت](https://broadrouter.com/ar/blog/cached-input-tokens-explained/).
-   **خفّض مستوى الاستدلال المنطقي.** ضبط `reasoning_effort` على `low` للطلبات الروتينية يقلّل أغلى الرموز. [كم يكلّف الاستدلال المنطقي](https://broadrouter.com/ar/blog/reasoning-tokens-cost/).
-   **وجّه الطلبات حسب الصعوبة.** أرسل الطلبات البسيطة إلى Gemma 4 VL 26B واحتفظ بنماذج الاستدلال المنطقي للطلبات الصعبة.
-   **قلّص السجل.** المحادثات الطويلة تعيد إرسال كل شيء في كل دور؛ لخّص الأدوار القديمة أو اقتطعها حيث تسمح الجودة.
-   **ضع سقفًا للإخراج.** اضبط `max_tokens` لكل ميزة، مع ترك مساحة للاستدلال المنطقي في نماذجه.

المزيد من أدوات التحكم في [التحكم في إنفاق LLM API](https://broadrouter.com/ar/blog/llm-api-spend-control/).

## هل يمكن لخطة بسعر ثابت أن تخدم مستخدمي SaaS؟

يجوز دمج خطط BroadNet غير المحدودة لنموذج DeepSeek V4.1 Flash ($60 شهريًا لكل جلسة) في تطبيقك أو خدمتك تحت مفتاحك الخاص، لكن كل جلسة تشغّل **طلبًا واحدًا في كل مرة**، ولا يجوز مشاركة المفتاح أو إعادة بيعه. وهذا يجعل الخطة مناسبة للعمل في الخلفية منخفض التزامن: مولّد تقارير ليلي، أو ملخِّص يعمل من طابور، أو وكيل داخلي. أما حركة المستخدمين التفاعلية ذات الطلبات المتزامنة الكثيرة، فالحل المعتاد لها هو مفاتيح الدفع حسب الاستخدام (4 طلبات قيد التنفيذ لكل مفتاح، و30 في الدقيقة) أو عدة جلسات. راجع [صفحة الخطط](https://inference.broadnet.ai/plans?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-blog-llm-cost-per-user-saas&utm_content=body) للاطلاع على الشروط الحالية.

## ما التكاليف المحيطة بالنموذج؟

تكلفة الرموز لكل مستخدم ليست إلا جزءًا من بند الذكاء الاصطناعي. أضف الاسترجاع وتخزين المتجهات، وتحويل الكلام إلى نص (يُسعَّر بدقيقة الصوت، مثل $0.0042 للدقيقة للعربية على BroadNet)، وإعادة المحاولات وجولات التقييم. وإذا كان مستخدموك يكتبون بالعربية أو بلغات أخرى غير الإنجليزية، فتوقّع رموزًا أكثر لكل رسالة مما في الإنجليزية؛ [قِس عدد الرموز لكل كلمة](https://broadrouter.com/ar/blog/tokens-per-word-arabic-english/) على محتواك أنت.

## كيف تتعامل مع الباقات المجانية والتجارب؟

الباقة المجانية تضاعف التكلفة لكل مستخدم بمستخدمين لا يدفعون شيئًا. تعامل معها كإنفاق تسويقي: أعطِ المستخدمين المجانيين أرخص نموذج يعرض الميزة جيدًا، وضع حدودًا يومية أضيق من الباقات المدفوعة، وتابع تكلفة الذكاء الاصطناعي للمستخدمين المجانيين كبند مستقل. فإن تحوّلوا إلى مدفوعين، كان هذا البند تكلفة اكتساب عملاء؛ وإن لم يتحوّلوا، أبقته الحدود صغيرًا.

## الخلاصة

قِس الرموز لكل وحدة من حقل usage، واضربها في الأسعار المنشورة، وانظر إلى المئين التسعين لا إلى المتوسط، وحدّد أسعار الباقات وحدودها بناءً على ذلك. ثم اجعل كل وحدة أرخص بالتخزين المؤقت وتوجيه الطلبات وخفض مستوى الاستدلال المنطقي. وابدأ بـ [طريقة حساب التكلفة الشهرية](https://broadrouter.com/ar/blog/estimate-llm-api-cost-before-launch/) إن لم تكن قد قست شيئًا بعد.

أدوات مجانية لهذا الموضوع (بالإنجليزية)

-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.
-   [Flat-rate vs per-token LLM cost calculator](https://broadrouter.com/tools/flat-rate-vs-per-token-calculator/) Break-even between an unlimited plan and paying per token, per agent.
-   [Prompt caching savings calculator](https://broadrouter.com/tools/prompt-caching-calculator/) Bill with and without caching, by prefix share and hit rate.
-   [Prompt token diff](https://broadrouter.com/tools/prompt-token-diff/) Two prompt versions side by side: changed lines, exact token delta and the monthly cost difference.

[أدوات مجانية (بالإنجليزية)](https://broadrouter.com/tools/)

## مصطلحات في هذا المقال

[الرمز (التوكن، Token)](https://broadrouter.com/ar/glossary/token/)

الرمز (التوكن) هو وحدة النص التي يقرؤها نموذج اللغة ويكتبها: كلمة، أو جزء من كلمة، أو علامة ترقيم، أو تسلسل بايتات ينتجه مجزّئ النموذج (tokenizer). وتَعُدّ واجهات LLM API الاستهلاك بالرموز، وتضع حدودها بها، وتحتسب تكلفتها بها عادةً.

[التزامن (Concurrency)](https://broadrouter.com/ar/glossary/concurrency/)

التزامن (concurrency) هو عدد الطلبات التي تكون لدى العميل قيد التنفيذ في الوقت نفسه. وكثيرًا ما تضع واجهات LLM API سقفًا له لكل مفتاح أو خطة، بمعزل عن عدد الطلبات في الدقيقة، لأن كل طلب مفتوح يشغل قدرة من وحدة GPU حتى تكتمل استجابته.

[الدفع حسب الاستخدام (Pay-as-you-go)](https://broadrouter.com/ar/glossary/pay-as-you-go/)

الدفع حسب الاستخدام هو نموذج تسعير تدفع فيه مقابل ما تستخدمه فقط، مقيسًا بوحدات مثل الرموز (التوكنات) أو الطلبات أو دقائق الصوت، دون اشتراك أو حد أدنى للالتزام. وتحتسب معظم واجهات LLM API تكلفتها بهذه الطريقة، من رصيد مدفوع مسبقًا أو بفاتورة دورية.

[استدعاء الأدوات (Tool calling)](https://broadrouter.com/ar/glossary/tool-calling/)

استدعاء الأدوات، ويُسمّى أيضًا استدعاء الدوال (function calling)، ميزة في واجهات LLM API يُرجع فيها النموذج طلبًا منظَّمًا لتشغيل دالة عرّفها المطوّر، مع معاملات بصيغة JSON. ويشغّل التطبيق الدالة ويعيد النتيجة؛ فالنموذج لا يشغّل الشيفرة بنفسه أبدًا.

[البث المتدفق (Streaming)](https://broadrouter.com/ar/glossary/streaming/)

البث المتدفق (streaming) طريقة لإرجاع استجابة النموذج اللغوي على أجزاء صغيرة أثناء توليدها، بدل إرجاعها ردًا واحدًا في النهاية. وتبث الواجهات المتوافقة مع OpenAI عبر أحداث يرسلها الخادم (server-sent events) حين يضبط الطلب stream على true.

[التقييم (Eval)](https://broadrouter.com/ar/glossary/eval/)

التقييم (eval، اختصار evaluation) اختبار قابل للتكرار لنموذج لغوي أو أمر: مجموعة ثابتة من المدخلات، ووصف لما تبدو عليه المخرجات الجيدة، ومصحِّح (شيفرة أو إنسان أو نموذج آخر) يمنح كل مخرج درجة حتى يمكن المقارنة بين الإصدارات.

[أمر النظام (System prompt)](https://broadrouter.com/ar/glossary/system-prompt/)

أمر النظام (system prompt) هو نص التعليمات الذي يرسله التطبيق إلى النموذج اللغوي قبل المحادثة، عادةً في رسالة بالدور system أو developer. وهو يحدد دور النموذج وقواعده ونبرته وصيغة مخرجاته، ويُفترض أن يلتزم به النموذج إذا تعارض مع رسائل المستخدم.

[حد المعدل (Rate limit)](https://broadrouter.com/ar/glossary/rate-limit/)

حد المعدل هو سقف تفرضه واجهة API على مقدار استخدام العميل لها خلال فترة زمنية، مثل عدد الطلبات في الدقيقة أو الرموز في الدقيقة. وتُرفض الطلبات التي تتجاوزه، غالبًا بالخطأ HTTP 429 Too Many Requests، إلى أن يعود الاستخدام تحت الحد.

## أسئلة شائعة

### هل أحاسب المستخدمين لكل رمز؟

نادرًا مع المستخدمين النهائيين؛ فمعظمهم يفضّل باقة ثابتة بحد واضح. قِس الرموز داخليًا، وسعّر بالطلبات أو المستندات أو المقاعد، وأبقِ حد استخدام عادل للفئة الأكثر استهلاكًا.

### هل يمكنني استخدام خطة BroadNet الثابتة لخدمة مستخدمي تطبيق SaaS؟

تسمح BroadNet بدمج الخطة في تطبيقك أو خدمتك تحت مفتاحك الخاص. لكن كل جلسة تشغّل طلبًا واحدًا في كل مرة، لذا تناسب الوكلاء في الخلفية أو الميزات منخفضة التزامن؛ أما حركة المستخدمين ذات الطلبات المتزامنة الكثيرة فتحتاج عادةً إلى مفاتيح دفع حسب الاستخدام أو عدة جلسات.

### ما النسبة التي يجب أن تمثّلها تكلفة الذكاء الاصطناعي من سعر الاشتراك؟

لا يوجد رقم عام. حدّد هامش الربح الإجمالي الذي يحتاجه عملك، ثم احسب عكسيًا أقصى ما يجوز أن يكلّفه مستخدم كثيف عادي، وضع الحدود بما يتناسب مع ذلك.

### كم مرة أعيد حساب التكلفة لكل مستخدم؟

كلما غيّرت الأمر أو النموذج أو الميزة، وشهريًا على الأقل. فأعداد الرموز تنجرف مع تغيّر الأوامر وسلوك المستخدمين.

## تابع القراءة

-   [كيف تقدّر تكلفة LLM API قبل إطلاق ميزة جديدة](https://broadrouter.com/ar/blog/estimate-llm-api-cost-before-launch/)
-   [التحكم في إنفاق LLM API: الميزانيات وحدود المفاتيح والحماية من الحلقات](https://broadrouter.com/ar/blog/llm-api-spend-control/)
-   [رموز الاستدلال المنطقي: لماذا تدفع مقابل مخرجات أكثر مما تراه؟](https://broadrouter.com/ar/blog/reasoning-tokens-cost/)
-   [رموز الإدخال المخزّنة مؤقتًا: كيف تخفّض فاتورة LLM API](https://broadrouter.com/ar/blog/cached-input-tokens-explained/)
-   [تغيّرات أسعار LLM API في أكتوبر 2026: 3 ارتفاعات ولا تخفيض](https://broadrouter.com/ar/blog/llm-api-price-changes-october-2026/)
-   [كم مرة تتغيّر أسعار LLM API؟ 3 سنوات من صفحات الأسعار المؤرشفة](https://broadrouter.com/ar/blog/how-often-llm-api-prices-change/)
-   [دليل: استخدام OpenAI Python SDK مع BroadNet Inference](https://broadrouter.com/ar/guides/openai-python-sdk/)
-   [دليل: البث المتدفق لإكمال المحادثات والتعامل مع انقطاع الاتصال](https://broadrouter.com/ar/guides/streaming-chat-completions/)

جرّبه على مهامك الفعلية. تبدأ الحسابات الجديدة برصيد قدره $5 لاستخدام Gemma والتفريغ الصوتي. أما DeepSeek وGLM وQwen3.8 فتتطلب شحن الرصيد.

[ابدأ الآن](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-blog-llm-cost-per-user-saas&utm_content=page-cta) ·

**المصادر**

-   [أسعار BroadNet Inference بصيغة قابلة للقراءة آليًا (pricing.json) (بالإنجليزية)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-blog-llm-cost-per-user-saas&utm_content=sources)
-   [المرجع التقني لواجهة BroadNet Inference، حقول الاستخدام والحدود (بالإنجليزية)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-blog-llm-cost-per-user-saas&utm_content=sources)
-   [خطط BroadNet Inference غير المحدودة والأسئلة الشائعة عنها](https://inference.broadnet.ai/ar/plans?utm_source=broadrouter&utm_medium=referral&utm_campaign=ar-blog-llm-cost-per-user-saas&utm_content=sources)
-   [المرجع التقني لـ OpenAI API، كائن usage في إكمالات المحادثة](https://platform.openai.com/docs/api-reference/chat/create)
