---
title: "Gastos ng reasoning token: bakit mataas ang output bill"
description: "Output token ang singil sa nakatagong pag-iisip ng reasoning model. Paano sukatin, magkano kada model, at paano bawasan sa reasoning_effort, max_tokens at routing."
url: https://broadrouter.com/fil/blog/reasoning-tokens-cost/
lang: fil
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Isinalin mula sa Ingles sa tulong ng AI. [Basahin ang orihinal sa Ingles](https://broadrouter.com/blog/reasoning-tokens-cost/) (na-update noong 2026-11-16).

# Reasoning token: bakit mas maraming output ang binabayaran mo

Ng BroadNet Inference team · 4 minutong basa · Nailathala 2026-11-14 · Na-update 2026-11-16

Sumusulat ang reasoning model ng nakatagong pag-iisip bago ang sagot nito, at sinisingil ang mga reasoning token na iyon sa presyo ng output. Puwedeng may kasamang 1,000 o higit pang token ng pag-iisip ang sagot na 200 token. Sa BroadNet Inference, nagre-reason ang DeepSeek V4.1 Flash, GLM 5.3 at Qwen3.8 27B. Pababain ang gastos gamit ang reasoning\_effort na low, makatwirang max\_tokens, at non-reasoning model para sa mga simpleng hakbang.

## Mga pangunahing punto

-   Binibilang ang reasoning token sa completion\_tokens at sinisingil sa presyo ng output, kahit hindi mo kailanman nakikita ang mga ito.
-   Ang 1,000 sagot na may tig-1,000 reasoning token ay nagdadagdag ng 1M output token: $0.52 sa DeepSeek V4.1 Flash, $3.46 sa GLM 5.3.
-   Basahin ang usage.completion\_tokens\_details.reasoning\_tokens para sukatin kung gaano kalaking bahagi ng bill mo ang napupunta sa pag-iisip.
-   I-set ang reasoning\_effort sa low para sa mga simpleng gawain, panatilihing sapat ang taas ng max\_tokens para matapos ang sagot, at i-route ang madadaling hakbang sa model na hindi nagre-reason.
-   Sa unlimited na DeepSeek V4.1 Flash plan, walang token cost ang reasoning.

**Sa page na ito**

1.  Ano ang reasoning token?
2.  Paano sinisingil ang reasoning token?
3.  Gaano kalaki ang maidadagdag ng reasoning sa bill?
4.  Paano sukatin ang reasoning token?
5.  Apat na paraan para kontrolin ang gastos ng reasoning
6.  Aling setting ang gagamitin para sa aling gawain?
7.  Kailan wala nang dagdag na gastos ang reasoning?
8.  Saan bagay ang BroadNet Inference

Nagpadala ka ng maikling tanong, dalawang linya ang sagot, at 1,400 output token ang nasa bill. Walang mali. Nag-isip muna ang model bago sumagot, at sinisingil ang pag-iisip. Ipinapaliwanag ng post na ito kung paano binibilang ang reasoning token, magkano ang mga ito sa bawat model, at ang apat na setting na kumokontrol sa mga ito.

## Ano ang reasoning token?

Sumusulat ang reasoning model ng internal na chain of thought, saka ang nakikitang sagot. Pareho silang lumalabas sa iisang generation. Gawa sa mga [reasoning token](https://broadrouter.com/fil/glossary/reasoning-tokens/) ang pag-iisip. Sa standard na chat-completions response, nasa `message.content` ang sagot, at binibilang ang pag-iisip pero hindi ipinapakita.

Diretsong sinasabi ng reasoning guide ng OpenAI ang patakaran: ang reasoning token ay “still occupy space in the model’s context window and are billed as” output token (salin: umookupa pa rin ng espasyo sa context window ng model at sinisingil bilang output token). Ganito rin ang patakaran ng ibang provider.

## Paano sinisingil ang reasoning token?

Bahagi ang mga ito ng `completion_tokens`, kaya presyo ng output ang binabayaran. Output ang mahal na metro:

| Model | Nagre-reason muna | Output kada 1M | Input kada 1M |
| --- | --- | --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/fil/models/deepseek-v4.1-flash/) | Oo | $0.52 | $0.175 |
| [GLM 5.3](https://broadrouter.com/fil/models/glm-5.3/) | Oo | $3.46 | $0.78 |
| [Qwen3.8 27B](https://broadrouter.com/fil/models/qwen3.8-27b/) | Oo | $2.17 | $0.175 |
| [Gemma 4 VL 26B](https://broadrouter.com/fil/models/gemma-4-vl-26b/) | Hindi nakalista | $0.22 | $0.10 |

Mga presyo ng BroadNet Inference ito, na-sync noong 2026-11-14. Nasa [table ng presyo ng LLM API](https://broadrouter.com/fil/llm-api-pricing/) kung magkano ang singil ng ibang host para sa parehong mga model, halimbawa ang [GLM 5.3 sa iba’t ibang provider](https://broadrouter.com/fil/llm-api-pricing/glm-5.3/).

## Gaano kalaki ang maidadagdag ng reasoning sa bill?

Halimbawa, isang classifier na nagbabalik ng label na isang salita, mga 10 nakikitang token. Kung 1,000 token muna ang pag-iisip ng model, 99% ng output bill ay pag-iisip.

Sa malaking scale: **ang 1,000 sagot na may tig-1,000 reasoning token ay nagdadagdag ng 1M output token.** $0.52 iyan sa DeepSeek V4.1 Flash, $2.17 sa Qwen3.8 27B at $3.46 sa GLM 5.3, dagdag pa sa mga nakikitang sagot.

Nag-iiba ang dami ayon sa gawain. Puwedeng umabot sa libu-libong token ang mahirap na math o reasoning sa code na maraming file. Halos wala namang kailangan ang isang pagbati. Kaya ka sumusukat.

## Paano sukatin ang reasoning token?

Iniuulat ang mga ito ng usage block kapag ibinibigay ng model ang bilang:

```python
r = client.chat.completions.create(
    model="broadnet/deepseek-v4.1-flash",
    messages=[{"role": "user", "content": "Is 'refund my order' a billing or shipping intent?"}],
    max_tokens=1000,
)
u = r.usage
reasoning = (u.completion_tokens_details.reasoning_tokens or 0) if u.completion_tokens_details else 0
print("output:", u.completion_tokens, "reasoning:", reasoning,
      "share:", round(reasoning / max(u.completion_tokens, 1), 2))
```

I-log ito kada uri ng gawain sa loob ng isang linggo. Kadalasan, ilang gawain lang ang may pananagutan sa karamihan ng pag-iisip. Kapag streaming, idagdag ang `stream_options: {"include_usage": true}`; dumarating ang mga bilang sa huling chunk ([gabay sa streaming](https://broadrouter.com/fil/guides/streaming-chat-completions/)).

## Apat na paraan para kontrolin ang gastos ng reasoning

### 1\. Babaan ang `reasoning_effort` para sa mga simpleng gawain

Hinihiling ng `reasoning_effort` sa model na mag-isip nang mas kaunti. Gumagamit ang mga gabay ng BroadNet ng `low` para sa classification, extraction at formatting:

```python
client.chat.completions.create(model="broadnet/deepseek-v4.1-flash", reasoning_effort="low",
                               max_tokens=1000, messages=msgs)
```

Nagdo-document ang OpenAI ng mas malawak na hanay ng value sa sarili nitong mga model, mula `none` at `minimal`, dumaraan sa `low`, `medium` at `high`, hanggang `xhigh` at `max`, at sinasabi nitong “some models support only a subset” (salin: ilang model ay sumusuporta lang sa bahagi ng mga ito). Alamin kung aling mga value ang tinatanggap ng model mo, at ihambing ang output token bago at pagkatapos sa parehong mga sample.

### 2\. Gamitin ang `max_tokens` bilang kisame, hindi pang-ipit

Sabay na nililimitahan ng [`max_tokens`](https://broadrouter.com/fil/glossary/max-tokens/) ang reasoning at ang sagot. Pinipigilan nito ang sagot na hindi na matapos, pero kung masyadong mababa ang set mo, puwedeng gugulin ng model ang buong budget sa pag-iisip at magbalik ng walang lamang sagot na may `finish_reason: "length"`. Babayaran mo ang pag-iisip na iyon at kailangan mo pa ring mag-retry. Iminumungkahi ng BroadNet ang 1,000 token o higit pa para sa mga reasoning model. [Bakit walang laman ang sagot ng reasoning model](https://broadrouter.com/fil/guides/reasoning-tokens-empty-response/).

### 3\. I-route ang madadaling hakbang sa model na hindi nagre-reason

Hindi lahat ng hakbang ay nangangailangan ng pag-iisip. Puwedeng ipasa ang pag-format ng JSON, pagpapalit ng pangalan ng field o pagsagot sa FAQ lookup sa Gemma 4 VL 26B sa $0.22 kada 1M output, na walang nakalistang reasoning sa BroadNet. Ilaan ang mga reasoning model para sa pagpaplano, debugging at mga sagot na maraming hakbang. I-test ang kalidad sa sarili mong mga sample bago mag-route.

### 4\. Tanggalin ang “think step by step” sa mga prompt

Nag-iisip na ang mga reasoning model. Kapag humingi ka pa ng nakikitang step-by-step na reasoning, dalawang beses nila itong isusulat: isang nakatago, isa sa sagot. Hingin ang huling sagot sa format na kailangan mo.

## Aling setting ang gagamitin para sa aling gawain?

| Gawain | Reasoning effort | max\_tokens | Mungkahing model |
| --- | --- | --- | --- |
| Classification, routing | low | 1,000 | Gemma 4 VL 26B o DeepSeek V4.1 Flash |
| Extraction papuntang JSON | low | 1,000 hanggang 2,000 | DeepSeek V4.1 Flash, GLM 5.3 para sa structured output |
| Pag-draft ng sagot sa customer | low o default | 2,000 | DeepSeek V4.1 Flash |
| Debugging, pagpaplano, code review | default o mas mataas | 8,000 o walang set | DeepSeek V4.1 Flash o GLM 5.3 |

Panimulang punto lang ang mga ito. Sukatin ang output token at kalidad sa sarili mong data, saka mag-adjust.

## Kailan wala nang dagdag na gastos ang reasoning?

Sa flat plan. $60 kada buwan kada session ang Full Moon plan ng BroadNet para sa unlimited na DeepSeek V4.1 Flash na walang token meter, kaya walang per-token na gastos ang mga reasoning token. Kumakain pa rin ang mga ito ng oras: sa karaniwang bilis na mga 100 token bawat segundo, nabubuo ang bawat reasoning token bago magsimula ang sagot, kaya naaantala ang sagot kapag mahaba ang pag-iisip. [Kailan mas sulit ang flat plan kaysa per-token](https://broadrouter.com/fil/blog/flat-rate-vs-pay-per-token-llm-api/), at [sampu pang paraan para bawasan ang bill ng coding agent](https://broadrouter.com/fil/blog/cut-coding-agent-llm-costs/).

## Saan bagay ang BroadNet Inference

Nagpapatakbo ang BroadNet ng tatlong reasoning model at isang model na walang nakalistang reasoning sa iisang [OpenAI-compatible](https://broadrouter.com/fil/glossary/openai-compatible-api/) key sa `https://inference.broadnet.ai/v1`, at iniuulat ang usage sa bawat response. Kaya madaling mag-route ayon sa gawain at sukatin ang pagkakaiba. Kung kailangan mo ng closed model na may nakikitang reasoning summary, gamitin ang API ng vendor na iyon; walang closed model sa chat catalogue ng BroadNet. [Tingnan ang mga plan](https://inference.broadnet.ai/plans?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-reasoning-tokens-cost&utm_content=body).

Mga libreng tool para rito (Ingles)

-   [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.

[Libreng tools (Ingles)](https://broadrouter.com/tools/)

## Mga termino sa artikulong ito

[Token](https://broadrouter.com/fil/glossary/token/)

Ang token ay ang yunit ng text na binabasa at isinusulat ng isang language model: isang salita, bahagi ng salita, bantas o byte sequence na ginawa ng tokenizer ng model. Sa token binibilang, nililimitahan at kadalasang sinisingil ng mga LLM API ang paggamit.

[Reasoning tokens](https://broadrouter.com/fil/glossary/reasoning-tokens/)

Ang reasoning tokens ay mga token na binubuo ng isang reasoning model para pag-isipan ang isang problema bago nito isulat ang nakikitang sagot. Kadalasang sinisingil ang mga ito bilang output token, binibilang sa output limit at sa context window, at puwedeng itago o ibuod ng API.

[Context window](https://broadrouter.com/fil/glossary/context-window/)

Ang context window ay ang pinakamaraming token na kayang hawakan ng isang language model sa iisang request. Sakop nito ang prompt, history ng usapan, tool definitions, mga larawan at ang nabuong output, kasama ang anumang reasoning tokens. Ang hindi kasya ay kailangang bawasan, ibuod o hatiin sa ilang request.

[Input at output token (input and output tokens)](https://broadrouter.com/fil/glossary/input-and-output-tokens/)

Ang input token ay ang mga token na binabasa ng language model sa isang request, kasama ang system prompt, history ng usapan, tool definitions at mga larawan. Ang output token ay ang mga token na binubuo nito bilang sagot, kasama ang anumang reasoning. Kadalasang magkahiwalay ang presyo ng dalawa, at mas mahal ang output.

[Flat-rate LLM plan (unlimited na plan)](https://broadrouter.com/fil/glossary/flat-rate-llm-plan/)

Ang flat-rate LLM plan ay naniningil ng fixed na presyo para sa isang period, gaya ng isang buwan, para sa access sa language model API sa halip na maningil kada token. Kadalasang may ibang nililimitahan ang ganitong plan, gaya ng concurrency, bilis, mga model o usage window, kaya kasinghalaga ng presyo ang mga limit.

[Streaming](https://broadrouter.com/fil/glossary/streaming/)

Ang streaming ay paraan ng pagbabalik ng sagot ng language model nang paunti-unting chunk habang binubuo pa ito, sa halip na iisang sagot sa dulo. Sa mga OpenAI-compatible na API, dumadaan ang streaming sa server-sent events kapag naka-set sa true ang stream sa request.

[AI agent](https://broadrouter.com/fil/glossary/agent/)

Ang AI agent ay isang system kung saan ang language model mismo ang nagdidirekta ng mga hakbang nito tungo sa isang layunin: pinipili nito kung aling tools ang tatawagin, binabasa ang mga resulta at umuulit hanggang makabuo ng huling sagot o maabot ang limit. Workflow naman ang karaniwang tawag sa fixed na script na tumatawag sa model sa takdang punto.

[AI coding agent](https://broadrouter.com/fil/glossary/coding-agent/)

Ang AI coding agent ay software tool kung saan gumagana ang isang language model sa codebase nang paulit-ulit sa isang loop: nagbabasa ng mga file, nag-e-edit ng mga ito, nagpapatakbo ng mga command gaya ng tests, binabasa ang output at nagpapasya ng susunod na hakbang hanggang matapos ang task o maabot ang limit.

## Mga tanong

### Sinisingil ba ang reasoning token bilang input o output?

Bilang output. Ginagawa ang mga ito ng model, iniuulat sa loob ng completion\_tokens at sinisingil sa presyo ng output kada 1M token.

### Puwede ko bang i-off nang tuluyan ang reasoning?

Nakadepende sa model. Nagdo-document ang OpenAI ng mga effort value na puwedeng kasama ang none o minimal sa ilang model. Sa BroadNet, i-set ang reasoning\_effort sa low, o gamitin ang Gemma 4 VL 26B, na walang nakalistang reasoning sa BroadNet.

### Nakakatipid ba ang mababang max\_tokens sa mga reasoning model?

Bahagya lang. Nililimitahan nito ang bill, pero kung maubos ng reasoning ang buong budget, babayaran mo ang pag-iisip at walang laman ang makukuha mong sagot. Babaan na lang ang effort, at panatilihin ang max\_tokens sa 1,000 o higit pa.

### Nakikita ko ba ang text ng reasoning?

Kadalasang hindi sa content field. Iniuulat ng usage block kung ilang reasoning token ang nagamit, kapag iniuulat ito ng model, sa completion\_tokens\_details.reasoning\_tokens.

## Magbasa pa

-   [Presyo ng LLM API, ipinaliwanag: input, cached, output at reasoning](https://broadrouter.com/fil/blog/llm-api-pricing-explained/)
-   [10 paraan para bawasan ang gastos sa LLM ng coding agent, may tantiya](https://broadrouter.com/fil/blog/cut-coding-agent-llm-costs/)
-   [Flat-rate vs pay-per-token na LLM API: ang break-even math](https://broadrouter.com/fil/blog/flat-rate-vs-pay-per-token-llm-api/)
-   [Pagbabago sa presyo ng LLM API, Oktubre 2026: 3 pagtaas, walang bawas](https://broadrouter.com/fil/blog/llm-api-price-changes-october-2026/)
-   [Gaano kadalas nagbabago ang presyo ng LLM API? 3 taon ng archive](https://broadrouter.com/fil/blog/how-often-llm-api-prices-change/)
-   [Gabay: Bakit walang laman ang sagot ng isang reasoning model](https://broadrouter.com/fil/guides/reasoning-tokens-empty-response/)
-   [Gabay: Paano mag-stream ng chat completions at ayusin ang naputol na stream](https://broadrouter.com/fil/guides/streaming-chat-completions/)

Subukan ito sa totoong workload mo. May US$5 na panimulang credit ang mga bagong account para sa Gemma at transcription. Kailangan ng top-up para sa DeepSeek, GLM, at Qwen3.8.

[Magsimula](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-reasoning-tokens-cost&utm_content=page-cta) ·

**Mga source**

-   [API reference ng BroadNet Inference, reasoning at cached token (sinuri noong 2026-11-15) (Ingles)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-reasoning-tokens-cost&utm_content=sources#models)
-   [Machine-readable na presyo ng BroadNet Inference (pricing.json) (sinuri noong 2026-11-15) (Ingles)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-reasoning-tokens-cost&utm_content=sources)
-   [Reasoning guide ng OpenAI, billing, mga effort value at max\_output\_tokens (sinuri noong 2026-11-14)](https://developers.openai.com/api/docs/guides/reasoning)
