---
title: "ریزننگ ٹوکنز کی لاگت: آؤٹ پٹ کا بل زیادہ کیوں آتا ہے"
description: "ریزننگ ماڈلز چھپی سوچ کا بل آؤٹ پٹ ٹوکنز کے طور پر بناتے ہیں۔ اسے کیسے ناپیں، ہر ماڈل پر اس کی لاگت، اور reasoning_effort، max_tokens اور روٹنگ سے اسے کیسے کم کریں۔"
url: https://broadrouter.com/ur/blog/reasoning-tokens-cost/
lang: ur
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

یہ صفحہ انگریزی سے AI کی مدد سے ترجمہ کیا گیا ہے۔ [انگریزی اصل پڑھیں](https://broadrouter.com/blog/reasoning-tokens-cost/) (اپ ڈیٹ: 2026-11-16).

# ریزننگ ٹوکنز: نظر آنے سے زیادہ آؤٹ پٹ کی ادائیگی کیوں ہوتی ہے

BroadNet Inference ٹیم · 4 منٹ کی پڑھائی · شائع شدہ 2026-11-14 · اپ ڈیٹ 2026-11-16

ریزننگ ماڈل جواب سے پہلے چھپی سوچ لکھتا ہے، اور ان ریزننگ ٹوکنز کا بل آؤٹ پٹ کی قیمت پر بنتا ہے۔ 200 ٹوکن کے جواب کے پیچھے 1,000 یا زیادہ ٹوکن کی سوچ ہو سکتی ہے۔ BroadNet Inference پر DeepSeek V4.1 Flash، GLM 5.3 اور Qwen3.8 27B ریزننگ کرتے ہیں۔ reasoning\_effort کو low رکھ کر، مناسب max\_tokens سے، اور آسان مراحل کے لیے بغیر ریزننگ والے ماڈل سے لاگت کم کریں۔

## اہم نکات

-   ریزننگ ٹوکنز completion\_tokens میں گنے جاتے ہیں اور آؤٹ پٹ کی قیمت پر بل ہوتے ہیں، چاہے آپ انہیں کبھی نہ دیکھیں۔
-   1,000 ٹوکن ریزننگ والے 1,000 جوابات 1M آؤٹ پٹ ٹوکن جوڑتے ہیں: DeepSeek V4.1 Flash پر $0.52، GLM 5.3 پر $3.46۔
-   آپ کے بل کا کتنا حصہ سوچ میں جاتا ہے، یہ ناپنے کے لیے usage.completion\_tokens\_details.reasoning\_tokens پڑھیں۔
-   آسان کاموں کے لیے reasoning\_effort کو low کریں، max\_tokens اتنا رکھیں کہ جواب مکمل ہو سکے، اور آسان مراحل ایسے ماڈل پر بھیجیں جو ریزننگ نہیں کرتا۔
-   DeepSeek V4.1 Flash کے لامحدود پلان پر ریزننگ کی کوئی ٹوکن لاگت نہیں۔

**اس صفحے پر**

1.  ریزننگ ٹوکنز کیا ہیں؟
2.  ریزننگ ٹوکنز کا بل کیسے بنتا ہے؟
3.  ریزننگ بل میں کتنا اضافہ کر سکتی ہے؟
4.  ریزننگ ٹوکنز کیسے ناپیں؟
5.  ریزننگ کی لاگت کنٹرول کرنے کے چار طریقے
6.  کس کام کے لیے کون سی سیٹنگ استعمال کریں؟
7.  ریزننگ کی اضافی لاگت کب ختم ہوتی ہے؟
8.  BroadNet Inference کہاں فٹ ہوتا ہے

آپ ایک مختصر سوال بھیجتے ہیں، دو لائن کا جواب پاتے ہیں، اور بل 1,400 آؤٹ پٹ ٹوکن دکھاتا ہے۔ کچھ بھی غلط نہیں۔ ماڈل نے جواب دینے سے پہلے سوچا، اور اس سوچ کا بل بنا۔ یہ پوسٹ بتاتی ہے کہ ریزننگ ٹوکنز کیسے گنے جاتے ہیں، ہر ماڈل پر ان کی لاگت کیا ہے، اور وہ چار سیٹنگز جو انہیں کنٹرول کرتی ہیں۔

## ریزننگ ٹوکنز کیا ہیں؟

ریزننگ ماڈل پہلے سوچ کا ایک اندرونی سلسلہ لکھتا ہے، پھر نظر آنے والا جواب۔ دونوں ایک ہی جنریشن سے نکلتے ہیں۔ سوچ [ریزننگ ٹوکنز](https://broadrouter.com/ur/glossary/reasoning-tokens/) سے بنی ہوتی ہے۔ معیاری chat-completions ریسپانس میں جواب `message.content` میں ہوتا ہے، اور سوچ گنی جاتی ہے، دکھائی نہیں جاتی۔

OpenAI کی ریزننگ گائیڈ یہ اصول صاف الفاظ میں بتاتی ہے: ریزننگ ٹوکنز “still occupy space in the model’s context window and are billed as” (ترجمہ: پھر بھی ماڈل کی کانٹیکسٹ ونڈو میں جگہ گھیرتے ہیں اور ان کا بل اس طور پر بنتا ہے) آؤٹ پٹ ٹوکنز۔ دوسرے فراہم کنندگان بھی یہی اصول مانتے ہیں۔

## ریزننگ ٹوکنز کا بل کیسے بنتا ہے؟

یہ `completion_tokens` کا حصہ ہیں، اس لیے آؤٹ پٹ کی قیمت ادا کرتے ہیں۔ آؤٹ پٹ مہنگا میٹر ہے:

| ماڈل | پہلے ریزننگ کرتا ہے | فی 1M آؤٹ پٹ | فی 1M ان پٹ |
| --- | --- | --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/ur/models/deepseek-v4.1-flash/) | ہاں | $0.52 | $0.175 |
| [GLM 5.3](https://broadrouter.com/ur/models/glm-5.3/) | ہاں | $3.46 | $0.78 |
| [Qwen3.8 27B](https://broadrouter.com/ur/models/qwen3.8-27b/) | ہاں | $2.17 | $0.175 |
| [Gemma 4 VL 26B](https://broadrouter.com/ur/models/gemma-4-vl-26b/) | درج نہیں | $0.22 | $0.10 |

قیمتیں BroadNet Inference کی ہیں، 2026-11-14 کو ہم آہنگ کی گئیں۔ دوسرے ہوسٹس انہی ماڈلز کے لیے کیا لیتے ہیں، یہ [LLM API قیمتوں کے جدول](https://broadrouter.com/ur/llm-api-pricing/) میں ہے، مثلاً [فراہم کنندگان کے لحاظ سے GLM 5.3](https://broadrouter.com/ur/llm-api-pricing/glm-5.3/)۔

## ریزننگ بل میں کتنا اضافہ کر سکتی ہے؟

ایک درجہ بندی کرنے والا ماڈل لیں جو ایک لفظ کا لیبل لوٹاتا ہے، تقریباً 10 نظر آنے والے ٹوکن۔ اگر ماڈل پہلے 1,000 ٹوکن سوچتا ہے تو آؤٹ پٹ بل کا 99% سوچ ہے۔

بڑے پیمانے پر: **1,000 ٹوکن ریزننگ والے 1,000 جوابات 1M آؤٹ پٹ ٹوکن جوڑتے ہیں۔** نظر آنے والے جوابات کے علاوہ، اس کی لاگت DeepSeek V4.1 Flash پر $0.52، Qwen3.8 27B پر $2.17 اور GLM 5.3 پر $3.46 ہے۔

مقدار کام کے لحاظ سے بدلتی ہے۔ مشکل ریاضی یا کئی فائلوں والے کوڈ کی ریزننگ ہزاروں ٹوکن تک جا سکتی ہے۔ سلام دعا کے لیے تقریباً کچھ نہیں چاہیے۔ اسی لیے ناپنا ضروری ہے۔

## ریزننگ ٹوکنز کیسے ناپیں؟

جب ماڈل گنتی فراہم کرتا ہے تو usage بلاک اسے بتاتا ہے:

```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))
```

ایک ہفتے تک ہر قسم کے کام کے لیے اسے لاگ کریں۔ عموماً پتا چلے گا کہ زیادہ تر سوچ چند ہی کاموں میں جاتی ہے۔ اسٹریمنگ میں `stream_options: {"include_usage": true}` شامل کریں؛ گنتی آخری chunk میں آتی ہے ([اسٹریمنگ گائیڈ](https://broadrouter.com/ur/guides/streaming-chat-completions/))۔

## ریزننگ کی لاگت کنٹرول کرنے کے چار طریقے

### 1\. آسان کاموں کے لیے `reasoning_effort` کم کریں

`reasoning_effort` ماڈل سے کم سوچنے کو کہتا ہے۔ BroadNet کی گائیڈز درجہ بندی، ڈیٹا نکالنے اور فارمیٹنگ کے لیے `low` استعمال کرتی ہیں:

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

OpenAI اپنے ماڈلز پر قدروں کی وسیع رینج درج کرتا ہے، `none` اور `minimal` سے لے کر `low`، `medium` اور `high` سے ہوتے ہوئے `xhigh` اور `max` تک، اور لکھتا ہے کہ “some models support only a subset” (ترجمہ: کچھ ماڈلز ان میں سے صرف چند کو سپورٹ کرتے ہیں)۔ دیکھیں کہ آپ کا ماڈل کون سی قدریں قبول کرتا ہے، اور انہی نمونوں پر پہلے اور بعد کے آؤٹ پٹ ٹوکنز کا موازنہ کریں۔

### 2\. `max_tokens` کو چھت کی طرح رکھیں، شکنجے کی طرح نہیں

[`max_tokens`](https://broadrouter.com/ur/glossary/max-tokens/) ریزننگ اور جواب دونوں کو ملا کر محدود کرتا ہے۔ یہ بے قابو جواب روکتا ہے، لیکن اگر آپ اسے بہت کم رکھیں تو ماڈل پورا بجٹ سوچنے میں لگا سکتا ہے اور `finish_reason: "length"` کے ساتھ خالی جواب لوٹا سکتا ہے۔ آپ اس سوچ کی ادائیگی کرتے ہیں اور پھر بھی دوبارہ کوشش کرنی پڑتی ہے۔ BroadNet ریزننگ ماڈلز کے لیے 1,000 یا زیادہ ٹوکن تجویز کرتا ہے۔ [ریزننگ ماڈل خالی جواب کیوں لوٹاتا ہے](https://broadrouter.com/ur/guides/reasoning-tokens-empty-response/)۔

### 3\. آسان مراحل ایسے ماڈل پر بھیجیں جو ریزننگ نہیں کرتا

ہر مرحلے کو سوچ کی ضرورت نہیں۔ JSON فارمیٹ کرنا، فیلڈز کے نام بدلنا یا FAQ سے جواب تلاش کرنا Gemma 4 VL 26B پر جا سکتا ہے، فی 1M آؤٹ پٹ $0.22 پر، جس کے لیے BroadNet ریزننگ درج نہیں کرتا۔ ریزننگ ماڈلز کو منصوبہ بندی، ڈیبگنگ اور کئی مراحل والے جوابات کے لیے رکھیں۔ روٹ کرنے سے پہلے اپنے نمونوں پر معیار ٹیسٹ کریں۔

### 4\. پرامپٹس سے “think step by step” ہٹائیں

ریزننگ ماڈلز پہلے سے سوچتے ہیں۔ اوپر سے نظر آنے والی مرحلہ وار ریزننگ مانگنے پر وہ اسے دو بار لکھتے ہیں: ایک بار چھپا کر، ایک بار جواب میں۔ سیدھا حتمی جواب اس فارمیٹ میں مانگیں جو آپ کو چاہیے۔

## کس کام کے لیے کون سی سیٹنگ استعمال کریں؟

| کام | ریزننگ effort | max\_tokens | ماڈل کی تجویز |
| --- | --- | --- | --- |
| درجہ بندی، روٹنگ | low | 1,000 | Gemma 4 VL 26B یا DeepSeek V4.1 Flash |
| JSON میں ڈیٹا نکالنا | low | 1,000 سے 2,000 | DeepSeek V4.1 Flash، اسٹرکچرڈ آؤٹ پٹ کے لیے GLM 5.3 |
| گاہک کو جواب کا مسودہ | low یا ڈیفالٹ | 2,000 | DeepSeek V4.1 Flash |
| ڈیبگنگ، منصوبہ بندی، کوڈ ریویو | ڈیفالٹ یا زیادہ | 8,000 یا سیٹ نہ کریں | DeepSeek V4.1 Flash یا GLM 5.3 |

یہ ابتدائی نکات ہیں۔ اپنے ڈیٹا پر آؤٹ پٹ ٹوکنز اور معیار ناپیں، پھر تبدیلی کریں۔

## ریزننگ کی اضافی لاگت کب ختم ہوتی ہے؟

مقررہ قیمت والے پلان پر۔ BroadNet کا Full Moon پلان لامحدود DeepSeek V4.1 Flash کے لیے ہر سیشن $60 ماہانہ ہے، بغیر ٹوکن میٹر کے، اس لیے ریزننگ ٹوکنز کی کوئی فی ٹوکن لاگت نہیں۔ پھر بھی وہ وقت لیتے ہیں: تقریباً 100 ٹوکن فی سیکنڈ کی عام رفتار پر ہر ریزننگ ٹوکن جواب شروع ہونے سے پہلے بنتا ہے، اس لیے لمبی سوچ جواب میں تاخیر کرتی ہے۔ [مقررہ قیمت والا پلان فی ٹوکن سے کب بہتر ہے](https://broadrouter.com/ur/blog/flat-rate-vs-pay-per-token-llm-api/)، اور [کوڈنگ ایجنٹ کا بل کم کرنے کے دس مزید طریقے](https://broadrouter.com/ur/blog/cut-coding-agent-llm-costs/)۔

## BroadNet Inference کہاں فٹ ہوتا ہے

BroadNet تین ریزننگ ماڈلز اور ایک بغیر درج ریزننگ والا ماڈل، `https://inference.broadnet.ai/v1` پر ایک ہی [OpenAI-compatible](https://broadrouter.com/ur/glossary/openai-compatible-api/) کلید سے چلاتا ہے، اور ہر ریسپانس میں استعمال بتاتا ہے۔ اس سے کام کے لحاظ سے روٹ کرنا اور فرق ناپنا آسان ہو جاتا ہے۔ اگر آپ کو نظر آنے والے ریزننگ خلاصے والا کلوزڈ ماڈل چاہیے تو اس وینڈر کا API استعمال کریں؛ BroadNet کے چیٹ کیٹلاگ میں کوئی کلوزڈ ماڈل نہیں۔ [پلانز دیکھیں](https://inference.broadnet.ai/plans?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-reasoning-tokens-cost&utm_content=body)۔

اس موضوع کے مفت ٹولز (انگریزی میں)

-   [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.

[مفت ٹولز (انگریزی میں)](https://broadrouter.com/tools/)

## اس مضمون کی اصطلاحات

[ٹوکن (token)](https://broadrouter.com/ur/glossary/token/)

ٹوکن متن کی وہ اکائی ہے جسے لینگویج ماڈل پڑھتا اور لکھتا ہے: کوئی لفظ، لفظ کا حصہ، رموزِ اوقاف کی کوئی علامت یا بائٹس کا سلسلہ، جو ماڈل کا ٹوکنائزر بناتا ہے۔ LLM API استعمال کو ٹوکنز میں گنتے ہیں، انہی میں حدیں لگاتے ہیں اور عموماً بل بھی بناتے ہیں۔

[کانٹیکسٹ ونڈو (context window)](https://broadrouter.com/ur/glossary/context-window/)

کانٹیکسٹ ونڈو ٹوکنز کی وہ زیادہ سے زیادہ تعداد ہے جس کے ساتھ لینگویج ماڈل ایک درخواست میں کام کر سکتا ہے۔ اس میں پرامپٹ، گفتگو کی تاریخ، ٹول ڈیفینیشنز، تصاویر اور بننے والا آؤٹ پٹ، ریزننگ ٹوکنز سمیت، سب شامل ہیں۔ جو اس میں نہ سمائے اسے کاٹنا، خلاصہ کرنا یا کئی درخواستوں میں بانٹنا پڑتا ہے۔

[اسٹریمنگ (streaming)](https://broadrouter.com/ur/glossary/streaming/)

اسٹریمنگ، لینگویج ماڈل کے جواب کو آخر میں ایک ساتھ لوٹانے کے بجائے، بنتے وقت ہی چھوٹے چھوٹے ٹکڑوں (chunks) میں لوٹانے کا طریقہ ہے۔ OpenAI-compatible APIs، درخواست میں stream کو true سیٹ کرنے پر server-sent events کے ذریعے اسٹریم کرتے ہیں۔

[ان پٹ اور آؤٹ پٹ ٹوکن (input and output tokens)](https://broadrouter.com/ur/glossary/input-and-output-tokens/)

ان پٹ ٹوکن وہ ٹوکن ہیں جو لینگویج ماڈل کسی درخواست میں پڑھتا ہے، جن میں سسٹم پرامپٹ، گفتگو کی تاریخ، ٹول ڈیفینیشنز اور تصاویر شامل ہیں۔ آؤٹ پٹ ٹوکن وہ ہیں جو وہ جواب میں بناتا ہے، ریزننگ سمیت۔ LLM API عموماً دونوں کی قیمت الگ رکھتے ہیں، اور آؤٹ پٹ عموماً مہنگا ہوتا ہے۔

[اسٹرکچرڈ آؤٹ پٹ (structured output)](https://broadrouter.com/ur/glossary/structured-output/)

اسٹرکچرڈ آؤٹ پٹ LLM API کا ایک فیچر ہے جو ماڈل کے جواب کو ڈویلپر کے طے کردہ فارمیٹ، عموماً JSON Schema، تک محدود کرتا ہے، تاکہ کوڈ اسے قابلِ اعتماد طریقے سے پارس کر سکے۔ یہ JSON mode سے زیادہ سخت ہے، جو درست JSON کی ضمانت دیتا ہے، لیکن کسی خاص ساخت کی نہیں۔

[ریزننگ ٹوکن (reasoning tokens)](https://broadrouter.com/ur/glossary/reasoning-tokens/)

ریزننگ ٹوکن وہ ٹوکن ہیں جو ریزننگ ماڈل اپنا نظر آنے والا جواب لکھنے سے پہلے مسئلہ حل کرنے کے لیے بناتا ہے۔ ان کا بل عموماً آؤٹ پٹ ٹوکنز کی طرح بنتا ہے، یہ آؤٹ پٹ کی حد اور کانٹیکسٹ ونڈو میں شمار ہوتے ہیں، اور API انہیں چھپا سکتا ہے یا ان کا خلاصہ دے سکتا ہے۔

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

AI ایجنٹ ایسا نظام ہے جس میں لینگویج ماڈل کسی ہدف کی طرف اپنے قدم خود طے کرتا ہے: کون سے ٹولز کال کرنے ہیں، یہ چنتا ہے، نتائج پڑھتا ہے اور حتمی جواب یا کسی حد تک دہراتا رہتا ہے۔ مقررہ مقامات پر ماڈل کو کال کرنے والی اسکرپٹ کو عموماً workflow کہا جاتا ہے۔

[AI کوڈنگ ایجنٹ (AI coding agent)](https://broadrouter.com/ur/glossary/coding-agent/)

AI کوڈنگ ایجنٹ ایک سافٹ ویئر ٹول ہے جس میں لینگویج ماڈل کوڈ بیس پر لوپ میں کام کرتا ہے: فائلیں پڑھتا ہے، انہیں بدلتا ہے، ٹیسٹ جیسی کمانڈز چلاتا ہے، آؤٹ پٹ پڑھتا ہے اور اگلا قدم طے کرتا ہے، جب تک کام مکمل نہ ہو یا کوئی حد نہ آ جائے۔

## عام سوالات

### ریزننگ ٹوکنز کا بل ان پٹ کے طور پر بنتا ہے یا آؤٹ پٹ کے طور پر؟

آؤٹ پٹ کے طور پر۔ انہیں ماڈل بناتا ہے، یہ completion\_tokens کے اندر بتائے جاتے ہیں اور فی 1M ٹوکن آؤٹ پٹ کی قیمت پر بل ہوتے ہیں۔

### کیا میں ریزننگ مکمل طور پر بند کر سکتا ہوں؟

یہ ماڈل پر منحصر ہے۔ OpenAI ایسی effort قدریں درج کرتا ہے جن میں کچھ ماڈلز پر none یا minimal بھی ہو سکتی ہیں۔ BroadNet پر reasoning\_effort کو low کریں، یا Gemma 4 VL 26B استعمال کریں، جس کے لیے BroadNet ریزننگ درج نہیں کرتا۔

### کیا کم max\_tokens سے ریزننگ ماڈلز پر پیسے بچتے ہیں؟

صرف جزوی طور پر۔ یہ بل کی حد باندھ دیتا ہے، لیکن اگر ریزننگ پورا بجٹ کھا جائے تو آپ سوچ کی ادائیگی کرتے ہیں اور جواب خالی ملتا ہے۔ اس کے بجائے effort کم کریں، اور max\_tokens کو 1,000 یا زیادہ رکھیں۔

### کیا مجھے ریزننگ کا متن نظر آتا ہے؟

عموماً content فیلڈ میں نہیں۔ اگر ماڈل یہ تعداد بتاتا ہے تو usage بلاک completion\_tokens\_details.reasoning\_tokens میں بتاتا ہے کہ کتنے ریزننگ ٹوکن استعمال ہوئے۔

## مزید پڑھیں

-   [LLM API کی قیمت کیسے بنتی ہے: ان پٹ، کیش شدہ، آؤٹ پٹ اور ریزننگ](https://broadrouter.com/ur/blog/llm-api-pricing-explained/)
-   [کوڈنگ ایجنٹ کی LLM لاگت کم کرنے کے 10 طریقے، اندازاً بچت کے ساتھ](https://broadrouter.com/ur/blog/cut-coding-agent-llm-costs/)
-   [مقررہ قیمت بمقابلہ فی ٹوکن ادائیگی والا LLM API: بریک ایون کا حساب](https://broadrouter.com/ur/blog/flat-rate-vs-pay-per-token-llm-api/)
-   [اکتوبر 2026 میں LLM API قیمتوں میں تبدیلیاں: 3 اضافے، کٹوتی کوئی نہیں](https://broadrouter.com/ur/blog/llm-api-price-changes-october-2026/)
-   [LLM API کی قیمتیں کتنی بار بدلتی ہیں؟ آرکائیو صفحات کے 3 سال](https://broadrouter.com/ur/blog/how-often-llm-api-prices-change/)
-   [گائیڈ: ریزننگ ماڈل خالی جواب کیوں لوٹاتا ہے](https://broadrouter.com/ur/guides/reasoning-tokens-empty-response/)
-   [گائیڈ: chat completions اسٹریم کریں اور ٹوٹے کنکشن سنبھالیں](https://broadrouter.com/ur/guides/streaming-chat-completions/)

اسے اپنے اصل کام پر آزمائیں۔ نئے اکاؤنٹس Gemma اور ٹرانسکرپشن کے لیے US$5 کے کریڈٹ سے شروع ہوتے ہیں۔ DeepSeek، GLM، اور Qwen3.8 کے لیے ٹاپ اپ ضروری ہے۔

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

**ذرائع**

-   [BroadNet Inference کا API ریفرنس، ریزننگ اور کیش شدہ ٹوکن (2026-11-15 کو چیک کیا گیا) (انگریزی میں)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-reasoning-tokens-cost&utm_content=sources#models)
-   [BroadNet Inference کی مشین سے پڑھی جانے والی قیمتیں (pricing.json) (2026-11-15 کو چیک کیا گیا) (انگریزی میں)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=ur-blog-reasoning-tokens-cost&utm_content=sources)
-   [OpenAI ریزننگ گائیڈ، بلنگ، effort کی قدریں اور max\_output\_tokens (2026-11-14 کو دیکھا گیا)](https://developers.openai.com/api/docs/guides/reasoning)
