Ang uncomfortable na katotohanan: ang "model choice" ay halos ang iyong prompt engineering Kung ang iyong prompt ay isang recipe, ang modelo ay ang iyong kitchen. Ang isang mahusay na recipe ay hindi gumagana kung: 
 
 
 
 
 ang oven ay maliit (context window), ang mga ingredients ay mahal (token price), ang boss ay slow (latency), o ang iyong mga tool ay hindi matatagpuan (function calling / JSON / SDK / ecosystem). Eto ang a Mga comparison na maaari mong gamitin. practical 
 
 Note sa "parameters": Para sa maraming mga modelo ng border, ang mga bilang ng mga parameter ay hindi inihayag sa publiko. Sa pangkalahatan, ang kontekstong window + pricing + tool features ay masiguro na "fit" mas mahusay kaysa sa pag-aralan ng scale ng parameter. Para sa maraming mga modelo ng border, ang mga bilang ng mga parameter ay hindi inihayag sa publiko. Sa pangkalahatan, ang kontekstong window + pricing + tool features ay masiguro na ang "fit" ay mas mahusay kaysa sa pag-aralan ng scale ng parameter. Note on “parameters”: 1) Quick comparison: kung ano ang dapat mong interesado tungkol sa unang 1.1 Ang mga “four buttons” na mahalaga 
 
 
 
 
 Konteksto: Maaari mong matatagpuan ang trabaho sa isang request? COST: Dapat mo bang magbayad ng volume? Latency: Ang iyong UX tolerate ang pag-atake? Compatibility: ba ang iyong stack integrate cleanly? Ang lahat ng iba ay second order. 2) Model spec table (context + positioning) Ang tablo na ito ay nag-focus sa kung ano ang stable: . family, positioning, and context expectations Ipinapakita ang mga pahinang tumuturo sa pagitan ng Panginoon: Ipinapakita ang Panginoon: Ipinapakita ang Panginoon: Ipinapakita ang Panginoon: Ipinapakita ang Panginoon: Ipinapakita ang Panginoon: Ipinapakita ang Panginoon: Ipinapakita ang Panginoon: Ipinapakita ang Panginoon: Ipinapakita ang Panginoon: Ipinapakita ang Panginoon: Ipinapakita ang Panginoon: Ipinapakita ang Panginoon: Ipinapakita ang Panginoon: Ipinapakita ang Panginoon: Ipinapakita ang Panginoon: Ipinapakita ang Panginoon: Ipinapakita ang Panginoon: Ipinapakita ang Panginoon: Ipinapakita ang Panginoon: Ipinapakita ang Pangino na ang na ang Ang mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod na mga sumusunod. na ang I-click ang tab na ito at i-click ang tab na ito at i-click ang tab na ito at i-click ang tab na ito at i-click ang tab na ito at i-click ang tab na ito at i-click ang tab na ito at i-click ang tab na ito at i-click ang tab na ito at i-click ang tab na ito at i-click ang tab na ito at i-click ang tab na ito at i-click ang tab na ito at i-click ang tab na ito. gpt-4o gpt-4.1 gpt-5* o3 o1 3) Pricing table (ang bahagi ng iyong CFO ay tunay na nabasa) Sa ibaba ay mula sa mga official docs (USD per Gamit ito bilang isang baseline, pagkatapos ay gumagamit: caching, batch discount, at ang iyong katotohanan output length. public list prices 1M tokens 3.1 OpenAI (piliin ang mga highlights) OpenAI publishes input, cached input, at output prices per 1M tokens. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Model 
 Input / 1M 
 Cached input / 1M 
 Output / 1M 
 When to use 
 
 
 
 
 
 
 gpt-4.1 
 $2.00 
 $0.50 
 $8.00 
 High-quality general reasoning with sane cost 
 
 
 
 
 
 
 gpt-4o 
 $2.50 
 $1.25 
 $10.00 
 Multimodal-ish “workhorse” if you need it 
 
 
 
 
 
 
 gpt-4o-mini 
 $0.15 
 $0.075 
 $0.60 
 High-throughput chat, extraction, tagging 
 
 
 
 
 
 
 o3 
 $2.00 
 $0.50 
 $8.00 
 Reasoning-heavy tasks without the top-end pricing 
 
 
 
 
 
 
 o1 
 $15.00 
 $7.50 
 $60.00 
 “Use sparingly”: hard reasoning where mistakes are expensive gpt-4.1 $2 sa loob ang $0.50 8 sa loob High-quality general reasoning sa sane cost gpt-4o Para sa $2.50 Mga $ 1.25 $10 sa loob Multimodal-ish “workhorse” kung kailangan mo ito gpt-4o-mini ang $0.15 Iba ang $0,075 ang $0.60 High-throughput chat, pag-extraction, tagging o3 $2 sa loob ang $0.50 8 sa loob Reasoning-bahay na mga trabaho nang walang ang top-end pricing o1 $15 sa loob Mga $ 7.50 Mga 60,000 “Use sparingly”: hard reasoning kung saan ang mga error ay mahal 
 
 Kung ikaw ay bumuo ng isang produkto: Maaari mong i-execute 80–95% ng mga telepono sa mas mababang modelo (mini/fast tier), at i-escalate lamang ang mga hard cases. Kung ikaw ay bumuo ng isang produkto: ikaw ay magkakaroon ng Sa mga mas mababang posisyon ay may mga species ng Eurobond fauna, at ang mga altitude ng bundok ay dumarami sa pagtaas ng altitude. 80–95% Ang mga ito ay ang anthropic (Claude) Ang Anthropic ay nag-publish ng isang model pricing table sa Claude docs. 
 
 
 
 
 
 
 
 
 
 
 
 Model 
 Input / MTok 
 Output / MTok 
 Notes 
 
 
 
 
 
 Claude Haiku 4.5 
 $1.00 
 $5.00 
 Fast, budget-friendly tier 
 
 
 
 
 
 Claude Haiku 3.5 
 $0.80 
 $4.00 
 Even cheaper tier option 
 
 
 
 
 
 Claude Sonnet 3.7 (deprecated) 
 $3.75 
 $15.00 
 Listed as deprecated on pricing 
 
 
 
 
 
 Claude Opus 3 (deprecated) 
 $18.75 
 $75.00 
 Premium, but marked deprecated ang napili ng mga taga-hanga: 5 $1,00 ang Mga $ 5.00 Fast, budget-friendly ang buhay ang napili ng mga taga-hanga: Claude Haiku 3.5 ang $0.80 $4 sa loob Magbigay ng option para sa mga Claude Sonnet 3.7 (pumunta sa loob) Mga $ 3.75 $15 sa loob Ipinapakita bilang deprecated sa mga presyo Claude Opus 3 (pumunta sa loob) Mga 1875 Mga $ 75.00 Premium, ngunit markado deprecated 
 
 Importante: ang pagkakaroon ng modelo ay nagbabago. Magtatrabaho ang tablo ng presyo bilang ang authoritative "ang mga bagay na may karaniwang kasalukuyang." I-treat ang pricing table bilang ang authoritative “what exists right now.” Important: 3.3 Ang Google Gemini (Developer API) Gemini price varies sa pagitan ng layer at naglalaman ng kontekstong caching + grounding pricing. 
 
 
 
 
 
 
 
 
 
 Tier (example rows from pricing page) 
 Input / 1M (text/image/video) 
 Output / 1M 
 Notable extras 
 
 
 
 
 
 Gemini tier (row example) 
 $0.30 
 $2.50 
 Context caching + grounding options 
 
 
 
 
 
 Gemini Flash-style row example 
 $0.10 
 $0.40 
 Very low output cost; good for high volume Gemini tier (ng mga halimbawa) ang $0.30 Para sa $2.50 Context caching + mga pagpipilian ng grounding Gemini Flash-style row halimbawa ang $0.10 ang $0.40 Very low output cost; magandang para sa mataas na volume Ang mga pahina ng presyo ng Gemini ay binubuo din: 
 
 
 kontekstong presyo ng caching, at Pag-aralan sa Google Search ang mga presyo / limitasyon. 3.4 Ang DeepSeek (API) Ang DeepSeek ay nag-publish ang mga presyo sa kanyang API docs at sa kanyang pricing page. 
 
 
 
 
 
 
 
 Model family (per DeepSeek pricing pages) 
 What to expect 
 
 
 
 DeepSeek-V3 / “chat” tier 
 Very low per-token pricing compared to many frontier models 
 
 
 
 DeepSeek-R1 reasoning tier 
 Higher than chat tier, still aggressively priced Mga pahinang tumuturo sa DeepSeek-V3 / chat tier Very low per-token price compared sa maraming border model Mga pahinang tumuturo sa DeepSeek-R1 Higit sa chat tier, pa rin ang aggressively priced 4) Latency: Huwag gamitin ang mga fake "average seconds" tables Ang karamihan ng mga blog latency tables ay din: 
 
 
 Matatagpuan sa isang araw, isang rehiyon, isang payload, pagkatapos ay recycled para sa lahat, o Puro ang fiction. Ngunit, ang paggamit : two metrics you can actually observe 
 
 
 TTFT (time to first token) — kung paano mabilis na nagsimula ang streaming Tokens/sec — kung paano mabilis ang output ay dumating kapag nagsimula 4.1 Praktikal na mga expectations ng latency (directional) 
 
 
 
 Ang mga layer ng "Mini/Flash" ay karaniwang makakakuha ng TTFT at throughput para sa mga workloads ng style ng chat. Ang mga layer ng "reasoning" ay karaniwang may mas mababang TTFT at maaaring i-output ang higit pa ng mga token (more thinking), kaya ang nakikita na latency ay lumaki. Long context inputs increases latency sa lahat ng lugar. 4.2 Paano mag-benchmark para sa iyong sarili na produkto (ang isang 15-minute na paraan) Gumawa ng isang maliit na benchmark script na nagpadala: 
 
 
 
 
 ang parehong prompt (gabi, 400-800 tokens), ang fixed max output (e.g., 300 tokens), sa iyong target area, Para sa 30 – 50 taon. ang record: 
 
 
 
 Mga pahinang tumuturo sa p50 / p95 p50 / p95 total na oras, Mga pahinang ito / Sec. Pagkatapos ay mag-decision sa data, hindi vibes. 5) Kompatibilidad: bakit ang "tooling fit" ay bumaba sa kalidad ng raw model Ang isang modelo na 5% "smarter" ngunit bumalik ang iyong stack ay isang net loss. 5.1 Prompt + API surface compatibility (na kung ano ang lumabas kapag i-change ng mga modelo) I-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i-click ang tab na i- 5.2 Ecosystem fit (a.k.a. “ ano ang ginagamit mo ngayon?”) 
 
 
 
 Kung ikaw ay nakatira sa Google Workspace / Vertex-style workflows, Gemini integration + grounding mga opsyon ay maaaring maging isang natural na katumbas. Kung ibinigay mo sa isang malalaking ecosystem ng automation ng third-party, OpenAI + Claude ang parehong may matinding SDK + tooling coverage (LangChain atbp.). Kung kailangan mo ng data residency / on-prem, open-source na mga modelo (Llama / Qwen) ay nagbibigay-daan sa iyo ng data sa loob ng iyong limitasyon, ngunit ikaw ay bayaran sa MLOps. 6) Ang decision checklist: pick ng mga modelo tulad ng isang engineer Step 1 - I-classify ang task 
 
 
 
 High volume / low stakes: tagging, rewrite, FAQ, extraction Medium stakes: customer support responses, internal reporting High stakes: legal, finance, security, medical-like domain (mga cautious) Step 2 — magpasya ang iyong stack (ang "2-3 model rule") Isang common setup: 
 
 
 
 Fast cheap tier para sa karamihan ng mga pangangailangan Strong tier para sa hard prompts, long context, tricky reasoning Optional: Real-time o deep reasoning layer para sa anumang UX / mga tampok Step 3 — Strategy control ng gastos (para sa iyong ship) 
 
 
 
 
 Mga limitasyon sa output length Cache Repeated System / konteksto Mga homogeneous jobs i-add escalation rules (hindi magpadala ang lahat sa iyong mas mahal na modelo) 7) Ang isang practical comparison table na maaari mong ipasok sa isang PRD Narito ang isang maliit na “copy/paste” table para sa mga stakeholder. 
 
 
 
 
 
 
 
 
 
 
 
 
 Scenario 
 Priority 
 Default pick 
 Escalate to 
 Why 
 
 
 
 
 
 
 Customer support chatbot 
 Latency + cost 
  (or Gemini Flash-tier) gpt-4o-mini 
  / Claude higher tier gpt-4.1 
 Cheap 80–90%, escalate only ambiguous cases 
 
 
 
 
 
 
 Long document synthesis 
 Context + format stability 
 Claude tier with strong long-form behaviour 
 gpt-4.1 
 Long prompts + structured output 
 
 
 
 
 
 
 Coding helper in IDE 
 Tooling + correctness 
  or equivalent gpt-4.1 
  /  o3 o1 
 Deep reasoning for tricky bugs 
 
 
 
 
 
 
 Privacy-sensitive internal assistant 
 Data boundary 
 Self-host Llama/Qwen 
 Cloud model for non-sensitive output 
 Keep raw data in-house Mga Suporta sa Chatbot Latency + mga gastos (Oo ang Gemini Flash-tier) gpt-4o-mini ang napili ng mga taga-hanga: Claude Superior Tier gpt-4.1 Halaga 80-90%, escalate lamang ang mga ambiguous kaso Long dokumentong sumusunod Kontekstibo + format stability Claude tier na may malakas na long-form behavior gpt-4.1 Long Prompts + Structured output Pag-aalok ng mga helper sa IDE Mga pahinang tumuturo + correctness At ang equivalent gpt-4.1 / sa o3 o1 Mga pahinang tumuturo sa Tricky Bugs Privacy-sensitive Internal Assistant Mga batas ng data Mga pahinang tumuturo sa Llama/Qwen Cloud model para sa non-sensitive output Magkaroon ng raw data in-house Final na ang Ang “Best Model” ay hindi isang bagay. Ikaw lamang ang . best model for this prompt, this latency budget, this cost envelope, and this ecosystem Kung ikaw ay nagtatrabaho sa: 
 
 
 
 
 ang isang benchmark, Isang 2–3 modelo na stack, Strict na limitasyon sa output, at ang caching / batching, ...Ikaw ay magkakaroon ng mga team na naghahanap ng pinakabagong modelo araw-araw.

This story contains AI-generated text. The author has used AI either for research, to generate outlines, or write the text itself. 

Read My Stories

Ang audio na ito ay ginawa sa orihinal na wika ng kuwento!

Piliin ang isang LLM sa 2026: Ang Praktikal na Table ng Pagkakaiba (Specs, Cost, Latency, Compatibility)

About Author

MGA KOMENTO

HANG TAGS

ANG ARTIKULONG ITO AY IPINAKITA SA

Related Stories

COVID-19: We Need More Than Data, We Need Insights!

State of the Noonion: The Year of Profitability and Product Renaissance

Encrypted Instant Messaging Recommendations January 2017

Hosting a DNS domain on the blockchain

COVID-19: We Need More Than Data, We Need Insights!

State of the Noonion: The Year of Profitability and Product Renaissance

Encrypted Instant Messaging Recommendations January 2017

Hosting a DNS domain on the blockchain

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps