Текст для 1 000 карточек товаров в нашем учебном сценарии стоит 300 ₽ через GPT-5 Mini. В эту сумму входят токены запроса и результата. Чтобы получить готовые к публикации карточки, добавьте проверку характеристик, повторы, изображения и загрузку в магазин.
Тарифы взяты из каталога на 8 октября 2026 года и сверены с первоисточниками 9 октября. Размеры запросов, доля повторов и время проверки заданы для расчёта.
Что считать одной готовой карточкой
До выбора модели запишите состав результата: название, описание, характеристики и нужные изображения. Для каждого поля задайте источник и правило принятия.
| Часть карточки | Из чего создавать | Что проверять |
|---|---|---|
| Название | Категория, модель, подтверждённые признаки | Соответствие товару и ограничениям поля магазина |
| Описание | Проверенные характеристики и инструкции поставщика | Отсутствие неподтверждённых обещаний |
| Характеристики | Структурированные данные товара | Значения, единицы, комплектность |
| Изображения | Собственные исходные фото или разрешённые материалы | Сохранение внешнего вида, цвета и комплектации |
| Результат выгрузки | Требуемый формат вашего магазина | Схема, идентификатор товара, обязательные поля |
Сгенерированный текст может быть пригоден как черновик, но ещё требовать исправлений. Для сравнения моделей нужна стоимость принятого результата, включая проверку и доработку.
Смета токенов на 1 000 товаров
Зададим один текстовый запрос на товар: 2 000 токенов входа и 500 токенов полного выхода. Во вход входят правила редакции, сведения о товаре и формат ответа. В выход входят название, описание, характеристики и оформление JSON, если оно используется.
За 1 000 товаров получится 2 миллиона входных и 0,5 миллиона выходных токенов.
Цена партии = число товаров × (вход на товар × ставка входа + выход на товар × ставка выхода) ÷ 1 000 000.
Ниже базовые ставки одного провайдера, AITUNNEL. Сравниваем только заданный объём токенов: одинаковый расход не означает одинаковое качество или одинаковые ответы.
| Модель | Вход за 1М | Выход за 1М | Заданный расход на 1 000 товаров |
|---|---|---|---|
| GPT-5 Mini | 50 ₽ | 400 ₽ | 300 ₽ |
| Qwen3.5 Plus 2026-04-20 | 60 ₽ | 360 ₽ | 300 ₽ |
| Claude Haiku 4.5 | 200 ₽ | 1 000 ₽ | 900 ₽ |
Для GPT-5 Mini и Haiku используем нижние базовые значения опубликованных диапазонов. Для Qwen берём короткий вход по базовой ступени. На каждой странице по ссылке в таблице указаны соответствующие ставки.
GPT-5 Mini и Qwen в этой смете дают одинаковую сумму: у второй модели дороже вход, но дешевле выход. Если соотношение входа и выхода изменится, изменится и сравнение.
Расчёт исключает кеш, дополнительные reasoning-токены и платные инструменты. Если модель генерирует оплачиваемые рассуждения сверх заданных 500 токенов, добавьте их в выход. Например, дополнительные 500 reasoning-токенов на каждый товар добавят GPT-5 Mini 0,5 миллиона × 400 ₽ = 200 ₽ на партию. Этот объём задан для расчёта чувствительности; реальный расход нужно измерить. Как учитывать reasoning-токены.
Для рабочего прогноза измерьте полные категории usage на пробной партии.
Как длина карточки меняет бюджет
По тем же базовым ставкам GPT-5 Mini получаются такие учебные сценарии:
| Состав запроса | Вход на товар | Выход на товар | Цена 1 000 товаров |
|---|---|---|---|
| Короткие сведения и короткое описание | 500 токенов | 250 токенов | 125 ₽ |
| Основной сценарий статьи | 2 000 токенов | 500 токенов | 300 ₽ |
| Подробные инструкции и длинный результат | 5 000 токенов | 1 000 токенов | 650 ₽ |
Эти объёмы не привязаны к числу символов. Токенизация зависит от текста и модели. Для русского текста используйте подходящий токенизатор или реальные счётчики API; вопрос разобран в статье про стоимость русского текста.
Сколько добавляют повторы и проверка человеком
Продолжим основной сценарий: 1 000 первых запросов стоят 300 ₽. Зададим, что 100 товаров требуют ровно одного дополнительного вызова с тем же расходом. Это ещё 100 × 0,30 = 30 ₽, итого 330 ₽ за 1 100 попыток.
Дополнительная попытка для 100 из 1 000 товаров означает 10% партии. Эта доля задана для примера, а не измерена на моделях. Если повторный вход содержит неудачный ответ и замечания, пересчитайте его отдельно: он может быть длиннее исходного.
Теперь зададим проверку каждого товара: 1,5 минуты при стоимости рабочего часа 600 ₽. Получится 1 000 × 1,5 ÷ 60 = 25 часов, или 15 000 ₽. Время и ставка выбраны для примера, а не взяты из статистики зарплат.
| Строка учебной сметы | Сумма |
|---|---|
| Первые текстовые запросы | 300 ₽ |
| 100 дополнительных запросов | 30 ₽ |
| Проверка всех 1 000 карточек | 15 000 ₽ |
| Итого без изображений и внедрения | 15 330 ₽ |
Более дорогая модель может оказаться выгоднее, если её результаты требуют меньше исправлений. Этот вывод нужно проверять на своих товарах: задавать моделям выдуманную долю ошибок для такого сравнения нельзя.
Изображения требуют отдельной сметы
Если готовые фотографии уже есть, текстовая генерация не требует создавать их заново. Подготовку и проверку исходных фото включите в смету работ отдельно.
Для примера генерации изображений возьмём Seedream 4.5 у Polza.ai. На странице модели опубликованы 5 ₽ за изображение, а в публичном API-каталоге та же сумма указана за запрос. Для сметы зададим один запрос на одно изображение; условия нескольких результатов в одном вызове нужно проверять отдельно.
Зададим 1 000 первых запросов и 500 запросов дополнительных вариантов. При неизменной ставке получится 1 500 × 5 = 7 500 ₽. Это расход генерации при заданном числе запросов, без оценки доли пригодных изображений и без подтверждения качества редактирования товарных фото.
Тогда учебная сумма текста, повторов, заданной проверки и генерации изображений составит 15 330 + 7 500 = 22 830 ₽. Отдельная проверка и обработка картинок, интеграция и загрузка в магазин в эту сумму не включены.
При работе с фотографией сверяйте форму, цвет, маркировку и комплектность с исходным товаром. Для другого разрешения, редактирования и другого маршрута сначала проверьте единицу тарифа. Как считать стоимость изображений.
Как проверять характеристики перед публикацией
Пример исходных сведений о вымышленном товаре:
{
"sku": "demo-mug-indigo",
"category": "кружка",
"material": "керамика",
"volume_ml": 350,
"color": "фиолетовый",
"dishwasher_safe": null
}
Описание может сообщить материал, объём и цвет. Разрешение на посудомоечную машину в исходных данных отсутствует, поэтому такое обещание добавлять нельзя. Задайте правило: неизвестные характеристики возвращать пустыми и направлять на уточнение.
Для структурированного результата используйте поддерживаемую схему и проверку ответа. Structured Outputs помогает соблюдать формат, но допускает ошибки в содержимом. OpenAI отдельно предупреждает об этом в документации.
Числовые характеристики можно автоматически сопоставить с исходными полями. Текстовые обещания проверяйте отдельно: отсутствие выдуманной гарантии или свойств не подтверждается одним лишь корректным JSON.
Как выбрать модель на пробной партии
Соберите товары с разными условиями: полные характеристики, пропущенные поля, длинные инструкции и похожие названия. До генерации задайте правила принятия. Такие проверки должны отражать вашу задачу; общий подход описан в рекомендациях по оценке OpenAI.
Сравнивайте версии моделей по полному расходу, числу принятых товаров и времени исправления. Сохраняйте результат под идентификатором товара, чтобы повторять только задания, которым нужна доработка. Сначала проверьте формат выгрузки на небольшом наборе.
Если партия допускает отложенное выполнение, рассмотрите Batch API и условия конкретного маршрута. Для синхронных вызовов согласуйте параллельность с лимитами API.
В каталоге API найдите модели со структурированным выводом и подходящими ставками. Через подбор под бюджет посчитайте токены, а к результату добавьте стоимость проверки, изображений и подготовки публикации по условиям своего магазина.
