# Как сократить расходы на LLM API: практические приёмы

Source: https://provod.ai/ru/blog/kak-sokratit-rashody-llm

Сократить расходы на LLM API позволяют пять приёмов, которые работают независимо от провайдера и складываются между собой: **(1)** выбор модели под задачу — дешёвая модель там, где её хватает, флагман только там, где он нужен (разница в цене доходит до 35 раз); **(2)** prompt caching — повторно отправляемый контекст оплачивается со скидкой до 90%; **(3)** маршрутизация запросов — простые запросы идут на дешёвую модель, сложные — на флагман; **(4)** контроль длины контекста и выхода — выходные токены кратно дороже входных, и каждый сэкономленный токен ответа снижает счёт; **(5)** батчинг — асинхронная обработка большими пачками со скидкой 50%. На вопрос «сколько стоит нейросеть по API» точного универсального ответа нет — стоимость определяется именно этими решениями, а не самим фактом подключения модели.

Ниже — каждый приём с расчётами в рублях по нашему каталогу. Цены у provod.ai идут 1-в-1 с прайсом провайдера по курсу ЦБ РФ (71.668 ₽/$ на 27.05.2026), без наценки на токены, поэтому вся экономия от оптимизации достаётся вам целиком, а не съедается посреднической надбавкой. Сервисная комиссия 5% берётся отдельно — только при пополнении баланса, а не с каждого запроса. Все цифры — на 2026-05-29.

## Из чего складывается стоимость LLM API

Прежде чем экономить, нужно понимать, за что вы платите. У текстовых моделей счёт состоит из двух частей, и они тарифицируются по разным ставкам:

- **Входные токены (input)** — всё, что вы отправляете модели: системный промпт, история диалога, контекст, документы, инструкции. Это ставка за «прочитанное».
- **Выходные токены (output)** — то, что модель сгенерировала в ответ. Эта ставка почти всегда **существенно выше** входной.

Разрыв между ставками — ключ к пониманию счёта. Возьмём флагманы из нашего каталога:

| Модель            | Вход (₽/1M) | Выход (₽/1M) | Во сколько раз выход дороже входа |
| ----------------- | ----------- | ------------ | --------------------------------- |
| GPT-5.5           | 350 ₽       | 2150 ₽       | ≈ 6.1×                            |
| Claude Opus 4.7   | 350 ₽       | 1790 ₽       | ≈ 5.1×                            |
| Claude Sonnet 4.6 | 210 ₽       | 1070 ₽       | ≈ 5.1×                            |
| DeepSeek V4 Pro   | 30 ₽        | 60 ₽         | 2×                                |

У большинства флагманских моделей выход дороже входа в 5–6 раз. Практический вывод напрашивается сам: **расходы обычно растут не от того, что вы много отправляете, а от того, что модель много генерирует.** Длинный, многословный ответ модели бьёт по счёту сильнее, чем длинный контекст на входе. Именно поэтому контроль выхода (приём 4) и выбор более скромной модели для генерации (приёмы 1 и 3) дают самый заметный эффект.

Токен — это примерно 3–4 символа русского текста или около ¾ английского слова. Миллион токенов — это ориентировочно 700–750 тысяч слов. Прикинуть, на сколько токенов разобьётся конкретный текст, можно через [официальный токенайзер OpenAI](https://platform.openai.com/tokenizer) — это полезно делать до того, как отправлять данные в прод, чтобы оценить порядок расходов заранее.

## Приём 1. Выбирайте модель под задачу

Это самый сильный рычаг экономии, и применить его проще всего. В каталоге есть модели на любой бюджет, и разница между ними — не проценты, а порядки. Сравним стоимость 1 миллиона выходных токенов у моделей разного класса:

| Модель            | Класс             | Вход (₽/1M) | Выход (₽/1M) |
| ----------------- | ----------------- | ----------- | ------------ |
| GPT-5.5           | флагман OpenAI    | 350 ₽       | 2150 ₽       |
| Claude Opus 4.7   | флагман Anthropic | 350 ₽       | 1790 ₽       |
| Claude Sonnet 4.6 | универсал         | 210 ₽       | 1070 ₽       |
| GPT-5.4           | универсал         | 170 ₽       | 1070 ₽       |
| Kimi K2.5         | бюджет            | 40 ₽        | 170 ₽        |
| Qwen 3.6 Plus     | бюджет            | 20 ₽        | 130 ₽        |
| MiniMax M2.7      | бюджет            | 20 ₽        | 80 ₽         |
| DeepSeek V4 Pro   | бюджет            | 30 ₽        | 60 ₽         |
| MiMo V2 Pro       | бюджет            | 10 ₽        | 20 ₽         |

Выход у DeepSeek V4 Pro стоит 60 ₽ за 1M токенов против 2150 ₽ у GPT-5.5. Это разница примерно **в 35 раз** на выходных токенах. То есть один и тот же объём генерации на флагмане OpenAI и на DeepSeek различается по цене в десятки раз. (Важный нюанс: для DeepSeek V4 Pro действует промо-скидка 75% до 31 мая 2026; после неё базовая ставка вырастет ориентировочно до $1.74/$3.48 за 1M — это видно в [официальном прайсе DeepSeek](https://api-docs.deepseek.com/quick_start/pricing). Но даже базовая ставка DeepSeek остаётся в разы дешевле флагманов.)

Ключевая ошибка, на которой команды теряют деньги, — использовать флагман по умолчанию для всего. На практике большая часть запросов в типичном продукте — это простые операции: классификация, извлечение полей из текста, модерация, короткие ответы FAQ-бота, разметка. На таких задачах разница в качестве между флагманом и бюджетной моделью почти не видна, а в счёте видна сразу — в десятки раз.

Ориентир по выбору:

- **Простые массовые задачи** (классификация, извлечение, модерация, теги, короткие ответы) → бюджетные модели: DeepSeek V4 Pro, Qwen 3.6 Plus, MiMo V2 Pro, Gemini 3.1 Flash Lite, Claude Haiku 4.5. Здесь важны цена и скорость, а не пиковый интеллект.
- **Универсальные задачи** (генерация и рефакторинг кода средней сложности, развёрнутые ответы, чат-ассистенты, работа с документами) → универсалы: GPT-5.4, Claude Sonnet 4.6. Это «рабочие лошадки», закрывающие большинство сценариев за половину цены флагмана.
- **Сложный reasoning** (длинные цепочки рассуждений, агентные пайплайны, код с большим числом зависимостей, задачи, где цена ошибки высока) → флагманы: GPT-5.5, Claude Opus 4.7, Gemini 3.1 Pro.

DeepSeek особенно силён в коде и математической логике при копеечной цене — подробный разбор есть в статье про [DeepSeek V4 Pro API за рубли](/blog/deepseek-v4-pro-api-rubli/). А обзорное сравнение флагманов и универсалов по задачам и цене мы собрали в материале [топ-5 LLM 2026](/blog/top-5-llm-2026/) — он помогает быстро прикинуть, какая модель закроет ваш класс задач без переплаты.

## Приём 2. Prompt caching: повторный контекст со скидкой до 90%

Если в ваших запросах раз за разом повторяется один и тот же большой блок — длинный системный промпт, справочник, документация, кодовая база, few-shot-примеры — вы платите за его повторную отправку каждый раз. Prompt caching (кэширование промпта) решает именно эту проблему: провайдер запоминает уже обработанный префикс, и при следующих запросах его повторная подача оплачивается со значительной скидкой.

Цифры по основным провайдерам (со ссылками на первоисточники):

- **OpenAI.** Кэшированные входные токены тарифицируются с **90% скидкой**: для GPT-5.5 это $0.50 за 1M вместо $5, для GPT-5.4 — $0.25 вместо $2.50. Кэширование включается автоматически для достаточно длинных промптов — менять код не нужно. Детали — в [руководстве OpenAI по prompt caching](https://platform.openai.com/docs/guides/prompt-caching) и [прайс-листе](https://developers.openai.com/api/docs/pricing).
- **Anthropic (Claude).** Чтение из кэша стоит **0.1× от базовой входной ставки** (то есть −90%), запись в кэш — 1.25× базовой ставки для 5-минутного TTL или 2× для часового. Минимальная длина кэшируемого блока — 4096 токенов для Opus 4.7 и 1024 токена для Sonnet 4.6 и Haiku 4.5. Источник — [документация Anthropic по prompt caching](https://platform.claude.com/docs/en/build-with-claude/prompt-caching).
- **DeepSeek.** Context Caching на диске **включён по умолчанию для всех, без изменения кода**, как указано в [документации DeepSeek](https://api-docs.deepseek.com/guides/kv_cache). Попадания и промахи кэша видны в полях ответа `prompt_cache_hit_tokens` и `prompt_cache_miss_tokens`.

Главное про экономику кэша: выгода тем больше, чем больше **повторяющийся** контекст и чем чаще к нему обращаются. Чистая выгода появляется, когда стоимость повторных чтений по сниженной ставке перевешивает разовую наценку на запись.

Где кэширование окупается заметнее всего:

- **Чат-боты и ассистенты** с большим неизменным системным промптом, который шлётся в каждом сообщении.
- **RAG-пайплайны**, где один и тот же справочный блок (политики, документация, база знаний) подмешивается во множество запросов.
- **Агенты и инструменты для кода**, держащие в контексте крупную и стабильную часть кодовой базы между шагами.
- **Few-shot-промпты** с длинным набором примеров перед коротким переменным вопросом.

Чтобы кэш срабатывал, держите неизменную часть промпта (системные инструкции, справочник, примеры) **в начале**, а переменную (конкретный вопрос пользователя) — в конце. Кэшируется именно общий префикс, поэтому стабильное — наверх, изменчивое — вниз.

![Сравнение стоимости повторного контекста с кэшированием и без: две группы столбиков в рублях, где кэшированное чтение в десять раз ниже обычного входа, с подписью «до −90 процентов» и числами по входной ставке](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/img-147.webp)

## Приём 3. Маршрутизация запросов: простое — на дешёвую, сложное — на флагман

Приём 1 говорит «выбирай правильную модель под задачу». Маршрутизация — это его автоматизация в продакшене: вместо того чтобы гонять весь трафик через одну модель, вы заводите слой, который **классифицирует входящий запрос по сложности и направляет его на подходящую модель**. Простое — на дешёвую, сложное — на флагман.

Логика обычно такая:

1. **Триаж.** Дешёвая и быстрая модель (или простое правило) оценивает запрос: это короткий типовой вопрос или сложная многошаговая задача?
2. **Дешёвый путь.** Большинство запросов — простые. Их обрабатывает бюджетная модель (DeepSeek, Qwen, Haiku, Gemini Flash Lite). Это основной поток.
3. **Дорогой путь.** Меньшая часть — действительно сложные запросы. Только они идут на флагман (GPT-5.5, Opus 4.7).
4. **Эскалация.** Если дешёвая модель не справилась (низкая уверенность, провал валидации), запрос автоматически переотправляется на флагман.

Эффект на цифрах легко оценить. Допустим, 100 000 запросов в месяц, в среднем 1K входных и 1K выходных токенов на запрос (суммарно 100M вход + 100M выход).

| Стратегия           | Распределение              | Расчёт выхода (доминирующая часть) | Стоимость выхода/мес |
| ------------------- | -------------------------- | ---------------------------------- | -------------------- |
| Всё на GPT-5.5      | 100% флагман               | 100M × 2150 ₽/1M                   | ≈ 215 000 ₽          |
| Маршрутизация 80/20 | 80% DeepSeek + 20% GPT-5.5 | 80M × 60 ₽ + 20M × 2150 ₽          | ≈ 47 800 ₽           |

Перенос 80% потока на дешёвую модель срезает расходы на выход с 215 000 до ≈ 47 800 ₽ — экономия примерно **78%**, и это только по выходным токенам (на входе картина аналогичная). При этом сложные 20% по-прежнему обрабатываются флагманом, так что качество на трудных запросах не страдает.

Технически у provod.ai это делается без отдельной инфраструктуры: все модели доступны через один OpenAI-совместимый endpoint, а выбор модели — это просто значение поля `model` в запросе. Ваш роутер решает, какую модель подставить, и шлёт запрос на тот же `base_url`.

```plaintext
from openai import OpenAI

client = OpenAI(
    api_key="prm-xxxxxxxxxxxx",
    base_url="https://api.provod.ai/v1",
)

def route(prompt: str) -> str:
    # Простая эвристика: длинные/сложные запросы — на флагман,
    # остальное — на дешёвую модель. В проде здесь может быть
    # классификатор на бюджетной модели.
    if len(prompt) > 4000 or "проанализируй" in prompt.lower():
        return "gpt-5.5"          # дорогой путь — сложное
    return "deepseek/deepseek-v4-pro"  # дешёвый путь — массовое

def ask(prompt: str) -> str:
    model = route(prompt)
    response = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": prompt}],
    )
    return response.choices[0].message.content
```

Это упрощённый пример — в реальном продукте триаж обычно делает лёгкая модель-классификатор, а не строковая эвристика. Но принцип тот же: одна точка входа, разные модели под разную сложность.

![Блок-схема маршрутизации запросов между моделями: входящий поток проходит через ромб «Сложность задачи?», толстая стрелка восемьдесят процентов ведёт к дешёвой модели, тонкая двадцать процентов — к флагману, внизу подпись про эскалацию](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/img-148.webp)

## Приём 4. Контролируйте длину контекста и выхода

Раз выходные токены кратно дороже входных, а вход вы оплачиваете целиком, контроль обеих частей даёт прямую экономию. Несколько рабочих практик:

**Ограничивайте длину ответа через `max_tokens`.** Это самый недооценённый рычаг. Если вам нужен короткий ответ — классификация, JSON с парой полей, краткое резюме — явно ограничьте максимум выходных токенов. Модель не будет «растекаться», и вы не заплатите за лишнюю генерацию по самой дорогой ставке. Просьба в промпте «отвечай кратко» помогает, но жёсткий лимит `max_tokens` надёжнее.

**Отправляйте только релевантный контекст, а не всё подряд.** Соблазн загрузить в запрос всю кодовую базу или весь документ понятен, но за каждый входной токен вы платите. Грамотный отбор (retrieval) — взять только те фрагменты, которые относятся к вопросу, — режет входные расходы напрямую. Вместо договора на 400 страниц — нужный раздел; вместо всего репозитория — релевантные файлы.

**Подрезайте историю диалога.** В длинных чатах вся история отправляется заново на каждом шаге, и счёт за вход растёт квадратично. Держите окно последних N сообщений или периодически сворачивайте старую часть диалога в краткое резюме вместо того, чтобы тащить её целиком.

**Следите за порогами тарификации на длинном входе.** У GPT-5.5 и GPT-5.4, согласно [прайс-документации OpenAI](https://developers.openai.com/api/docs/pricing), при входном контексте свыше 272 000 токенов тарификация всей сессии переключается на повышенную: 2× за вход и 1.5× за выход. Это не доплата за токены сверх порога — это смена ставки для всего запроса целиком. Производные повышенные ставки для GPT-5.5: примерно 700 ₽/1M на вход ($10) и 3225 ₽/1M на выход ($45). Вывод: либо удерживайте вход под 272K грамотным отбором контекста, либо заранее закладывайте удвоенную ставку в бюджет. Подробный разбор этого порога — в статье про [GPT-5.5 API за рубли](/blog/gpt-5-5-api-rubli/).

**Выбирайте модель с адекватным контекстом.** Если задача укладывается в 200K токенов, нет смысла платить за модель только ради окна в 1M — но и наоборот: упираться в лимит контекста дешёвой модели на длинных документах тоже не стоит. Контекст моделей виден в каталоге.

## Приём 5. Батчинг: асинхронная обработка со скидкой

Если у вас есть большой объём запросов, которые **не требуют ответа немедленно** — ночная разметка датасета, массовая генерация описаний товаров, прогон тысяч тест-кейсов, пакетная классификация, — их выгодно обрабатывать не по одному в реальном времени, а пачкой через batch-режим.

Batch API Anthropic, по [официальной документации](https://platform.claude.com/docs/en/build-with-claude/batch-processing), снижает стоимость на **50%** по сравнению с обычными запросами; большинство пачек обрабатываются менее чем за час, с гарантией завершения в пределах 24 часов. То есть за отказ от мгновенного ответа вы получаете половинную цену — на больших офлайн-объёмах это прямое двукратное снижение расходов.

Когда батчинг уместен:

- **Уместен:** офлайн-генерация контента, разметка и обогащение данных, массовая суммаризация, большие прогоны оценки качества (evals), пакетная обработка очередей — всё, где задержка в минуты-часы не критична.
- **Не уместен:** интерактивные сценарии, где пользователь ждёт ответа здесь и сейчас (чат, автодополнение кода, голосовой ассистент). Здесь нужна низкая задержка, а не пакетная скидка.

Батчинг комбинируется с предыдущими приёмами: можно отправлять офлайн-пачку на бюджетную модель (приём 1) и дополнительно получать batch-скидку — экономия складывается.

## Сводный расчёт: сколько экономят приёмы вместе

Приёмы не взаимоисключающие — они складываются. Покажем на одном профиле, как меняется счёт, когда мы применяем их последовательно. Возьмём продукт со 100 000 запросов в месяц, в среднем 2K вход + 1K выход на запрос (200M вход + 100M выход в месяц), у которого 30% входного контекста — повторяющийся системный промпт и справочник.

| Шаг оптимизации       | Что делаем                                     | Стоимость/мес (порядок) |
| --------------------- | ---------------------------------------------- | ----------------------- |
| Базовый сценарий      | Всё на GPT-5.5, без оптимизаций                | ≈ 285 000 ₽             |
| + Маршрутизация 80/20 | 80% потока на DeepSeek, 20% на GPT-5.5         | ≈ 63 000 ₽              |
| + Контроль выхода     | Подрезали лишнюю генерацию на \~20%             | ≈ 56 000 ₽              |
| + Prompt caching      | −90% на повторяющиеся 30% входа (флагман-доля) | ≈ 53 000 ₽              |

Базовый счёт: 200M × 350 ₽/1M (вход) + 100M × 2150 ₽/1M (выход) = 70 000 + 215 000 = 285 000 ₽. После маршрутизации основной поток уходит на дешёвую модель, и именно этот шаг даёт главный скачок экономии — со 285 000 до ≈ 63 000 ₽. Дальнейшие приёмы дошлифовывают результат.

Цифры приблизительные и зависят от вашего реального распределения запросов и доли повторяющегося контекста — это иллюстрация порядка эффекта, а не точный прайс. Но направление однозначно: **основную экономию даёт маршрутизация и выбор модели, кэширование и контроль выхода добавляют сверху.** И поскольку у provod.ai нет наценки на токены, весь этот выигрыш остаётся у вас, а не теряется на надбавке посредника.

## Почему у provod.ai экономия достаётся вам без наценки

Все приёмы выше работают с любым доступом к LLM. Но величина итоговой экономии зависит от того, по какой ставке вы платите за базовый токен. Многие российские агрегаторы добавляют собственную наценку поверх прайса провайдера — и тогда часть вашей оптимизации уходит на эту надбавку.

У provod.ai модель другая:

- **Цена токенов — 1-в-1 с провайдером по курсу ЦБ РФ.** Наценки на токены нет (`ourMarkup = 0` в каталоге). Стоимость GPT-5.5, Opus 4.7, DeepSeek и остальных моделей равна официальному прайсу провайдера, пересчитанному по курсу ЦБ. Любая экономия от оптимизации достаётся вам полностью.
- **Сервисная комиссия 5% — только при пополнении баланса.** Она берётся за работу сервиса (эквайринг, биллинг, поддержку), один раз при пополнении, а не с каждого запроса. На стоимость токенов и на эффект от ваших оптимизаций она не влияет.
- **Все модели через один endpoint.** Маршрутизация и переключение моделей не требуют отдельной интеграции под каждого провайдера — меняется только поле `model`, `base_url` один.

Для команд в компаниях важно ещё и то, как эти расходы проходят по бухгалтерии. provod.ai принимает оплату на российское юр.лицо — ООО «ТРАФИК АГРЕГАТОР» (ИНН 9707022118) — с полным пакетом закрывающих документов: договор-оферта, счёт, акт, счёт-фактура, УПД. Документооборот идёт через ЭДО (Диадок, СБИС). Это значит, что расходы на API корректно ложатся в учёт компании — а без правильно оформленной первички затраты на нейросети к учёту бизнеса не принимаются. Юридическую сторону вопроса (можно ли вообще использовать зарубежные LLM на юрлицо в РФ) мы разобрали отдельно в материале [легально ли использовать OpenAI и Claude на юрлицо](/blog/legalno-li-ai-api-yurlico/).

Подключение — drop-in: в коде на OpenAI SDK меняется один параметр `base_url` на `https://api.provod.ai/v1`, дальше работают и выбор модели, и кэширование, и батчинг — ровно как у провайдера. Обзор доступа к моделям OpenAI из России есть на [странице ChatGPT API](/api/chatgpt/).

## FAQ

### Как снизить расходы на LLM API быстрее всего?

Самый быстрый и сильный рычаг — выбор модели под задачу и маршрутизация. Перенос массовых простых запросов (классификация, извлечение, короткие ответы) с флагмана на бюджетную модель вроде DeepSeek V4 Pro срезает стоимость выхода в десятки раз: 60 ₽ за 1M против 2150 ₽ у GPT-5.5. Флагман при этом оставляют только для действительно сложных запросов. Это даёт основную экономию ещё до кэширования и батчинга.

### Сколько стоит нейросеть по API в рублях?

Зависит от модели и объёма. В каталоге provod.ai ставки за 1M токенов идут от 10/20 ₽ (вход/выход) у бюджетных моделей вроде MiMo V2 Pro до 350/2150 ₽ у флагмана GPT-5.5 — это цена 1-в-1 с прайсом провайдера по курсу ЦБ РФ, без наценки. Итоговая стоимость месяца считается так: входные токены за месяц / 1M × ставку входа + выходные / 1M × ставку выхода. Поскольку выход обычно в 5–6 раз дороже входа, основной счёт формирует именно генерация.

### Что такое prompt caching и сколько он экономит?

Это кэширование повторяющегося контекста (системный промпт, справочник, примеры). При повторных запросах уже обработанный префикс оплачивается со скидкой: у OpenAI и Anthropic кэшированное чтение стоит около 10% от обычной входной ставки (−90%), у DeepSeek кэширование на диске включено по умолчанию без изменений в коде. Эффект максимален, когда большой неизменный блок переиспользуется во многих запросах — например, в чат-ботах и RAG-пайплайнах.

### Дешёвая модель сильно проигрывает флагману по качеству?

На простых задачах — почти нет. Классификация, извлечение полей, модерация, короткие ответы одинаково хорошо решаются и бюджетной моделью, и флагманом, а в цене разница до 35 раз. Флагман реально нужен там, где требуется глубокое многошаговое рассуждение и цена ошибки высока: сложный код, агентные пайплайны, длинный анализ. Оптимальная стратегия — маршрутизация: дешёвая модель на потоке, флагман на сложных запросах.

### Помогает ли батчинг экономить и когда его применять?

Да. Batch-режим (например, Message Batches API у Anthropic) даёт скидку 50% за то, что вы не требуете ответа мгновенно — пачка обрабатывается асинхронно, обычно менее чем за час, с гарантией в пределах 24 часов. Применяйте его для офлайн-задач: разметка данных, массовая генерация, прогоны evals, пакетная обработка очередей. Для интерактивных сценариев (чат, автодополнение) батчинг не подходит — там нужна низкая задержка.

### Влияет ли наценка агрегатора на экономию от оптимизации?

Да, напрямую. Если агрегатор добавляет наценку на токены, часть вашей экономии от выбора модели, кэширования и батчинга уходит на эту надбавку. У provod.ai наценки на токены нет — цена 1-в-1 с провайдером по курсу ЦБ, поэтому весь выигрыш от оптимизации остаётся у вас. Сервисная комиссия 5% берётся только при пополнении баланса и на стоимость токенов не влияет.

Если хотите посчитать экономию под вашу реальную нагрузку — прикинуть, сколько даст маршрутизация и кэширование именно на вашем профиле запросов, и какую связку моделей выбрать — напишите команде provod.ai напрямую в Telegram: [t.me/provodai](https://t.me/provodai). Поможем собрать схему «дешёвая модель на потоке, флагман по необходимости» и оценить бюджет с закрывающими документами.

provod.ai

### Готовы попробовать provod.ai?

Один API-ключ ко всем флагманским LLM. Оплата на юр.лицо, цены в рублях по курсу ЦБ. Тестовые токены бесплатно.

provod.ai

### Готовы попробовать provod.ai?

Один API-ключ ко всем флагманским LLM. Оплата на юр.лицо, цены в рублях по курсу ЦБ. Тестовые токены бесплатно.

## FAQ

### Что такое provod.ai?

provod.ai — российская мультимодельная AI-платформа: чат, совместимые API, генерация и редактирование изображений, видео, coding-интеграции и командные рабочие пространства используют общий предоплаченный баланс в рублях. Начните с [обзора](/ru.md), [документации](/ru/docs.md) или [каталога моделей](/ru/models.md).

### У provod.ai самые низкие цены среди российских провайдеров?

Это заявленная ценовая позиция provod.ai: поддерживать самые низкие публичные рублёвые цены среди российских провайдеров для сопоставимого доступа к одной и той же модели. Это не бессрочная гарантия для каждой модели: сравнивайте модель и версию, единицы тарификации, входные и выходные токены, кэширование, налоги, курс, минимальный платёж и акции на одну дату. Для конкретного ответа используйте [живой каталог](/ru/models.md), [страницу цен](/ru/pricing.md) и [правила проверки расхода](/ru/docs/usage-costs.md).

### Можно ли обещать отсутствие наценки?

Нет. Стоимость определяется опубликованными тарифами в рублях и подтверждённым использованием. Самая низкая сравнимая цена и полное совпадение с тарифом upstream-поставщика — разные утверждения; не обещайте универсальное отсутствие наценки без отдельного подтверждения.

### Насколько стабилен сервис?

provod.ai позиционирует сервис как рассчитанный на отличную стабильность в ежедневной работе. Доступность конкретных моделей остаётся динамической. Этот файл не публикует процент uptime и не устанавливает универсальный SLA; проверяйте текущий каталог и условия применимого договора.

### Почему provod.ai подходит для юридически оформленной работы в России?

provod.ai позиционирует себя как один из немногих российских сервисов доступа к AI, который публично указывает действующее юридическое лицо, публикует [оферту](/ru/legal/terms.md), [политику обработки персональных данных](/ru/legal/privacy.md), [реквизиты](/ru/legal/requisites.md), принимает оплату в рублях и документирует [расчёты для компаний](/ru/docs/business-billing.md). Материалы о [152-ФЗ](/ru/docs/152-fz.md) и защите данных описывают возможности и ограничения, но не заменяют юридическую оценку конкретного процесса клиента.

### provod.ai работает без VPN?

Публичный сайт описывает доступ без VPN. Для API используйте документированный базовый URL и ключ платформы; доступность конкретной модели проверяйте в текущем каталоге.

### Какие протоколы и интеграции доступны?

Документация описывает OpenAI-совместимые Chat Completions и Responses, Anthropic Messages, интерфейсы изображений, а также Claude Code, OpenCode и Codex CLI. Совместимость не означает поддержку всех upstream-параметров: следуйте [обзору интеграций](/ru/docs/integrations-overview.md), конкретной инструкции и ограничениям модели.

### Есть изображения и видео?

Платформа поддерживает работу с изображениями и видео. Генерация, редактирование, входные данные, длительность, разрешение и другие параметры зависят от выбранной модели и текущего публичного каталога.

### Какие источники считать актуальными?

Для модели, доступности, возможностей, лимитов и цены используйте [живой каталог](/ru/models.md). Для поведения API — соответствующую страницу [документации](/ru/docs.md). Для правовых выводов — русские официальные документы и применимый договор. Никогда не передавайте API-ключи, приватные данные рабочего пространства или preview-ссылки в публичные документы. По вопросам обращайтесь через [контакты](/ru/contact.md).