2 ноября 2026 г. · Анатолий Крылов, редактор Терафермы
Своя LLM или API GigaChat и YandexGPT: что дешевле на миллион токенов
Своя LLM на арендованной GPU дешевле API GigaChat и YandexGPT, когда вы обрабатываете больше нескольких миллионов токенов в месяц и нагрузка ровная. По данным на октябрь 2026 года GigaChat Pro стоит 500 ₽ за 1 млн токенов, YandexGPT Pro 5.1 — 800 ₽. RTX 4090, которая работает круглосуточно, обходится в 38 880 ₽ в месяц и окупается против GigaChat Pro уже на 78 млн токенов. При редких запросах API почти всегда выгоднее.
Тарифы API на октябрь 2026
GigaChat (Сбер). Цены для юрлиц с оплатой по факту, с НДС, страница тарифов обновлена 07.10.2026. Тарифицируются все токены, и запрос, и ответ.
| Модель | Синхронно, ₽ за 1 млн | Асинхронно, ₽ за 1 млн |
|---|---|---|
| GigaChat Lite | 65 | 32,5 |
| GigaChat Pro | 500 | 250 |
| GigaChat Max | 650 | 325 |
Минимальный платёж составляет 600 ₽ в месяц, если сервис использовался. Есть пакеты: например, 50 млн токенов Pro на 12 месяцев — 25 000 ₽, то есть те же 500 ₽ за миллион.
Yandex AI Studio. Цены с НДС, по данным на октябрь 2026.
| Модель | Вход, ₽ за 1 млн | Выход, ₽ за 1 млн |
|---|---|---|
| YandexGPT Lite | 200 | 200 |
| YandexGPT Pro 5.1 | 800 | 800 |
| YandexGPT Pro 5 | 1 200 | 1 200 |
| Alice AI LLM | 500 | 1 200 |
| Qwen3.6 35B | 200 | 300 |
| gpt-oss-120b | 300 | 300 |
| gpt-oss-20b | 100 | 100 |
Асинхронный режим примерно вдвое дешевле: YandexGPT Lite — 100 ₽, Pro 5.1 — 410 ₽ за миллион.
Обратите внимание: в Yandex AI Studio есть и открытые модели: gpt-oss и Qwen. Это удобная точка сравнения: ту же gpt-oss-120b можно запустить и у себя, и качество ответов будет тем же, разница только в цене и в том, где обрабатываются данные.
Сколько стоит своя LLM
У своего сервера другая экономика: вы платите не за токены, а за время работы карты. Месяц круглосуточной работы даёт 720 часов.
| Модель | Карта | За час | За месяц 24/7 | За месяц 12 часов в день |
|---|---|---|---|---|
| gpt-oss-20b, Qwen 8–14B | RTX 4090 | 54 ₽ | 38 880 ₽ | 19 440 ₽ |
| Qwen 32B в 4 битах | RTX 4090 | 54 ₽ | 38 880 ₽ | 19 440 ₽ |
| Llama 70B в 4 битах | RTX A6000 | 69 ₽ | 49 680 ₽ | 24 840 ₽ |
| gpt-oss-120b | A100 80 ГБ | 154 ₽ | 110 880 ₽ | 55 440 ₽ |
| gpt-oss-120b, 70B в FP8 | H100 | 277–329 ₽ | 199 440–236 880 ₽ | 99 720–118 440 ₽ |
Сколько токенов эти карты реально выдают с батчингом и без, мы подробно разбирали в статье цена 1 млн токенов на своей GPU. Коротко: gpt-oss-20b на RTX 4090 с батчингом выдаёт порядка 2 500 токенов в секунду, gpt-oss-120b на H100 — порядка 3 000. Это 6–10 млрд токенов в месяц при полной загрузке — на порядки больше, чем нужно большинству проектов.
Формула точки безубыточности
точка безубыточности, млн токенов в месяц = стоимость сервера за месяц ÷ цена 1 млн токенов API
Если ваш объём выше этой точки, своя модель дешевле. Если ниже, дешевле API.
| Сравнение | Сервер 24/7 | Цена API | Точка безубыточности |
|---|---|---|---|
| RTX 4090 против GigaChat Lite | 38 880 ₽ | 65 ₽ | 598 млн токенов |
| RTX 4090 против GigaChat Pro | 38 880 ₽ | 500 ₽ | 78 млн токенов |
| RTX 4090 против YandexGPT Pro 5.1 | 38 880 ₽ | 800 ₽ | 49 млн токенов |
| RTX 4090 с gpt-oss-20b против gpt-oss-20b в AI Studio | 38 880 ₽ | 100 ₽ | 389 млн токенов |
| H100 с gpt-oss-120b против gpt-oss-120b в AI Studio | 199 440–236 880 ₽ | 300 ₽ | 665–790 млн токенов |
Пример расчёта для второй строки: стоимость RTX 4090 за месяц делим на 500 ₽ за миллион. Если сервер работает только 12 часов в день, точка безубыточности вдвое ниже.
Важная оговорка: сравнение честно только тогда, когда своя модель решает задачу не хуже. Qwen 32B или gpt-oss-120b сопоставимы с моделями среднего класса, но на сложных задачах на русском флагманы GigaChat Max и YandexGPT Pro могут отвечать лучше. Проверьте качество на своих примерах до того, как считать экономию.
Три сценария
Сценарий 1. Внутренний ассистент для 20 сотрудников. 300 запросов в день по 1 500 токенов вместе с ответом дают около 13,5 млн токенов в месяц.
- GigaChat Pro: 13,5 × 500 = 6 750 ₽.
- YandexGPT Pro 5.1: 13,5 × 800 = 10 800 ₽.
- Своя Qwen 32B на RTX 4090 только в рабочее время, 22 дня по 10 часов: 11 880 ₽.
Объём средний, сервер в выходные и ночью выключен. Своя модель выгоднее, если её качества хватает, но выигрыш не огромный, а поддерживать сервер придётся вам.
Сценарий 2. RAG по базе документов, 2 000 запросов в день. В каждом запросе 4 000 токенов контекста и 300 токенов ответа. В месяц: 2 000 × 30 × 4 300 ≈ 258 млн токенов.
- GigaChat Pro: 258 × 500 = 129 000 ₽.
- GigaChat Lite: 258 × 65 ≈ 16 800 ₽.
- YandexGPT Pro 5.1: 258 × 800 ≈ 206 400 ₽.
- Своя gpt-oss-120b на H100 круглосуточно: 199 440–236 880 ₽. Нагрузка выходит около 3 запросов в минуту, это несколько процентов возможностей карты.
Здесь своя модель выигрывает у моделей класса Pro в разы. Причина во входных токенах: API берёт деньги за 4 000 токенов контекста в каждом запросе, а своя GPU обрабатывает их параллельно почти бесплатно.
Сценарий 3. Чат-бот на сайте, 50 диалогов в день. Около 2 млн токенов в месяц.
- GigaChat Pro: 2 × 500 = 1 000 ₽.
- GigaChat Lite: минимальный платёж 600 ₽.
- Своя модель: даже RTX 4090 только днём — 19 440 ₽.
При таком объёме API однозначно дешевле. Сервер будет простаивать 99% времени. Возвращаться к вопросу о своей модели стоит, когда диалогов станет в 10–20 раз больше или когда понадобится обрабатывать документы клиентов, которые нельзя отправлять внешнему провайдеру.
| Сценарий | Токенов в месяц | GigaChat Pro | YandexGPT Pro 5.1 | Своя LLM |
|---|---|---|---|---|
| Ассистент на 20 человек | 13,5 млн | 6 750 ₽ | 10 800 ₽ | 11 880 ₽ |
| RAG, 2 000 запросов в день | 258 млн | 129 000 ₽ | 206 400 ₽ | 199 440–236 880 ₽ |
| Чат-бот, 50 диалогов в день | 2 млн | 1 000 ₽ | 1 600 ₽ | 19 440 ₽ |
Что кроме цены
Данные. Своя модель на сервере, который вы контролируете, не отправляет запросы стороннему провайдеру. Для договоров, медицинских и внутренних документов это часто важнее цены. Но учтите, где физически находится машина: для персональных данных клиентов требования 152-ФЗ касаются и инфраструктуры.
Качество. Флагманские закрытые модели на русском языке часто сильнее открытых моделей того же класса. Для классификации, извлечения данных и RAG разница меньше, для свободного текста — больше. Какие открытые российские модели можно запустить у себя, разобрано в статье российские LLM локально.
Дообучение. Свою модель можно дообучить LoRA на своих данных и терминах. С API такая возможность ограничена.
Поддержка. Свой сервер требует обновлений, мониторинга, перезапуска при сбое, сохранения весов. API работает без вашего участия. Если в команде нет человека, готового этим заниматься, экономия может уйти на его время.
Лимиты и задержка. API ограничивает число запросов в минуту. Свой сервер ограничен только мощностью карты, а задержка до первого токена зависит от вашей нагрузки, а не от общей очереди провайдера.
Что ещё входит в стоимость своей модели
Цена часа карты — основная, но не единственная статья расходов. Заложите в расчёт ещё четыре пункта.
Время запуска. После старта сервера модель нужно скачать или загрузить с диска. Веса gpt-oss-120b занимают около 61 ГБ, Llama 70B в 4 битах — около 40 ГБ. На канале 500 Мбит/с это 10–20 минут оплаченного времени при каждом холодном старте. Если включаете сервер каждое утро, держите веса в быстром хранилище рядом или выбирайте машину с хорошим каналом.
Резерв. Одна машина — одна точка отказа. Если сервис критичный, нужен план Б: вторая машина, которую можно поднять за минуты, или переключение на API на время сбоя. Гибридная схема из следующего раздела решает это почти бесплатно.
Время инженера. Первичная настройка vLLM, мониторинг и обновления занимают несколько часов в месяц. Для небольшой команды это реальные деньги, и их стоит сравнить с разницей в счёте.
Тесты качества. При смене версии модели или формата квантования прогоняйте свой набор примеров заново. Это час аренды карты и пара часов работы.
С API тоже есть скрытые расходы. Асинхронный режим вдвое дешевле, но ответы приходят с задержкой, для чата он не подходит. Пакеты токенов выгодны, только если вы точно выберете объём до окончания срока. А при росте нагрузки упираетесь в лимиты запросов, которые нужно согласовывать с провайдером.
Итоговое правило: если по формуле своя модель дешевле API меньше чем в 1,5 раза, дополнительные расходы могут съесть всю экономию. Если в 3 раза и больше, переход почти наверняка окупится.
Гибридная схема
Многие проекты совмещают оба варианта:
- массовые однотипные задачи (классификация, извлечение полей, RAG по документам) идут на свою модель, где токены почти бесплатны;
- редкие сложные запросы, где нужен максимум качества, уходят в API флагманской модели;
- пиковые нагрузки, когда своя карта не справляется, тоже идут в API.
Технически это просто: vLLM поднимает OpenAI-совместимый API, и переключение между своей моделью и внешним провайдером сводится к смене адреса и ключа в коде. Так же устроены Telegram-боты и чат-боты на своей модели: код не меняется, меняется только адрес сервера.
Как принять решение за один день
- Посчитайте токены. Возьмите логи за неделю или оцените: запросов в день × (токены запроса + токены ответа) × 30.
- Посчитайте счёт API по таблицам выше.
- Арендуйте карту на 2–3 часа и запустите кандидата: gpt-oss-20b или Qwen 32B на RTX 4090, gpt-oss-120b на A100 или H100.
- Прогоните 50 своих запросов и сравните ответы с API.
- Сравните месячные суммы, а не цену токена. Если своя модель дешевле в 2 раза и больше, а качество устраивает, переходите.
Сколько стоит держать модель 70B онлайн целый месяц и на каких картах, считали в разборе LLM 70B онлайн.
API GigaChat и YandexGPT выгоднее при малых и неравномерных объёмах: до нескольких миллионов токенов в месяц сервер будет простаивать. Своя LLM на арендованной GPU выигрывает при десятках и сотнях миллионов токенов, особенно в RAG с длинным контекстом, где API берёт деньги за каждый входной токен.
Посчитайте свой объём токенов, арендуйте карту на пару часов на странице GPU для ИИ и сравните качество своей модели с API на реальных запросах.