Qwen API là giao diện gọi mô hình Tongyi Qianwen do Alibaba Cloud Bailian (Alibaba Cloud Model Studio) cung cấp; tên DashScope mà lập trình viên thường nhắc đến là tên tầng API/SDK của dịch vụ này. Có ba tên, nhưng hóa đơn chỉ có một logic: tính phí theo mức sử dụng thực tế, đầu vào và đầu ra tính riêng.

Bài viết không ấn định đơn giá, vì phiên bản mô hình, bậc ngữ cảnh và chương trình khuyến mãi đều thay đổi. Chúng tôi làm rõ tiền được chi ở đâu, vì sao ngữ cảnh dài dễ vượt ngân sách, dùng bộ nhớ đệm và Batch thế nào, và cách dùng log thật để ước tính hàng tháng. Giá hiện tại lấy giá mô hình trên trang và trang giá của Alibaba Cloud Bailian làm chuẩn.

Ghi chú: Qwen, Tongyi Qianwen, Alibaba Cloud, Bailian, Model Studio và DashScope là nhãn hiệu của các chủ sở hữu quyền tương ứng. Bài viết chỉ nhằm giải thích kỹ thuật và không đại diện cho Alibaba Cloud. Quy tắc tính phí và giá có thể thay đổi; vui lòng đối chiếu tài liệu gốc trước khi đặt hàng.

1. Thống nhất tên gọi: Bailian, Model Studio và DashScope

Ba tên này thường bị dùng lẫn, nhưng không chỉ cùng một tầng:

  • Alibaba Cloud Bailian: tên bảng điều khiển và sản phẩm tiếng Trung; mở mô hình, API Key, mức sử dụng và hóa đơn đều ở đây.
  • Alibaba Cloud Model Studio: tên sản phẩm tiếng Anh dùng cho trang quốc tế, năng lực tương ứng với Bailian, nhưng khu vực và loại tiền tính giá có thể khác.
  • DashScope: tên tầng API và SDK, thường thấy trong Base URL, biến môi trường DASHSCOPE_API_KEY và tài liệu phiên bản cũ.

Khi gọi, thực sự cần xác nhận ba việc: khu vực (Bắc Kinh, Singapore…), Base URL và mã mô hình. Ba thứ không khớp nhau, lỗi thường gặp nhất không phải thiếu số dư mà là xác thực thất bại hoặc mô hình không tồn tại.

2. Bậc mô hình quyết định trần chi phí

Mô hình văn bản Qwen thường chia ba bậc; năm 2026, các đại diện phổ biến là Qwen-Max, Qwen-Plus và Qwen-Flash:

Bậc Mã mô hình đại diện Định vị Tác vụ phù hợp Mức chi phí
Max qwen3.8-max Suy luận phức tạp và tác vụ nhiều bước Mã nguồn, Agent, phân tích chuyên sâu Cao
Plus qwen3.7-plus Cân bằng năng lực, tốc độ và chi phí Chăm sóc khách hàng, viết, xử lý tài liệu Trung bình
Flash qwen3.8-flash Độ trễ thấp, chi phí thấp Phân loại, trích xuất, viết lại, định tuyến Thấp

Mã mô hình sẽ thay đổi qua các phiên bản; khi mua sắm đừng học thuộc tên. Cách ổn định hơn là gắn "loại tác vụ" với "bậc": tác vụ đơn giản mặc định Flash, tác vụ hằng ngày mặc định Plus, chỉ khi thực sự cần suy luận nhiều bước mới nâng lên Max. Dùng Max cho toàn hệ thống không chắc hiệu quả tốt hơn, nhưng hóa đơn chắc chắn dày hơn.

3. Đơn vị tính phí: đầu vào, đầu ra và đa phương thức

Mô hình văn bản định giá riêng token đầu vào và token đầu ra; bảng giá thường hiển thị theo "nhân dân tệ/triệu token". Chi phí một yêu cầu có thể viết như sau:

Chi phí một lần =
  Token đầu vào không trúng bộ nhớ đệm × đơn giá đầu vào
+ Token trúng bộ nhớ đệm × đơn giá trúng đệm
+ Token đầu ra × đơn giá đầu ra

Đa phương thức phải xem riêng: tạo ảnh thường tính theo số ảnh sinh thành công, giọng nói quy đổi theo thời lượng âm thanh, mô hình Omni và Realtime định giá riêng theo văn bản, hình ảnh, âm thanh… Trộn các khoản này vào ngân sách văn bản thì cuối tháng chắc chắn không khớp sổ.

Ngoài ra, các mô hình dịch như Qwen-MT-Uni chỉ tính phí token đầu vào; một số mô hình ở chế độ suy nghĩ có cách tính token đầu ra khác với câu trả lời thông thường. Với từng mô hình cụ thể, hãy xem cột "khoản tính phí" trong bảng giá, đừng áp giá của mô hình khác.

4. Ngữ cảnh dài: bậc áp dụng cho toàn bộ yêu cầu

Đây là điều dễ bị bỏ qua nhất trong cách tính phí Qwen. Bảng giá chia bậc theo tổng token đầu vào của một yêu cầu, các bậc thường gặp:

  • 0 < Token ≤ 32K
  • 32K < Token ≤ 128K
  • 128K < Token ≤ 256K
  • 256K < Token ≤ 1M

Điểm mấu chốt là "áp dụng cho toàn bộ yêu cầu": yêu cầu rơi vào bậc nào thì toàn bộ token của yêu cầu đó (kể cả đầu ra) đều tính theo đơn giá bậc đó, chứ không phải 32K đầu tính giá thấp, phần vượt tính giá cao cộng dồn. Nghĩa là đầu vào tăng từ 31K lên 33K có thể không phải chỉ tốn thêm tiền của 2K, mà cả yêu cầu đổi bậc giá.

Vì vậy ngữ cảnh dài phải dùng đúng chỗ. Khi xử lý hợp đồng, luận văn, kho mã, hãy hỏi ba câu trước: có thực sự cần đưa toàn bộ nội dung vào một lần không? Có thể truy xuất trước rồi ghép lại không? Có thể xử lý theo đoạn rồi tổng hợp không? Nhiều tác vụ chỉ cần "truy xuất + tóm tắt" là xong, chi phí thấp hơn nhiều so với nhét cả kho vào. Nếu thực sự cần ngữ cảnh dài, ưu tiên chọn mô hình hỗ trợ đúng bậc và dùng yêu cầu thật để kiểm tra hóa đơn một lần.

5. Bộ nhớ đệm và Batch: tiết kiệm được, nhưng không cộng dồn

Bộ nhớ đệm ngữ cảnh chỉ chiết khấu cho token đầu vào. Nó gồm loại hiển thị và loại ngầm: bộ nhớ đệm hiển thị cần tạo điểm đệm thủ công, bản thân việc tạo có thể bị tính giá cao hơn đầu vào tiêu chuẩn, sau khi trúng thì tính giá chiết khấu; bộ nhớ đệm ngầm do nền tảng tự nhận diện tiền tố lặp lại, một số mô hình bật mặc định. Trong ví dụ của nhà cung cấp, tạo bộ nhớ đệm khoảng 125% đơn giá đầu vào tiêu chuẩn, phần trúng khoảng 10%, nhưng tỷ lệ khác nhau giữa các mô hình, phải lấy tài liệu bộ nhớ đệm làm chuẩn.

Batch phù hợp với tác vụ ngoại tuyến. Khi dùng Batch với mô hình được hỗ trợ, đơn giá đầu vào và đầu ra thường tính bằng 50% giá suy luận thời gian thực; cái giá là độ trễ cao hơn và cần điều phối tác vụ. Lưu ý: chiết khấu bộ nhớ đệm và chiết khấu Batch thường không có hiệu lực đồng thời, đừng cộng dồn cả hai vào cùng một mô hình ngân sách.

Bộ nhớ đệm có trúng hay không phụ thuộc tiền tố có ổn định không. Câu lệnh hệ thống, định nghĩa công cụ, đoạn kho tri thức thay đổi thứ tự mỗi lần thì tỷ lệ trúng sẽ rất thấp. Đặt nội dung ổn định lên trước, nội dung thay đổi ra sau là tối ưu cơ bản nhất.

6. Thử lại, thất bại và chi phí ẩn

Trang tính phí của nhà cung cấp nêu rõ yêu cầu thất bại không thu phí. Nhưng "thất bại" nghĩa là máy chủ trả về thất bại rõ ràng, không bao gồm yêu cầu mới do máy khách gửi lại sau khi hết thời gian. Gửi lại khi hết thời gian, người dùng bấm liên tục, hàng đợi tiêu thụ trùng đều tạo yêu cầu tính phí mới.

Thử lại với giới hạn tần suất và lỗi 5xx cần tiết chế: chỉ thử lại lỗi có thể thử lại, dùng lùi thời gian theo cấp số nhân, đặt số lần tối đa và dùng mã yêu cầu để giữ tính idempotent. Khi kết nối luồng bị ngắt, phần đã sinh có bị tính phí hay không lấy hóa đơn và hướng dẫn của nhà cung cấp làm chuẩn; đừng lấy "thất bại miễn phí" làm lý do thử lại vô hạn.

Còn một chi phí thường bị bỏ qua: nhân lực bỏ ra để tiết kiệm phí gọi. Ghi log, giám sát, đánh giá, kiểm tra thủ công đều là chi phí. Giảm chi phí phải nhìn tổng chi phí, không chỉ nhìn đơn giá.

7. Dùng log thật để ước tính ngân sách hàng tháng

Đừng ước lượng cảm tính. Làm theo thứ tự sau:

  1. Xuất log yêu cầu 7 ngày gần nhất từ cổng hoặc hóa đơn Bailian, tối thiểu gồm mã mô hình, token đầu vào, token đầu ra, có trúng bộ nhớ đệm hay không, có dùng Batch hay không.
  2. Nhóm theo mô hình và bậc ngữ cảnh, tính số yêu cầu và token trung bình của từng nhóm.
  3. Áp đơn giá trên trang giá hiện tại vào công thức, lưu ý ngữ cảnh dài tính theo bậc của toàn yêu cầu.
  4. Nhân với 30 ngày, cộng thêm 10%–20% dự phòng cho thử lại và biến động.
  5. Đánh giá lại mỗi tháng; sau khi nâng cấp mô hình hoặc sửa câu lệnh thì ước tính lại.

Nếu đội dùng đồng thời nhiều mô hình, có thể đăng ký ZSQH AI Gateway để xem thống nhất số dư và mức sử dụng; đơn giá cụ thể vẫn lấy trang giá mô hình làm chuẩn.

8. Thứ tự giảm chi phí

Theo mức đầu tư và hiệu quả, thường như sau:

  1. Định lượng trước: không có log theo yêu cầu thì mọi tối ưu đều là phỏng đoán.
  2. Chọn đúng bậc: tác vụ đơn giản hạ xuống Flash, đừng dùng Max để phân loại.
  3. Nén đầu vào: truy xuất, tóm tắt, cắt lịch sử hiệu quả hơn đổi mô hình.
  4. Giới hạn đầu ra: đặt max_tokens, yêu cầu đầu ra có cấu trúc.
  5. Ổn định tiền tố: tăng tỷ lệ trúng bộ nhớ đệm, nhưng xác nhận chi phí tạo đệm trước.
  6. Ngoại tuyến dùng Batch: gán nhãn, tóm tắt, làm sạch… không gấp thì dùng Batch.
  7. Kiểm soát thử lại: lùi thời gian, idempotent, loại trùng, đừng để một sự cố thành hóa đơn gấp đôi.
  8. Đặt cảnh báo ngân sách: đặt ngưỡng riêng theo dự án, Key và mô hình.

9. Câu hỏi thường gặp

Qwen API, Bailian và DashScope có quan hệ gì?

Bailian là nền tảng dịch vụ mô hình lớn của Alibaba Cloud, Model Studio là tên trang quốc tế của nó, DashScope là tên tầng API/SDK. Khi nói "gọi Qwen API", thường là gọi mô hình qua giao diện tương thích DashScope hoặc giao diện tương thích OpenAI của Bailian.

Vì sao ngữ cảnh dài làm cả yêu cầu đắt hơn?

Vì bậc giá do tổng token đầu vào của một yêu cầu quyết định; khi rơi vào bậc cao, toàn bộ đầu vào và đầu ra của yêu cầu đó đều tính theo đơn giá bậc đó, không chỉ phần vượt ngưỡng bị tăng giá. Chia 33K đầu vào thành hai yêu cầu 16K có thể rẻ hơn một yêu cầu 33K, nhưng phải xác nhận việc chia nhỏ không làm mất hiệu quả.

Có thể dùng bộ nhớ đệm và Batch cùng lúc không?

Thường không cộng dồn. Trang giá của nhà cung cấp cho biết hai bên chọn một. Tác vụ ngoại tuyến ưu tiên Batch; tác vụ trực tuyến tần suất cao và tiền tố ổn định ưu tiên bộ nhớ đệm.

Yêu cầu thất bại có bị tính phí không?

Hướng dẫn của nhà cung cấp nêu yêu cầu thất bại không thu phí. Nhưng gửi lại sau khi máy khách hết thời gian, gửi trùng, nối tiếp sau khi luồng ngắt đều có thể tạo yêu cầu tính phí mới. Dùng mã yêu cầu và khóa idempotent để phân biệt "thử lại" với "yêu cầu mới".

Vì sao hóa đơn bảng điều khiển và ước tính cục bộ không khớp?

Có bốn nguyên nhân phổ biến: chưa tính bậc ngữ cảnh, chưa tính phí tạo bộ nhớ đệm, cộng dồn Batch và bộ nhớ đệm, yêu cầu thử lại không được tính vào. Đối soát bằng trường usage và mã yêu cầu, thường có thể xác định yêu cầu cụ thể gây chênh lệch.

Bước tiếp theo

Trước tiên hãy xuất mức sử dụng thật của tuần gần nhất, nhóm theo mô hình và bậc, rồi áp giá hiện tại. Nếu cần nạp bằng nhân dân tệ và xem thống nhất mức sử dụng của nhiều mô hình, có thể đăng ký ZSQH AI Gateway; giá cụ thể lấy giá mô hình làm chuẩn.

Bài viết liên quan: