用表格对账：官方账单 vs 业务日志
按模型、按天聚合；差异常来自缓存、失败重试与时区。
Full article body is primarily in Chinese for SEO depth; key points above are localized. Use the language switcher and deep links for global navigation.
用表格对账：官方账单 vs 业务日志
摘要 OpenAICN 专为 OpenAI API 用户设计，帮助你通过简单表格快速对比官方账单（USD）和业务日志中的 Token 数量。按模型、按天聚合差异，找出缓存命中、时区或重试等原因。无论你是开发者还是企业用户，都能精准计算 $/M，区分 Plus 与纯 API 费用。
分类 计费精算
slug spreadsheet-token-reconcile
为什么需要官方账单 vs 业务日志对账
OpenAI API 定价以 $ /M（每百万 Token）为单位，但实际业务日志与最终账单常有差异。缓存命中、失败重试、批处理延迟入账以及时区（UTC vs 本地）都会导致记录不完全一致。
用这个指南，你可以：
- 按模型聚合数据
- 按天查看整体差异
- 快速决策优化 Prompt 或选择模型
无需手动 Excel 公式，只需一个清晰表格就能完成 90% 的日常对账。
推荐对账表格（移动端横向滚动友好）
对账示例表格（复制到 Google Sheets 或 Excel 使用）
| 日期 | 模型 | 输入 tokens | 输出 tokens | 账单 USD | 业务日志 tokens |
|---|---|---|---|---|---|
| 2026-08-01 | gpt-5.6-luna | 2,500,000 | 1,200,000 | 2.25 | 2,400,000 |
| 2026-08-01 | gpt-5.6-terra | 1,800,000 | 1,500,000 | 20.40 | 1,750,000 |
| 2026-08-02 | gpt-5.6-sol | 500,000 | 800,000 | 15.50 | 550,000 |
| 2026-08-02 | gpt-4.1 | 3,000,000 | 600,000 | 10.20 | 2,950,000 |
填写说明：
- 账单 USD：直接从 OpenAI 官方账单复制（支持 Batch API 50% 折扣）
- 业务日志 tokens：从你的监控系统或 OpenAI Dashboard 导出
- 公式示例（Sheets）：
- 输入差异 = 账单输入 - 业务日志输入 - 输出差异 = 账单输出 - 业务日志输出 - 总差异 = 输入差异 + 输出差异
差异排查核心原因
1. 缓存命中未进业务日志 OpenAI 官方账单会显示 Cached input 价格（通常 80% 更低），但业务日志可能只记录未缓存的原始 Token。 例如：gpt-5.6-luna 输入缓存价仅 $0.02 /M，普通输入 $0.20 /M。 解决方案：开启缓存策略，Prompt 重复内容越多，差异越大。
2. 时区差异（UTC vs 本家） 计费时间戳以 UTC 为准，业务日志可能显示本地时间。 相差 8 小时会导致同一笔请求在不同天记录。 检查方法：对比账单“创建时间”与日志“完成时间”。
3. 批处理延迟入账 Batch API 任务异步运行，入账时间可能延迟 24 小时。 建议设置提醒，确保账单周期匹配日志周期。
4. 失败重试与结构化输出 失败请求重试时 Token 可能重复入账；Structured Outputs 额外计算 Token。 OpenAI o1/o3 系列支持 Structured Outputs，额外 Token 不会影响核心定价。
按模型按天聚合查看差异
在 Google Sheets 中添加小工具：
- 导入业务日志 CSV
- 按 “模型 + 日期” 汇总
- 公式计算
SUMIF差异 - 突出显示 >10% 差异的行
这样就能一目了然哪些模型缓存效果好（gpt-5.6-luna 缓存率通常最高）。
延伸阅读
风险与边界
本文仅供参考，实际对账请以 OpenAI 官方账单为准。 我们不是法律意见，提供的信息仅代表通用知识，不构成任何商业或技术建议。 用户需自行验证数据来源，确保日志准确无误。
English summary
OpenAICN provides a complete guide for reconciling OpenAI official billing (in USD) with business logs using simple tables. It aggregates data by model and day, highlighting common differences caused by prompt caching, timezone shifts (UTC vs local), batch processing delays, and retry failures.
The recommended spreadsheet table includes columns for date, model, input/output tokens, billed USD, and logged tokens. Example usage shows how to calculate differences with basic formulas.
Key reasons for mismatches include cached inputs not appearing in logs (cached input pricing is 80% lower), UTC-based billing timestamps, and asynchronous Batch API charges that may lag by 24 hours.
Tips cover per-model daily aggregation in Google Sheets, using SUMIF formulas, and optimizing for high-cache models like gpt-5.6-luna.
Links to official pricing, API billing paths, and cache explanations are provided as internal references.
This is not legal advice; always verify with official OpenAI billing for accuracy.
适用于 GrokCode 倍率榜。信息仅供参考，不构成购买、投资或法律意见。