SAi 學校 LLM 預算互動計算機

總 Credits / 年

—

Quoted 用量 / 年

—

餘額 / 年

—

每用戶 / 日

—

學校年費 (Price)

—

學校向 SAi 繳付

Gross Margin

—

年費 − Token 成本

📊 預算分配

學生 vs 教師 vs 緩衝區

月度用量預測

🚦 FUP 層級（HK OFTA 對標）

Layer 1 · 正常使用≤ 100% quota

所有模型可用。用戶完全自由。

Layer 2 · 接近上限 (80%)80% quota

Dashboard 提示剩餘額度；可手動升級旗艦模型。

Layer 3 · 達 soft quota (100%)100% quota

自動降級到 1-credit 模型（DeepSeek V4 Flash / MiniMax M2.7）。無限繼續用，但 AI 較幼嫩。

Layer 4 · 嚴重 overflow (200%)200% quota

限速至 5 chats/日 + IT admin alert。對標手機月費 128 KB/s 限速。

📋 模型成本對照（假設每日 quota 全用）

模型層級	代表	Cr/chat	學生用滿 quota 可做	教師用滿 quota 可做

🧮 等價對話數（每用戶 / 日）

學生 → Tier 1 chats

—

DeepSeek V4 Flash

學生 → Tier 2 chats

—

GPT-5 / Claude Haiku

教師 → Tier 2 chats

—

GPT-5 / Claude Haiku

教師 → Tier 4 chats

—

Claude Opus 4.5

📚 Task Library · 年度容量推算

Task	Model	Cr/task	HKD/task	年可做 (全 pool)	學生 quota 內 / 日	老師 quota 內 / 日

每年做 1 次每 task 嘅總消耗 0 credits0% of budget

ℹ️ 計算公式：每 task credits = model_cr × (in_tk + out_tk) ÷ 1000 （線性 scaling 估算，基於 goteech Simple default preset）。對 Tier 1–4 較準；Tier 5 (Pro model) 可能 over-estimate。
預載 task token 數據係 SAi 平台實測估算，[MOCK — REPLACE BEFORE SUBMIT] 用真實 dashboard 數據修正。

方法論：Credits 折算基於 goteech.io LLM Ratecard（1 credit = 0.001 USD = HK$0.00785）。每 chat token 量基於 goteech Simple default preset (700 in + 300 out) + DeepSeek 官方 token ratio (1 中文字 ≈ 0.6 token)。Quota 設計對標 HK OFTA 2011 Fair Usage Policy 指引：永不 ban、降速事先通知、改 FUP 30 日前通知。
⚠️ 假設：校日 200 日、學生 8 chats/day 老師 25 chats/day 嘅平均用量。[MOCK — REPLACE BEFORE SUBMIT] 真實用量需 pilot 後 calibrate。

💰 Price vs Cost 對賬（校長 demo 必講）：

Token 成本 (COGS)：SAi 向 gotech 買 credits 嘅成本 = HK$25,000 假設
學校年費 (Price)：學校向 SAi 繳付嘅年費 = HK$120,000 假設
Gross Margin = 年費 − Token 成本 = HK$95,000（79.2%），扣除平台開發 / 客服 / 培訓等其他成本後為淨利潤

校長 demo 透明展示：「你嘅 HK$120K 入面，HK$25K 用喺 LLM token，餘額 HK$95K 涵蓋平台維護、培訓、客服同 SAi 合理利潤。」

🔗 三者連動規則（左 panel 三個 input 即時互聯）：

改 Margin % → Token 成本自動重算（年費 stable）
改 Token 成本 → Margin % 自動重算（年費 stable）
改 學校年費 → Margin % 自動重算（Token 成本 stable）

公式：Margin % = (年費 − Token 成本) ÷ 年費 × 100%