Почему счёт больше предварительной оценки?

Типовые причины: история диалога, пересланная целиком; системный промпт и RAG-вставки, о которых забыли; повторы после ошибок; output длиннее ожидаемого из-за снятого max_tokens; неверная модель в одном из вызовов цепочки.

Диагностика: возьмите самый дорогой запрос из истории, разложите его usage на вход/выход/кэш и сравните с оценкой построчно. В 9 случаях из 10 расхождение — в контексте, а не в тарифах.