Welches Modell passt zu einem Dokument mit 100K Tokens: Kontext- und Ausgabelimits

Kurze Antwort: Ein Dokument mit 100K Tokens passt bei allen drei Modellen in eine Anfrage. Was sie unterscheidet, ist der Spielraum drumherum. GLM-5.3-Flash hat ein Kontextfenster von 390K, DeepSeek-V4-Flash hat 380K und kann bis zu 32.768 Tokens zurückgeben, MiniMax-M2.7 hat 180K. Zwei Prüfungen sagen dir, welches du nehmen solltest: Passen Dokument und Antwort ins Fenster, und passt die Antwort ins Ausgabelimit des Modells.

Die folgenden Limits sind die von CheapTokens selbst, geprüft am 1. November 2026, und sie sind der Maßstab, an dem deine Anfrage gemessen wird, wenn du https://api.cheaptokens.dev/v1 aufrufst. Die Dokumentation zeigt, wie du dich verbindest, und Preise enthält die vollständige Preisliste.

Die Prüfung in zwei Schritten#

Beide Regeln verwenden Zahlen, die du kennen kannst, bevor du etwas sendest:

1. Eingabe-Tokens + max_tokens ≤ Kontextfenster. Dokument und Antwort teilen sich ein Fenster.
2. max_tokens ≤ das Ausgabelimit des Modells.

Die letzte Spalte ist das Fenster minus die längste Antwort, wobei K als 1.000 gelesen wird: 390.000 − 8.192 = 381.808; 380.000 − 32.768 = 347.232; 180.000 − 8.192 = 171.808. In der Praxis forderst du selten die längstmögliche Antwort an, also hast du mehr Platz, als diese Spalte zeigt.

Hier ist die Prüfung an einem realistisch wirkenden Fall. Du hast ein Log mit 200.000 Tokens und willst eine Analyse mit 2.000 Tokens: 200.000 + 2.000 = 202.000. Das passt in die Fenster von 390K und 380K und passt nicht in 180K. Gleiches Log, gleiche Frage, und eines der drei ist schon raus.

Wie groß ist dein Dokument wirklich?#

Seiten sind eine schlechte Einheit, Tokens sind die echte. Nehmen wir an, eine englische Seite hat etwa 600 Tokens (eine Annahme; echte Seiten liegen grob zwischen 500 und 700). Dann ist ein Dokument mit 100K Tokens 100.000 ÷ 600 ≈ 167 Seiten. Das ist ein dicker Vertrag oder ein langer Jahresbericht, und es passt bei jedem Modell in der Tabelle mit reichlich Luft.

Die Seitenschätzung ist für die Planung. Bevor du sendest, zähle die Tokens mit einem Tokenizer, oder nutze die grobe Regel von etwa vier Zeichen pro Token für Englisch. Jedes Modell hat seinen eigenen Tokenizer, also ist eine Zählung eine Schätzung, und nach der Anfrage liefert das Feld usage der Antwort die genauen Zahlen.

Führe die Prüfung im Code aus#

Dieses Skript prüft einen Vertrag gegen die obigen Limits, sendet ihn und gibt aus, wie die Antwort geendet hat. Setze zuerst CHEAPTOKENS_API_KEY, und tausche die Modell-ID aus, um die anderen auszuprobieren.

import os
from openai import OpenAI

# context window, max answer tokens (CheapTokens, checked 1 Nov 2026)
LIMITS = {
    'zai-org/GLM-5.3-Flash': (390_000, 8_192),
    'deepseek-ai/DeepSeek-V4-Flash-0731': (380_000, 32_768),
    'MiniMaxAI/MiniMax-M2.7': (180_000, 8_192),
}

def fits(model, input_tokens, max_tokens):
    context, out_limit = LIMITS[model]
    return max_tokens <= out_limit and input_tokens + max_tokens <= context

client = OpenAI(
    base_url='https://api.cheaptokens.dev/v1',
    api_key=os.environ['CHEAPTOKENS_API_KEY'],
)

text = open('contract.txt', encoding='utf-8').read()
estimate = len(text) // 4   # rough: about 4 characters per token in English
model = 'zai-org/GLM-5.3-Flash'
max_tokens = 1500

if not fits(model, estimate, max_tokens):
    raise SystemExit('Does not fit: pick another model or split the text')

reply = client.chat.completions.create(
    model=model,
    max_tokens=max_tokens,
    messages=[
        {'role': 'system', 'content': 'Summarize contracts in 10 bullet points.'},
        {'role': 'user', 'content': text},
    ],
)
print(reply.choices[0].finish_reason)   # stop = ended on its own, length = cut by max_tokens
print(reply.usage.prompt_tokens, reply.usage.completion_tokens)

Wenn es funktioniert, gibt die erste Zeile stop aus und die zweite zeigt, wie viele Tokens hineingingen und herauskamen. Wenn du length siehst, hat die Antwort max_tokens erreicht; dieser Artikel erklärt die Lösung. Und wenn die Anfrage wegen der Größe abgelehnt wird, führt Anfrage zu lang: 400 vs 413 durch.

Was ein 100K-Job kostet#

Sagen wir, du fasst Verträge zusammen. Jeder hat 100.000 Tokens, und die Zusammenfassung hat etwa 1.500 Tokens (Annahmen, ändere sie passend zu deinen Dateien). Die folgende Tabelle ist live: Sie berechnet aus aktuellen Preisen neu und stellt die OpenRouter-Referenz neben unsere.

Das Dokument ist hier die teure Seite, da du weit mehr sendest, als du zurückbekommst. Für einen solchen Job sind die Summen $0.0021 bei GLM-5.3-Flash, $0.0017 bei DeepSeek-V4-Flash und $0.0052 bei MiniMax-M2.7. Mit Eingabe und Ausgabe zusammen gerechnet, sind alle drei günstiger als OpenRouter. Die Preise sind pro Modell fest ohne Stoßzeiten, also kostet ein nächtlicher Batch dasselbe wie ein tagsüber laufender.

Skaliere es nun auf deinen Tag. Verschiebe die Schieberegler auf deine eigene Last und lies die Summe ab:

Wenn die Antwort der lange Teil ist#

Zusammenfassungen sind der einfache Fall: Eine kurze Antwort passt überall. Ärger beginnt, wenn das Modell viel schreiben muss. Sagen wir, du hast ein Handbuch mit 20.000 Tokens und forderst einen Bericht mit 6.000 Tokens darauf basierend an. Das passt bei jedem Modell (6.000 ≤ 8.192), und die Live-Tabelle zeigt die Kosten:

Fordere nun eine vollständige Übersetzung desselben Handbuchs an. Eine Übersetzung ist etwa so lang wie das Original, also brauchst du Platz für rund 20.000 Tokens Antwort. Setze max_tokens auf 25.000: 20.000 + 25.000 = 45.000, gut innerhalb des 380K-Fensters, und 25.000 ≤ 32.768, also nimmt DeepSeek-V4-Flash es in einer Antwort an. Ein einzelner solcher Job kostet $0.0023. Für die Modelle mit einem Antwortlimit von 8.192 Tokens teile das Handbuch in Kapitel auf und sende sie nacheinander.

Welches für deinen Fall#

Wenn du dir noch unsicher bist, schicke ein echtes Dokument durch das Skript und lies usage. Für einen breiteren Vergleich der drei Modelle nach Aufgabe siehe GLM vs DeepSeek vs MiniMax, und die DeepSeek-Seite behandelt DeepSeek-V4-Flash ausführlicher.