¿Qué modelo barato para tu tarea? Elige por la proporción entrada:salida

Elige por la forma de tu tarea, no por el precio del titular. Si la entrada es larga y la respuesta corta (resúmenes de informes largos, etiquetado sobre entradas largas), DeepSeek-V4-Flash cuesta menos de los tres. Si la respuesta es tan larga como la entrada o más (turnos de chat cortos, reescrituras, generación de código), GLM-5.3-Flash lo hace, y un chat largo cambia la respuesta a mitad de camino. MiniMax-M2.7 es el que debes elegir cuando tu propia prueba dice que sus respuestas te convienen más, y de los tres es el que está más por debajo del precio de referencia de OpenRouter.

Puedes ver de qué lado estás después de 20 solicitudes. Los precios a continuación provienen de la referencia de precios de CheapTokens del 6 de noviembre de 2026, y cada número en una tabla o un marcador está en vivo, por lo que sigue las tarifas actuales.

Una solicitud tiene dos medidores#

Cada solicitud se factura dos veces: una por los tokens que envías (entrada), otra por los tokens que el modelo escribe de vuelta (salida). Cada modelo fija su propio precio para cada lado, y ahí es donde falla comparar precios de titular (lo básico está en Input vs output tokens: what an AI API bills you for).

DeepSeek-V4-Flash cobra $0.015 por entrada y $0.10 por salida por 1M de tokens. GLM-5.3-Flash cobra $0.02 y $0.04. MiniMax-M2.7 cobra $0.05 y $0.15. Un modelo es más barato a la entrada, otro a la salida, así que el ganador depende de cuántos tokens viajan en cada dirección.

Esa proporción es el número que hay que conocer: tokens de entrada divididos por tokens de salida. Un etiquetador que lee un ticket de 600 tokens y responde con una etiqueta de 10 tokens está en 60 a 1 (600 ÷ 10 = 60). Una herramienta de reescritura que toma un párrafo de 400 tokens y devuelve 800 tokens está en 1 a 2 (400 ÷ 800 = 0.5).

Mide tu propia proporción en 20 solicitudes#

Adivinar es donde esto falla, así que mide. Cada respuesta de Chat Completions lleva un objeto usage con prompt_tokens (lo que enviaste) y completion_tokens (lo que volvió). El formato Anthropic Messages los llama input_tokens y output_tokens; la documentación de CheapTokens muestra ambos formatos.

Toma 20–50 solicitudes reales de tu tarea y suma cada lado. Suma, no promedies las proporciones por solicitud: una respuesta diminuta arrastraría un promedio por todos lados.

import os
from openai import OpenAI

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

prompts = ["...", "..."]  # 20-50 real inputs from your task

tokens_in = tokens_out = 0
for text in prompts:
    r = client.chat.completions.create(
        model="deepseek-ai/DeepSeek-V4-Flash-0731",
        messages=[{"role": "user", "content": text}],
        max_tokens=2000,
    )
    tokens_in += r.usage.prompt_tokens
    tokens_out += r.usage.completion_tokens

print(f"input {tokens_in}, output {tokens_out}, ratio {tokens_in / tokens_out:.1f} : 1")

La última línea imprime tu proporción. Ese único número es todo lo que llevas a la siguiente sección.

Qué le hace la proporción a la factura#

Aquí hay cuatro formas comunes. Los tamaños son suposiciones elegidas para ser típicas; sustituye los números de tu propia ejecución.

Etiquetar 10,000 tickets al día#

Digamos que una herramienta de soporte etiqueta 10,000 tickets al día: 600 tokens de entrada, una etiqueta de 10 tokens de salida. El día completo en cada modelo:

Lee la tabla. DeepSeek-V4-Flash es el más barato de los tres aquí, porque casi cada token que pagas es de entrada. La columna de OpenRouter muestra los tres modelos por debajo del precio de referencia en total, con entrada y salida contadas juntas.

Resumir informes largos#

Un informe de 12,000 tokens comprimido en un resumen de 300 tokens es 40 a 1 (12,000 ÷ 300 = 40). Un resumen cuesta $0.00021 en DeepSeek-V4-Flash y $0.00025 en GLM-5.3-Flash. La misma historia que el etiquetado: cuanto más lees por palabra que escribes, más ayuda el precio de entrada de DeepSeek.

Reescrituras y archivos de código#

Ahora dale la vuelta. Una reescritura de tono toma 400 tokens de entrada y devuelve 800. DeepSeek-V4-Flash: $0.000086. GLM-5.3-Flash: $0.00004. La salida es la mitad más grande de esta factura, así que gana el modelo con el precio de salida más bajo, y ese es GLM-5.3-Flash.

Un chat que sigue creciendo#

El chat es el engañoso, porque la API no tiene memoria: en cada turno reenvías todo el array de mensajes. En el turno 1 el usuario escribe 300 tokens y el bot responde 200 (300 ÷ 200 = 1.5). Eso es territorio de GLM: $0.000014 frente a $0.000025 en DeepSeek-V4-Flash.

Para el turno 30 el historial es de 6,000 tokens y la respuesta sigue siendo 200 (6,000 ÷ 200 = 30). Ahora $0.00013 en GLM-5.3-Flash se enfrenta a $0.00011 en DeepSeek-V4-Flash, y el modelo más barato ha cambiado. El mismo bot cambia su mejor modelo a mitad de una conversación larga.

Cuando la longitud de una respuesta decide#

La proporción no es la única puerta. El límite de respuesta difiere: DeepSeek-V4-Flash escribe hasta 32,768 tokens de salida en una respuesta, GLM-5.3-Flash y MiniMax-M2.7 hasta 8,192.

Digamos que pides un módulo completo de 12,000 tokens de una vez. En un modelo limitado a 8,192 la respuesta se detiene a mitad de archivo con finish_reason: length (la solución está en AI answer cut off? Fix finish_reason length and max_tokens). En DeepSeek-V4-Flash cabe. Así que para salidas únicas largas, revisa primero el límite y segundo la proporción.

Del lado de la entrada, GLM-5.3-Flash acepta 390K tokens de contexto y DeepSeek-V4-Flash 380K, suficiente para un documento entero del tamaño de un libro en una sola solicitud. MiniMax-M2.7 tiene 180K.

Dónde encaja MiniMax-M2.7#

La proporción decide entre las dos filas que ganan las tablas anteriores. Eliges MiniMax-M2.7 por una razón diferente: cómo se leen sus respuestas en tu tarea. En la tabla de costos también muestra el margen más amplio bajo la columna de OpenRouter, y 180K de contexto es más que suficiente para chat y la mayoría de documentos.

Ninguna tabla de precios puede hablarte de calidad. Ejecuta las mismas 20 indicaciones del paso de medición por los tres ids (zai-org/GLM-5.3-Flash, deepseek-ai/DeepSeek-V4-Flash-0731, MiniMaxAI/MiniMax-M2.7) y lee las respuestas lado a lado. Para una visión general cara a cara, consulta GLM vs DeepSeek vs MiniMax: which model to choose. Para sesiones de agente completas, consulta Agent session cost: 50 steps on GLM, DeepSeek or MiniMax.

Pon tus propios números#

Introduce los tokens de una sola solicitud y cuántas solicitudes envías al día. La calculadora usa precios en vivo y muestra los tres modelos. Los valores iniciales son un bot de respuestas RAG: 3,000 tokens de texto recuperado y pregunta de entrada, 500 de salida. Arrastra la entrada hacia arriba y observa cómo cambia la fila más barata.

Cuando los números se vean bien, repasa esta lista.

La URL base y los ids de modelo están en la documentación de CheapTokens, la lista completa de precios en vivo está en la página de precios, y cada modelo tiene su propia página: GLM, DeepSeek, MiniMax. Un solo saldo cubre los tres, así que cambiar tras una medición es un cambio de una línea del id de modelo.