Qué modelo encaja con un documento de 100K tokens: contexto y límites de salida

Respuesta corta: un documento de 100K tokens cabe en cualquiera de los tres modelos en una sola petición. Lo que los diferencia es el espacio que queda alrededor. GLM-5.3-Flash tiene una ventana de contexto de 390K, DeepSeek-V4-Flash tiene 380K y puede escribir hasta 32.768 tokens de vuelta, MiniMax-M2.7 tiene 180K. Dos comprobaciones te dicen cuál usar: si el documento y la respuesta caben en la ventana, y si la respuesta cabe en el límite de salida del modelo.

Los límites de abajo son los propios de CheapTokens, comprobados el 1 de noviembre de 2026, y son contra los que se mide tu petición cuando llamas a https://api.cheaptokens.dev/v1. La documentación muestra cómo conectarse, y precios tiene la lista completa de precios.

La comprobación en dos pasos#

Ambas reglas usan números que puedes conocer antes de enviar nada:

1. Tokens de entrada + max_tokens ≤ ventana de contexto. El documento y la respuesta comparten una ventana.
2. max_tokens ≤ el límite de salida del modelo.

La última columna es la ventana menos la respuesta más larga, leyendo K como 1.000: 390.000 − 8.192 = 381.808; 380.000 − 32.768 = 347.232; 180.000 − 8.192 = 171.808. En la práctica rara vez pides la respuesta más larga posible, así que tienes más espacio del que muestra esa columna.

Aquí está la comprobación en un caso realista. Tienes un log de 200.000 tokens y quieres un análisis de 2.000 tokens: 200.000 + 2.000 = 202.000. Eso cabe en las ventanas de 390K y 380K y no cabe en 180K. Mismo log, misma pregunta, y uno de los tres ya está fuera.

¿Qué tan grande es tu documento, realmente?#

Las páginas son una mala unidad, los tokens son la real. Digamos que una página en inglés son unos 600 tokens (una suposición; las páginas reales van de unos 500 a 700). Entonces un documento de 100K tokens son 100.000 ÷ 600 ≈ 167 páginas. Eso es un contrato grueso o un informe anual largo, y cabe en todos los modelos de la tabla con espacio de sobra.

La estimación por páginas es para planificar. Antes de enviar, cuenta tokens con un tokenizador, o usa la regla aproximada de unos cuatro caracteres por token para inglés. Cada modelo tiene su propio tokenizador, así que un conteo es una estimación, y después de la petición el campo usage de la respuesta da los números exactos.

Ejecuta la comprobación en código#

Este script comprueba un contrato contra los límites de arriba, lo envía e imprime cómo terminó la respuesta. Configura CHEAPTOKENS_API_KEY primero, y cambia el id del modelo para probar los otros.

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)

Si funciona, la primera línea imprime stop y la segunda muestra cuántos tokens entraron y salieron. Si ves length, la respuesta alcanzó max_tokens; este artículo explica la solución. Y si la petición se rechaza por tamaño, petición demasiado larga: 400 vs 413 lo recorre.

Cuánto cuesta un trabajo de 100K#

Digamos que resumes contratos. Cada uno es de 100.000 tokens, y el resumen es de unos 1.500 tokens (suposiciones, cámbialas para que coincidan con tus archivos). La tabla de abajo es en vivo: se recalcula con los precios actuales y pone la referencia de OpenRouter junto a la nuestra.

El documento es el lado caro aquí, ya que envías mucho más de lo que recibes. Para uno de esos trabajos los totales son $0.0021 en GLM-5.3-Flash, $0.0017 en DeepSeek-V4-Flash y $0.0052 en MiniMax-M2.7. Contando entrada y salida juntas, los tres salen más baratos que OpenRouter. Los precios son fijos por modelo sin horas punta, así que un lote nocturno cuesta lo mismo que uno diurno.

Ahora escálalo a tu día. Mueve los deslizadores a tu propia carga y lee el total:

Cuando la respuesta es la parte larga#

Los resúmenes son el caso fácil: una respuesta corta cabe en todas partes. El problema empieza cuando el modelo tiene que escribir mucho. Digamos que tienes un manual de 20.000 tokens y pides un informe de 6.000 tokens basado en él. Eso cabe en todos los modelos (6.000 ≤ 8.192), y la tabla en vivo muestra el coste:

Ahora pide una traducción completa del mismo manual. Una traducción dura aproximadamente lo mismo que el original, así que necesitas espacio para unos 20.000 tokens de respuesta. Pon max_tokens a 25.000: 20.000 + 25.000 = 45.000, muy dentro de la ventana de 380K, y 25.000 ≤ 32.768, así que DeepSeek-V4-Flash lo acepta en una sola respuesta. Un solo trabajo así cuesta $0.0023. Para los modelos con un límite de respuesta de 8.192 tokens, corta el manual en capítulos y envíalos uno a uno.

Cuál para tu caso#

Si aún tienes dudas, pasa un documento real por el script y lee usage. Para una comparación más amplia de los tres modelos por tarea, consulta GLM vs DeepSeek vs MiniMax, y la página de DeepSeek cubre DeepSeek-V4-Flash con más detalle.