Quel modèle convient à un document de 100K tokens : limites de contexte et de sortie

Réponse courte : un document de 100K tokens tient dans n'importe lequel des trois modèles en une seule requête. Ce qui les distingue, c'est la marge autour. GLM-5.3-Flash a une fenêtre de contexte de 390K, DeepSeek-V4-Flash a 380K et peut écrire jusqu'à 32 768 tokens en retour, MiniMax-M2.7 a 180K. Deux vérifications vous disent lequel utiliser : le document et la réponse tiennent-ils dans la fenêtre, et la réponse tient-elle dans la limite de sortie du modèle.

Les limites ci-dessous sont celles de CheapTokens, vérifiées le 1er novembre 2026, et c'est à elles que votre requête est comparée lorsque vous appelez https://api.cheaptokens.dev/v1. La documentation montre comment se connecter, et la tarification contient la liste complète des prix.

La vérification en deux étapes#

Les deux règles utilisent des nombres que vous pouvez connaître avant d'envoyer quoi que ce soit :

1. Tokens d'entrée + max_tokens ≤ fenêtre de contexte. Le document et la réponse partagent une seule fenêtre.
2. max_tokens ≤ la limite de sortie du modèle.

La dernière colonne est la fenêtre moins la réponse la plus longue, en lisant K comme 1 000 : 390 000 − 8 192 = 381 808 ; 380 000 − 32 768 = 347 232 ; 180 000 − 8 192 = 171 808. En pratique, vous demandez rarement la réponse la plus longue possible, donc vous avez plus de marge que ne le montre cette colonne.

Voici la vérification sur un cas réaliste. Vous avez un journal de 200 000 tokens et vous voulez une analyse de 2 000 tokens : 200 000 + 2 000 = 202 000. Cela tient dans les fenêtres de 390K et 380K et ne tient pas dans 180K. Même journal, même question, et l'un des trois est déjà éliminé.

Quelle est la taille réelle de votre document ?#

Les pages sont une mauvaise unité, les tokens sont la vraie. Disons qu'une page en anglais fait environ 600 tokens (une hypothèse ; les pages réelles vont d'environ 500 à 700). Alors un document de 100K tokens fait 100 000 ÷ 600 ≈ 167 pages. C'est un contrat épais ou un long rapport annuel, et il tient dans chaque modèle du tableau avec de la marge.

L'estimation en pages sert à la planification. Avant d'envoyer, comptez les tokens avec un tokenizer, ou utilisez la règle approximative d'environ quatre caractères par token pour l'anglais. Chaque modèle a son propre tokenizer, donc un compte est une estimation, et après la requête le champ usage de la réponse donne les nombres exacts.

Exécutez la vérification dans le code#

Ce script vérifie un contrat par rapport aux limites ci-dessus, l'envoie, et affiche comment la réponse s'est terminée. Définissez d'abord CHEAPTOKENS_API_KEY, et changez l'ID du modèle pour essayer les autres.

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 cela fonctionne, la première ligne affiche stop et la seconde montre combien de tokens sont entrés et sortis. Si vous voyez length, la réponse a atteint max_tokens ; cet article explique la solution. Et si la requête est refusée pour cause de taille, requête trop longue : 400 vs 413 détaille le sujet.

Combien coûte un travail de 100K#

Disons que vous résumez des contrats. Chacun fait 100 000 tokens, et le résumé fait environ 1 500 tokens (hypothèses, modifiez-les pour correspondre à vos fichiers). Le tableau ci-dessous est dynamique : il se recalcule à partir des prix actuels et place la référence OpenRouter à côté de la nôtre.

Le document est le côté coûteux ici, puisque vous envoyez bien plus que vous ne recevez. Pour un tel travail, les totaux sont $0.0021 sur GLM-5.3-Flash, $0.0017 sur DeepSeek-V4-Flash et $0.0052 sur MiniMax-M2.7. En comptant l'entrée et la sortie ensemble, les trois reviennent moins cher qu'OpenRouter. Les prix sont fixes par modèle, sans heures de pointe, donc un lot nocturne coûte la même chose qu'un lot diurne.

Maintenant, adaptez-le à votre journée. Déplacez les curseurs sur votre propre charge et lisez le total :

Quand la réponse est la partie longue#

Les résumés sont le cas facile : une réponse courte tient partout. Les ennuis commencent quand le modèle doit écrire beaucoup. Disons que vous avez un manuel de 20 000 tokens et que vous demandez un rapport de 6 000 tokens basé dessus. Cela tient dans chaque modèle (6 000 ≤ 8 192), et le tableau dynamique montre le coût :

Demandez maintenant une traduction complète du même manuel. Une traduction dure à peu près aussi longtemps que l'original, donc vous avez besoin de place pour environ 20 000 tokens de réponse. Réglez max_tokens à 25 000 : 20 000 + 25 000 = 45 000, bien dans la fenêtre de 380K, et 25 000 ≤ 32 768, donc DeepSeek-V4-Flash le prend en une seule réponse. Un tel travail coûte $0.0023. Pour les modèles avec une limite de réponse de 8 192 tokens, découpez le manuel en chapitres et envoyez-les un par un.

Lequel pour votre cas#

Si vous hésitez encore, passez un vrai document dans le script et lisez usage. Pour une comparaison plus large des trois modèles par tâche, voir GLM vs DeepSeek vs MiniMax, et la page DeepSeek couvre DeepSeek-V4-Flash plus en détail.