Como escolher um modelo de IA: contexto, saída, velocidade, preço

Uma lista de modelos com quarenta nomes, uma tarefa descrita em uma frase e nenhuma ligação óbvia entre os dois. Aqui está a resposta curta: verifique quatro números, nesta ordem. Janela de contexto e saída máxima decidem se um modelo consegue fazer sua tarefa. Velocidade e preço decidem quão agradável e quão caro é. Contexto, limite de saída e preço estão listados na página de modelos e na tabela de preços; a velocidade você mesmo mede em cerca de um minuto, e o script está abaixo.

Os quatro números em palavras simples#

Pense no modelo como um colega em uma mesa. A janela de contexto é o tamanho da mesa: tudo que precisa estar na frente dele ao mesmo tempo. A saída máxima é quanto tempo ele pode falar de uma vez. A velocidade é quão rápido ele começa a responder. O preço é o valor por hora. Quatro termos, e você vai encontrar todos eles em toda documentação de API:

Para tornar isso concreto, aqui estão os dois primeiros números para os três modelos do catálogo CheapTokens, da referência de modelos CheapTokens (27 de outubro de 2026): GLM-5.3-Flash tem contexto de 390K e responde até 8.192 tokens; DeepSeek-V4-Flash (versão 0731) tem 380K e responde até 32.768 tokens; MiniMax-M2.7 tem 180K e responde até 8.192 tokens.

Contexto: tudo que você enviar vai caber?#

Digamos que seu assistente de programação abra 12 arquivos de cerca de 3.000 tokens cada, depois adicione sua pergunta e as próprias anotações. 12 × 3.000 = 36.000 tokens. Até a menor janela acima, 180K, comporta isso com bastante folga. Um único arquivo enorme ou um dump de repositório inteiro é onde a janela começa a importar.

Chats e agentes são mais complicados, porque a API reenvia todo o histórico a cada chamada. Considere um agente que executa 20 passos, e cada passo adiciona cerca de 2.000 tokens de saída de ferramenta e resposta (uma suposição para este exemplo). O passo 1 envia 2.000 tokens, o passo 2 envia 4.000, o passo 20 envia 40.000. Ao longo de toda a execução, ele envia 2.000 × 210 = 420.000 tokens, onde 210 é 1 + 2 + … + 20.

Duas perguntas diferentes se escondem aqui. A janela de contexto se importa apenas com a maior requisição única: 40.000 tokens no passo 20, o que todo modelo do catálogo comporta facilmente. A conta se importa com o total, 420.000 tokens. Mantenha os dois em mente, e você não escolherá um modelo pelo motivo errado.

Comprimento da saída: o limite que corta respostas#

O limite de saída é um teto para uma resposta, e é fácil esquecer até que uma resposta pare no meio da frase. Uma regra prática para inglês: um token é cerca de três quartos de uma palavra. Você pede um relatório de 6000 palavras: 6000 / 0,75 = 8000 tokens. Isso cabe exatamente abaixo de 8.192. Peça 7.000 palavras e o texto termina no meio de um parágrafo.

Com um teto de 32.768 tokens, a mesma aritmética resulta em 24576 palavras em uma resposta (32768 × 0,75 = 24576), então código gerado, relatórios longos e rascunhos de capítulos inteiros cabem em uma única resposta. Quando uma resposta é cortada, a API avisa: finish_reason volta como length (por que isso acontece e como corrigir).

Velocidade: o número que você mesmo mede#

Velocidade são na verdade dois números: quanto tempo até o primeiro texto aparecer, e quão rápido o restante chega em streaming. Ambos variam com carga, comprimento do prompt e hora do dia, então um número copiado de uma tabela é um guia ruim. Meça com seu próprio prompt. Isso leva um minuto e usa alguns tokens (a chave vem de uma variável de ambiente; veja a documentação para criar uma):

import os, time
from openai import OpenAI

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

start = time.perf_counter()
first = None
stream = client.chat.completions.create(
    model="deepseek-ai/DeepSeek-V4-Flash-0731",
    messages=[{"role": "user", "content": "Explain what a token is in 3 sentences."}],
    stream=True,
)
for chunk in stream:
    if first is None and chunk.choices and chunk.choices[0].delta.content:
        first = time.perf_counter() - start
total = time.perf_counter() - start
print(f"first text after {first:.1f}s, finished after {total:.1f}s")

Você recebe uma linha: first text after <N>s, finished after <M>s. Troque o id do modelo por zai-org/GLM-5.3-Flash ou MiniMaxAI/MiniMax-M2.7, execute cada um algumas vezes, e você tem uma comparação de velocidade para seu prompt. Isso importa? Para um chat ao vivo, sim: as pessoas percebem uma pausa antes da primeira palavra. Para um lote noturno de resumos, ninguém está olhando, e a velocidade cai para o fim da sua lista.

Preço: some entrada e saída#

Os preços são cotados por milhão de tokens, mas você paga por requisição, e uma requisição tem tanto um lado de entrada quanto um lado de saída. Então compare modelos em uma carga de trabalho, não em duas colunas. Digamos que seu bot de suporte lida com 1.000 tickets por dia, cada um com cerca de 300 tokens de entrada e 150 de saída (uma suposição; substitua pelos seus próprios números). A tabela é dinâmica e recalcula com os preços atuais:

Leia o total, não as colunas. No total, com entrada e saída contadas juntas, cada um dos três sai mais barato que o preço de referência do OpenRouter na coluna OpenRouter dessa tabela.

E aqui é onde os agentes pesam. A execução de 20 passos da seção de contexto envia 420.000 tokens de entrada e escreve talvez 4.000 de saída (200 por passo, novamente uma suposição). No DeepSeek-V4-Flash, uma execução dessas custa $0.0067. Cinco execuções em um dia? Mova os controles e observe os três modelos:

Os preços dos modelos permanecem os mesmos em qualquer hora do dia, então um cálculo que você faz agora vale para o lote da noite também. Para relembrar por que tokens de saída geralmente custam mais que os de entrada, veja tokens de entrada e saída.

Escolha um modelo por tarefa#

Comece pela tarefa, encontre o número que mais pesa, e verifique os outros três depois. Clique no seu próprio caso:

Nenhum modelo vence todas as linhas, e é por isso que ajuda rodar os mesmos dez prompts reais por dois candidatos antes de decidir. A comparação GLM vs DeepSeek vs MiniMax aprofunda os três modelos, e a página de preços sempre mostra os números atuais.