---
title: "Cómo reducir tokens del prompt: medido antes y después"
description: "Ahorro de tokens medido al recortar prompts del sistema, few-shot, esquemas de tools, formatos de datos, historial y diacríticos árabes, con tokenizadores reales."
url: https://broadrouter.com/es/blog/reduce-prompt-tokens/
lang: es
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/blog/reduce-prompt-tokens/) (actualizado el 2026-11-16).

# Reducir tokens del prompt: recortes medidos en sistema, tools y datos

Por el equipo de BroadNet Inference · 7 min de lectura · Publicado 2026-11-15 · Actualizado 2026-11-16

Mida primero: registre prompt\_tokens por llamada, halle la parte más grande y compare antes y después con el tokenizador del modelo. En cinco tokenizadores, recortar un prompt del sistema verboso ahorró del 68 al 71 % y CSV usó un 31 a 41 % menos tokens que JSON minificado. En tres modelos, un prompt recortado con 3 herramientas breves en vez de 10 verbosas redujo la solicitud renderizada completa en torno a un 65-71 %.

## Puntos clave

-   Cuente con el tokenizador real y luego confirme con usage.prompt\_tokens. La plantilla de chat añade sus propios tokens y vuelve a serializar los esquemas de herramientas.
-   Las herramientas fueron el mayor costo fijo que medimos: 10 esquemas de herramientas verbosos añadían entre 1,200 y 1,400 tokens a cada prompt renderizado. Envíe solo las herramientas que el paso puede usar.
-   Datos tabulares: pasar de JSON con sangría a CSV ahorró entre un 57 y un 61 %; de JSON minificado a CSV aún ahorró entre un 31 y un 41 %. Los tokenizadores de Qwen y Gemma separan los números en dígitos sueltos, así que los datos con muchos números cuestan más en ellos.
-   Reemplazar 16 turnos antiguos por un resumen de 3 líneas redujo un prompt de Qwen de 2,700 tokens a 1,100. Los resúmenes pierden detalle, así que conserve literalmente los últimos turnos.
-   El árabe totalmente vocalizado usó entre 2.4 y 3.5 veces los tokens del mismo texto sin diacríticos. Elimínelos salvo que la tarea los necesite.

**En esta página**

1.  ¿Cómo medimos?
2.  ¿Qué recortes ahorran más tokens?
3.  ¿Cómo se ve una solicitud completa?
4.  ¿Cómo recortar un prompt del sistema sin romperlo?
5.  ¿Cuántos ejemplos few-shot necesita?
6.  ¿Conviene enviar de otra forma las herramientas, los datos y el historial?
7.  ¿Dónde entra la caché?
8.  ¿Cómo medir su propio prompt?
9.  Dónde encaja BroadNet Inference

Los prompts más cortos cuestan menos, dejan más espacio de la [ventana de contexto](https://broadrouter.com/es/glossary/context-window/) para el trabajo y suelen devolver antes el primer token. Pero “haga el prompt más corto” es un consejo vago. Este artículo mide recortes habituales sobre un prompt realista de un bot de soporte, con los tokenizadores reales de cuatro modelos abiertos y el `o200k_base` de OpenAI, para que vea qué cambios valen su tiempo.

Si usa un agente de programación, [el presupuesto de tokens del agente](https://broadrouter.com/es/blog/agent-token-budget/) cubre ese bucle. Este artículo trata de prompts de aplicaciones: chatbots, clasificadores y tareas de extracción.

## ¿Cómo medimos?

Todos los conteos de abajo son nuestros, hechos el 15 de noviembre de 2026:

-   **Tokenizadores.** Los archivos `tokenizer.json` oficiales de DeepSeek V4.1 Flash, GLM 5.3, Qwen3.8 27B y Gemma 4 26B A4B de Google, cada uno en una revisión fija de Hugging Face (vea Fuentes), cargados con `tokenizers` 0.23.3 de Hugging Face. Además, `o200k_base` de `tiktoken` 0.14.0, para comparar con los modelos GPT. No se añadieron tokens especiales.
-   **Prompts renderizados.** Para DeepSeek, GLM y Qwen, también renderizamos solicitudes completas con el `chat_template.jinja` publicado de cada modelo (sandbox de Jinja2), con prompt del sistema, herramientas, historial y pregunta, y contamos el resultado. Eso se acerca a lo que tokeniza un servidor, pero un proveedor puede usar otra plantilla, así que tome el `usage.prompt_tokens` de la API como la referencia final.
-   **Texto.** Un bot de soporte sintético para una empresa de telecomunicaciones ficticia: un prompt del sistema de 261 palabras, 10 herramientas, 8 ejemplos few-shot, 40 filas de pedidos, un historial de 20 turnos y un párrafo en árabe de 31 palabras. Un prompt es un solo dato. Su ahorro será distinto; el método sí se puede aplicar.

Gemma 4 VL 26B de BroadNet se basa en el modelo de Google, así que su conteo es una estimación. Los demás usan los archivos de los propios modelos.

## ¿Qué recortes ahorran más tokens?

Texto sin procesar, antes → después, con el porcentaje ahorrado:

| Cambio | DeepSeek V4.1 Flash | GLM 5.3 | Qwen3.8 27B | Gemma 4 | GPT o200k |
| --- | --- | --- | --- | --- | --- |
| Prompt del sistema: 261 palabras → 66 palabras | 295 → 88 (70%) | 294 → 89 (70%) | 297 → 95 (68%) | 297 → 96 (68%) | 293 → 86 (71%) |
| Few-shot: 8 ejemplos → 3 | 157 → 69 (56%) | 157 → 69 (56%) | 156 → 71 (54%) | 156 → 71 (54%) | 152 → 69 (55%) |
| 40 filas: JSON con sangría → JSON minificado | 2,446 → 1,606 (34%) | 2,460 → 1,581 (36%) | 3,180 → 1,980 (38%) | 3,210 → 2,010 (37%) | 2,446 → 1,567 (36%) |
| 40 filas: JSON minificado → CSV | 1,606 → 948 (41%) | 1,581 → 960 (39%) | 1,980 → 1,359 (31%) | 2,010 → 1,382 (31%) | 1,567 → 946 (40%) |
| 10 herramientas: descripciones verbosas → breves | 1,224 → 806 (34%) | 1,214 → 797 (34%) | 1,225 → 806 (34%) | 1,252 → 827 (34%) | 1,202 → 796 (34%) |
| 10 herramientas verbosas → 3 breves | 1,224 → 258 (79%) | 1,214 → 257 (79%) | 1,225 → 266 (78%) | 1,252 → 276 (78%) | 1,202 → 255 (79%) |
| Párrafo en árabe: totalmente vocalizado → sin diacríticos | 193 → 74 (62%) | 267 → 78 (71%) | 151 → 62 (59%) | 180 → 64 (64%) | 218 → 62 (72%) |

Con prosa en inglés, los porcentajes son similares entre tokenizadores, así que un recorte que ayuda en un modelo ayuda en los demás. Dos filas rompen ese patrón. Los datos de pedidos le costaron a Qwen y Gemma entre un 23 y un 46 % más tokens que a DeepSeek y GLM en todos los formatos, porque sus tokenizadores separan los números en dígitos sueltos: `100200` son 6 tokens en Qwen y 2 en DeepSeek. Y los diacríticos árabes afectan a algunos tokenizadores mucho más que a otros.

## ¿Cómo se ve una solicitud completa?

El texto sin procesar no incluye la plantilla de chat. Renderizada con la plantilla de cada modelo, con la misma pregunta del cliente, la medición del prompt completo fue:

| Solicitud | DeepSeek V4.1 Flash | GLM 5.3 | Qwen3.8 27B |
| --- | --- | --- | --- |
| A. Prompt del sistema verboso + 10 herramientas verbosas | 1,677 | 1,535 | 1,797 |
| B. Prompt del sistema recortado + 10 herramientas breves | 1,052 | 913 | 1,176 |
| C. Prompt del sistema recortado + 3 herramientas breves | 574 | 443 | 636 |
| D. Prompt del sistema recortado, sin herramientas | 136 | 121 | 174 |
| C + 20 turnos anteriores completos | 2,374 | 2,243 | 2,693 |
| C + resumen de 3 líneas + últimos 4 turnos | 979 | 849 | 1,103 |

Pasar de A a C recortó aproximadamente entre un 65 y un 71 % de cada solicitud (64.6 % en Qwen y 71.1 % en GLM). La mayor parte vino de las herramientas. Renderizadas con el prompt del sistema verboso, las 10 herramientas verbosas añadían 1,334 tokens en DeepSeek, 1,209 en GLM y 1,421 en Qwen; las 3 herramientas breves de C añadían entre 322 y 462 sobre D. Los esquemas de [llamadas a herramientas](https://broadrouter.com/es/glossary/tool-calling/) viajan en cada solicitud, las use el modelo o no.

Con volumen, esto se acumula. En [Qwen3.8 27B](https://broadrouter.com/es/models/qwen3.8-27b/), pasar de A a C ahorra 1,161 tokens por solicitud. Con 100,000 solicitudes al mes, son unos 116 millones de tokens de entrada, es decir, 116 × $0.175 al mes al precio de entrada estándar.

## ¿Cómo recortar un prompt del sistema sin romperlo?

Nuestro prompt de 261 palabras y el de 66 palabras contienen las mismas siete reglas. Todos los recortes fueron del mismo tipo:

1.  **Elimine la cortesía hacia el modelo.** “It is very important that you always remain polite and courteous at all times” (Traducción: «Es muy importante que siempre se mantenga amable y cortés en todo momento») desapareció: la línea del rol ya lo implica.
2.  **Una regla por línea.** Las viñetas reemplazan frases del tipo “Please make sure that you always…” (Traducción: «Por favor, asegúrese de siempre…»).
3.  **Una los duplicados.** Tres frases sobre el idioma se convirtieron en “Reply in the customer’s language (Arabic or English), briefly.” (Traducción: «Responda en el idioma del cliente (árabe o inglés), de forma breve».)
4.  **Borre lo que repite el comportamiento por defecto.** “Remember to always be helpful!” (Traducción: «¡Recuerde ser siempre útil!») no cambia nada.

Luego pruebe. Un prompt más corto que pierde una regla cuesta más de lo que ahorra. Ejecute ambas versiones sobre las mismas 50 a 100 entradas reales y compare, como en [evaluar un LLM antes de cambiar](https://broadrouter.com/es/blog/evaluate-llm-before-switching/).

## ¿Cuántos ejemplos few-shot necesita?

Menos de los que llevan la mayoría de los prompts. Cada ejemplo [few-shot](https://broadrouter.com/es/glossary/few-shot-prompting/) se paga en cada llamada. Conserve los que corrigen un error que el modelo comete sin ellos, como un ejemplo dialectal para un clasificador de árabe, y quite los que ya resuelve bien. Nuestro recorte de 8 a 3 ahorró entre un 54 y un 56 % del bloque de ejemplos. Si 3 bastan para su tarea es una cuestión de precisión, no de tokens, así que compruébelo con su conjunto de prueba.

## ¿Conviene enviar de otra forma las herramientas, los datos y el historial?

**Herramientas.** Envíe solo las herramientas que el paso actual puede usar. Una pregunta de facturación necesita `get_account`, `get_bill` y `create_ticket`, no `order_esim`. Acorte las descripciones a lo que el modelo necesita para elegir y completar la herramienta. La sangría aquí no importa: todas las plantillas que renderizamos vuelven a serializar el arreglo `tools` con `tojson`, así que un arreglo de herramientas con formato cuesta lo mismo que uno minificado.

**Datos en los mensajes.** Los datos que pega en un mensaje se envían tal como los escribió. Como mínimo, minifique el JSON. Para registros planos, CSV o TSV eliminan las claves repetidas: entre un 31 y un 41 % menos tokens que JSON minificado en nuestra prueba. Los datos anidados siguen en JSON. Compruebe que el modelo sigue leyendo bien las columnas.

**Historial.** Cada turno anterior se reenvía. Reemplazar 16 turnos antiguos por un resumen de tres líneas, conservando literalmente los últimos cuatro turnos, redujo el prompt de Qwen de 2,693 a 1,103 tokens. Un resumen elimina detalles a los que el usuario puede volver a referirse, y reescribirlo cambia el prefijo, lo que rompe la caché. [Gestión del contexto en agentes de larga duración](https://broadrouter.com/es/blog/long-running-agent-context-management/) explica cuándo compactar.

**Diacríticos árabes.** La mayor parte del árabe se escribe sin vocales cortas. Si su entrada está totalmente vocalizada, procedente de un diccionario, un libro de texto o una fuente religiosa, eliminar los signos (U+064B a U+0652) recortó nuestro párrafo entre un 59 y un 72 %. Consérvelos cuando la tarea dependa de ellos, como la enseñanza o la poesía. [Normalización de texto árabe](https://broadrouter.com/es/blog/arabic-text-normalization-search/) cubre los demás caracteres que vale la pena normalizar, y [tokens por palabra en árabe](https://broadrouter.com/es/blog/tokens-per-word-arabic-english/), la brecha más amplia con el inglés.

## ¿Dónde entra la caché?

La caché no achica el prompt. Abarata la parte repetida. La guía de caché de OpenAI dice que “the entire rendered prefix” (Traducción: «todo el prefijo renderizado») debe coincidir y aconseja poner primero las instrucciones estables. La [página de precios](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-reduce-prompt-tokens&utm_content=body) de BroadNet describe la entrada en caché como “usually the repeated start of recent requests, such as a long system prompt” (Traducción: «normalmente el inicio repetido de solicitudes recientes, como un prompt del sistema largo»), sin nada que configurar, y su documentación reporta los aciertos en `usage.prompt_tokens_details.cached_tokens`.

Así que el orden es: acorte primero y luego estabilice el prefijo acortado. El prompt del sistema y las herramientas primero, idénticos byte a byte en cada llamada; después el historial, solo agregando; el mensaje nuevo al final. En Qwen3.8 27B, la entrada en caché cuesta $0.0435 por 1M frente a $0.175. [Estructura del prompt para la caché](https://broadrouter.com/es/blog/prompt-structure-for-caching/) tiene la distribución y una prueba que demuestra que el prefijo se reutiliza. Los tokens en caché siguen contando para la ventana de contexto.

## ¿Cómo medir su propio prompt?

Empiece por la factura. Registre `usage.prompt_tokens` por punto de llamada durante un día y encuentre el mayor. Luego compare versiones localmente con este script, que imprime los conteos de antes y después para dos archivos:

```python
# pip install tokenizers tiktoken huggingface_hub
import json, sys
import tiktoken
from huggingface_hub import hf_hub_download
from tokenizers import Tokenizer

def hf(repo, rev):
    return Tokenizer.from_file(hf_hub_download(repo, "tokenizer.json", revision=rev))

COUNTERS = {
    "Qwen3.8 27B": hf("Qwen/Qwen3.8-27B", "37561816e66b5b9153b1b64c10968c18c1e6f4a0").encode,
    "GPT o200k": tiktoken.get_encoding("o200k_base").encode,
}

def n(enc, text):
    out = enc(text)
    return len(out.ids if hasattr(out, "ids") else out)

def diff(before, after):
    for name, enc in COUNTERS.items():
        a, b = n(enc, before), n(enc, after)
        print(f"{name:12} {a:6} -> {b:6}  saved {a - b} ({100 * (a - b) / a:.0f}%)")

if __name__ == "__main__":
    diff(open(sys.argv[1], encoding="utf-8").read(), open(sys.argv[2], encoding="utf-8").read())
```

Al ejecutarlo con nuestros dos prompts del sistema imprimió:

```text
Qwen3.8 27B     297 ->     95  saved 202 (68%)
GPT o200k       293 ->     86  saved 207 (71%)
```

Añada los repositorios de los otros modelos de la lista de Fuentes para comparar los cuatro. Para una verificación rápida en el navegador, el [diff de tokens de prompts](https://broadrouter.com/tools/prompt-token-diff/) compara dos versiones lado a lado y el [contador de tokens](https://broadrouter.com/tools/token-counter/) cuenta una. Después de desplegar, confirme el ahorro en `usage.prompt_tokens`, que incluye la plantilla.

## Dónde encaja BroadNet Inference

BroadRouter es el sitio de BroadNet. BroadNet Inference factura los tokens del prompt al precio de entrada de cada modelo y lee de la caché los prefijos repetidos al precio de caché cuando el modelo lo tiene, así que tanto los prompts más cortos como los prefijos estables reducen la factura. [Gemma 4 VL 26B](https://broadrouter.com/es/models/gemma-4-vl-26b/) tiene un contexto de 32,768 tokens, donde recortar importa para que quepa, además de por el costo. En los planes de DeepSeek V4.1 Flash no hay medidor de tokens, pero el contexto de 1,048,576 tokens sigue aplicando, y un prompt más corto sigue respondiendo antes. Los prompts no se conservan después de cada solicitud.

Herramientas gratuitas sobre este tema (en inglés)

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

[Herramientas gratuitas (en inglés)](https://broadrouter.com/tools/)

## Términos de este artículo

[Token](https://broadrouter.com/es/glossary/token/)

Un token es la unidad de texto que un modelo de lenguaje lee y escribe: una palabra, parte de una palabra, un signo de puntuación o una secuencia de bytes producida por el tokenizador del modelo. Las APIs de LLM cuentan, limitan y normalmente facturan el uso en tokens.

[Llamadas a herramientas (tool calling)](https://broadrouter.com/es/glossary/tool-calling/)

Las llamadas a herramientas (tool calling), también llamadas function calling, son una función de las APIs de LLM en la que el modelo devuelve una solicitud estructurada para ejecutar una función definida por el desarrollador, con argumentos JSON. La aplicación ejecuta la función y devuelve el resultado; el modelo nunca ejecuta código.

[Tokens de entrada en caché (cached input tokens)](https://broadrouter.com/es/glossary/cached-input-tokens/)

Los tokens de entrada en caché son tokens del prompt que un proveedor de LLM procesó recientemente y puede reutilizar desde un caché en lugar de calcularlos de nuevo; normalmente son un prefijo repetido, como un prompt de sistema o un documento. Los proveedores los cobran a una tarifa menor que los tokens de entrada nuevos.

[Diacríticos árabes (tashkeel)](https://broadrouter.com/es/glossary/arabic-diacritics/)

Los diacríticos árabes, o tashkeel, son pequeñas marcas que se escriben encima o debajo de las letras para indicar vocales breves, consonantes dobles y la ausencia de vocal. Son opcionales: la mayor parte del texto árabe, incluidas las noticias, las omite, así que lectores y software deducen las vocales por el contexto.

[Normalización de texto árabe](https://broadrouter.com/es/glossary/arabic-text-normalization/)

La normalización de texto árabe es el paso que lleva las variantes ortográficas de una misma palabra a una sola forma antes de compararlas: quitar diacríticos y tatweel, unificar las formas de alef y, a menudo, convertir ى en ي y ة en ه. Se aplica a claves de búsqueda y evaluación, no al texto que se muestra.

[Prompt de sistema (system prompt)](https://broadrouter.com/es/glossary/system-prompt/)

Un prompt de sistema es el texto de instrucciones que una aplicación envía a un modelo de lenguaje antes de la conversación, normalmente como mensaje con el rol system o developer. Define el rol, las reglas, el tono y el formato de salida del modelo, que debe priorizarlo sobre mensajes del usuario que lo contradigan.

[Tokens de entrada y de salida (input and output tokens)](https://broadrouter.com/es/glossary/input-and-output-tokens/)

Los tokens de entrada son los que un modelo de lenguaje lee en una solicitud, incluidos el prompt de sistema, el historial de la conversación, las definiciones de herramientas y las imágenes. Los tokens de salida son los que genera en la respuesta, incluido el razonamiento. Las APIs de LLM suelen cobrarlos por separado, y la salida suele costar más.

[Ventana de contexto (context window)](https://broadrouter.com/es/glossary/context-window/)

La ventana de contexto es la cantidad máxima de tokens con la que un modelo de lenguaje puede trabajar en una sola solicitud. Incluye el prompt, el historial de la conversación, las definiciones de herramientas, las imágenes y la salida generada, incluidos los tokens de razonamiento. Lo que no cabe debe recortarse, resumirse o dividirse en varias solicitudes.

## Preguntas frecuentes

### ¿Cómo reduzco la cantidad de tokens de mi prompt?

Mida primero: registre usage.prompt\_tokens y encuentre la parte más grande. Luego, en el orden de lo que más ahorró en nuestras mediciones: envíe solo las herramientas que el paso necesita, acorte la redacción de las herramientas y del prompt del sistema, envíe las tablas en CSV y no en JSON, deje solo los ejemplos few-shot que cambian los resultados y resuma los turnos antiguos del chat.

### ¿El JSON con sangría usa más tokens?

Sí. En nuestra prueba, minificar 40 filas de JSON con sangría ahorró entre un 34 y un 38 % de los tokens, según el tokenizador, y enviarlas como CSV ahorró entre un 57 y un 61 %. Dicho al revés, el JSON con sangría usó entre un 52 y un 61 % más tokens que el minificado y entre un 132 y un 159 % más que CSV. Los esquemas de herramientas son una excepción: las plantillas de chat los vuelven a serializar, así que la sangría de su arreglo tools no llega al modelo.

### ¿Cuántos tokens usan las definiciones de herramientas?

Depende de la redacción y de la plantilla del modelo. Nuestras 10 herramientas con descripciones verbosas añadieron entre 1,200 y 1,400 tokens a un prompt renderizado en DeepSeek V4.1 Flash, GLM 5.3 y Qwen3.8 27B. Tres herramientas con descripciones breves añadieron entre 320 y 460.

### ¿Los diacríticos árabes aumentan la cantidad de tokens?

Mucho. Un párrafo de 31 palabras en árabe estándar moderno usó entre 62 y 78 tokens sin diacríticos y entre 151 y 267 tokens totalmente vocalizado, en cinco tokenizadores. La mayor parte del texto árabe se escribe sin ellos, así que elimínelos de la entrada salvo que la tarea, como poesía o enseñanza, los necesite.

### ¿Es mejor el prompt caching que acortar el prompt?

Funcionan juntos. La caché abarata un prefijo repetido, pero sigue contando para la ventana de contexto y sigue teniendo un precio. Acorte primero y luego mantenga el prefijo acortado idéntico byte a byte al principio de cada solicitud para que pueda leerse de la caché.

### ¿Por qué mi conteo de tokens no coincide con el prompt\_tokens de la API?

La API cuenta el prompt renderizado: sus mensajes envueltos en la plantilla de chat, más los esquemas de herramientas en el formato propio de la plantilla. Un tokenizador aplicado a su texto sin procesar no ve eso. Use el tokenizador para comparar versiones y usage.prompt\_tokens para la factura.

## Siga leyendo

-   [Presupuesto de tokens de un agente: adónde van los tokens del bucle](https://broadrouter.com/es/blog/agent-token-budget/)
-   [Cómo contar tokens antes de enviar una petición a un LLM](https://broadrouter.com/es/blog/count-tokens-before-sending/)
-   [Cómo estructurar los prompts para que el prefijo quede en caché](https://broadrouter.com/es/blog/prompt-structure-for-caching/)
-   [Tokens de entrada en caché: cómo reducir la factura de una API de LLM](https://broadrouter.com/es/blog/cached-input-tokens-explained/)
-   [Tokens por palabra en árabe vs inglés: por qué el árabe cuesta más](https://broadrouter.com/es/blog/tokens-per-word-arabic-english/)
-   [Gestión del contexto en agentes de larga duración con ventana de 1M](https://broadrouter.com/es/blog/long-running-agent-context-management/)
-   [10 formas de reducir el costo de LLM de un agente de programación](https://broadrouter.com/es/blog/cut-coding-agent-llm-costs/)
-   [Caché de respuestas de APIs de LLM para reducir costos en Python](https://broadrouter.com/es/blog/cache-llm-responses-cut-cost/)
-   [El hardware GPU de BroadNet y cómo sirve los modelos, según BroadNet](https://broadrouter.com/es/blog/broadnet-gpu-fleet-and-serving/)
-   [Integre la revisión humana en su flujo de IA documental](https://broadrouter.com/es/blog/document-review-queues/)
-   [Guía: Usar el SDK de OpenAI para Python con BroadNet Inference](https://broadrouter.com/es/guides/openai-python-sdk/)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-reduce-prompt-tokens&utm_content=page-cta) ·

**Fuentes**

-   [Qwen/Qwen3.8-27B en Hugging Face: tokenizer.json y chat\_template.jinja en la revisión 37561816 (descargado el 2026-11-15)](https://huggingface.co/Qwen/Qwen3.8-27B)
-   [zai-org/GLM-5.3 en Hugging Face: tokenizer.json y chat\_template.jinja en la revisión ba32f8c1 (descargado el 2026-11-15)](https://huggingface.co/zai-org/GLM-5.3)
-   [deepseek-ai/DeepSeek-V4.1-Flash en Hugging Face: tokenizer.json y chat\_template.jinja en la revisión 314113f8 (descargado el 2026-11-15)](https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash)
-   [google/gemma-4-26B-A4B-it en Hugging Face: tokenizer.json en la revisión 4d7ae498, base de Gemma 4 VL 26B de BroadNet (consultado el 2026-11-15)](https://huggingface.co/google/gemma-4-26B-A4B-it)
-   [tiktoken de OpenAI en GitHub: codificación o200k\_base, versión 0.14.0 utilizada (consultado el 2026-11-15)](https://github.com/openai/tiktoken)
-   [Guía de prompt caching de OpenAI: contenido estable primero, el prefijo renderizado completo debe coincidir, las herramientas forman parte del contexto en caché (consultado el 2026-11-15)](https://developers.openai.com/api/docs/guides/prompt-caching)
-   [Página de precios de BroadNet Inference: la entrada en caché es el inicio repetido de solicitudes recientes, se factura a menor precio y no requiere configuración (consultado el 2026-11-15)](https://inference.broadnet.ai/es/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-reduce-prompt-tokens&utm_content=sources)
-   [Referencia de la API de BroadNet Inference: tokens en caché reportados en el bloque usage, capacidades de los modelos (consultado el 2026-11-15) (en inglés)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-reduce-prompt-tokens&utm_content=sources)
