---
title: "Janela de contexto de 1M de tokens: quando ajuda e custos"
description: "O que cabe em 1.048.576 tokens, quanto custa no DeepSeek V4.1 Flash, como raciocínio e cache mudam a conta e quando o RAG ainda é a melhor escolha."
url: https://broadrouter.com/pt/blog/million-token-context-window-guide/
lang: pt-BR
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduzido do inglês com ajuda de IA. [Leia o original em inglês](https://broadrouter.com/blog/million-token-context-window-guide/) (atualizado em 2026-11-14).

# Quando vale a pena uma janela de contexto de 1M de tokens (ou não)

Pela equipe da BroadNet Inference · 4 min de leitura · Publicado em 2026-11-14

Uma janela de contexto de 1M de tokens permite que uma única requisição contenha uma codebase inteira, um conjunto de contratos ou horas de transcrições, então o modelo vê tudo de uma vez em vez de fragmentos recuperados. Vale a pena para raciocínio entre arquivos e análises pontuais; para buscas repetidas em um corpus grande e em mudança, a recuperação sai mais barata. DeepSeek V4.1 Flash e GLM 5.3 aceitam 1.048.576 tokens.

## Pontos principais

-   DeepSeek V4.1 Flash e GLM 5.3 aceitam 1.048.576 tokens por requisição, prompt e resposta juntos.
-   O contexto longo vence a recuperação quando a resposta depende de conexões entre muitos arquivos ou documentos.
-   A recuperação (RAG) ainda vence em muitas buscas pequenas sobre um corpus grande e em mudança.
-   Os modelos usam entradas longas de forma desigual. Pesquisas mostram queda de precisão para fatos enterrados no meio e conforme a entrada cresce.
-   O cache reduz o custo de reenviar o mesmo prompt longo; em um plano ilimitado, prompts longos não custam nada a mais.
-   Deixe espaço para os tokens de raciocínio dentro da janela.

**Nesta página**

1.  O que cabe em um milhão de tokens?
2.  Quais modelos da BroadNet têm janela de contexto de 1M de tokens?
3.  Quando vale a pena uma janela de 1M de tokens?
4.  Quando a recuperação ainda é a melhor escolha?
5.  O modelo usa mesmo a janela inteira?
6.  Quanto custa um prompt de um milhão de tokens?
7.  Quanto espaço deixar para a resposta?
8.  Como preparar uma codebase para um prompt de 1M de tokens
9.  Onde a BroadNet Inference se encaixa

_[image: Light shining through towering cliffs made of stacked paper pages.]_

As [janelas de contexto](https://broadrouter.com/pt/glossary/context-window/) cresceram de alguns milhares de tokens para mais de um milhão. O [DeepSeek V4.1 Flash](https://broadrouter.com/pt/models/deepseek-v4.1-flash/) e o [GLM 5.3](https://broadrouter.com/pt/models/glm-5.3/) na BroadNet Inference aceitam **1.048.576 tokens por requisição**, prompt e resposta juntos. Isso muda o que você pode construir, mas não deixa todo prompt melhor.

## O que cabe em um milhão de tokens?

Como referência aproximada: 1.000 palavras de prosa em inglês deram cerca de 1,290 [tokens](https://broadrouter.com/pt/glossary/token/), na média de cinco tokenizers, no nosso [conjunto de dados de eficiência de tokenizers](https://broadrouter.com/data/tokenizer-efficiency/), então um milhão de tokens são mais ou menos 810,000 palavras de prosa simples:

| Conteúdo | Mais ou menos |
| --- | --- |
| Uma codebase de porte médio (dezenas de milhares de linhas) | Cabe, com folga |
| Vários contratos longos com anexos | Cabem |
| Um dia de transcrições de reuniões | Cabe |
| Um monorepo grande com dependências | Muitas vezes não; selecione diretórios |

A contagem de tokens depende do idioma e do conteúdo. Código e texto em árabe costumam usar mais tokens por caractere do que prosa em inglês. Meça com o bloco `usage` de uma requisição real em vez de estimar, ou confira uma amostra na [calculadora de janela de contexto](https://broadrouter.com/tools/context-window-calculator/).

## Quais modelos da BroadNet têm janela de contexto de 1M de tokens?

| Modelo | Janela de contexto | Entrada | Saída | Imagens |
| --- | --- | --- | --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/pt/models/deepseek-v4.1-flash/) | 1.048.576 | $0.175 | $0.52 | Sim |
| [GLM 5.3](https://broadrouter.com/pt/models/glm-5.3/) | 1.048.576 | $0.78 | $3.46 | Não |
| [Qwen3.8 27B](https://broadrouter.com/pt/models/qwen3.8-27b/) | 262.144 | $0.175 | $2.17 | Sim |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/pt/models/gemma-4-vl-26b/) | 32.768 | $0.10 | $0.22 | Sim |

Preços por 1M de tokens. O GLM 5.3 acrescenta tool calling e saída estruturada na mesma janela de 1M.

## Quando vale a pena uma janela de 1M de tokens?

-   **Raciocínio entre arquivos.** “Por que este teste falha?” muitas vezes depende de cinco arquivos que ninguém pensaria em recuperar juntos.
-   **Revisão de documentos inteiros.** Encontrar conflitos entre a cláusula 4 e o anexo B exige os dois à vista.
-   **Análise pontual.** Para uma pergunta que você vai fazer uma vez só, montar um índice de recuperação dá mais trabalho do que economiza.
-   **Agentes.** Um subagente que consegue ler o módulo inteiro chuta errado menos vezes. Veja [rodar agentes em paralelo](https://broadrouter.com/pt/blog/run-parallel-coding-agents-flat-rate/).

## Quando a recuperação ainda é a melhor escolha?

A recuperação vence em muitas buscas pequenas em um acervo muito maior que qualquer janela, em conteúdo que muda a cada minuto e em respostas interativas rápidas, em que ler um prompt enorme antes acrescenta atraso. Muitos sistemas em produção fazem as duas coisas: recuperam os 200.000 tokens mais relevantes e deixam um modelo de contexto longo raciocinar sobre todos eles. A decisão completa, com custo por consulta, latência e recall lado a lado, está em [contexto longo vs RAG](https://broadrouter.com/pt/blog/long-context-vs-rag/).

## O modelo usa mesmo a janela inteira?

Não de forma uniforme. As pesquisas são consistentes nisso:

-   O artigo [Lost in the Middle](https://arxiv.org/abs/2307.03172) (Liu et al.) viu que o desempenho “is often highest when relevant information occurs at the beginning or end of the input context” (tradução: costuma ser maior quando a informação relevante aparece no início ou no fim do contexto de entrada).
-   O relatório [Context Rot](https://www.trychroma.com/research/context-rot) da Chroma testou 18 modelos e viu que “performance grows increasingly unreliable as input length grows” (tradução: o desempenho fica cada vez menos confiável conforme o tamanho da entrada cresce), mesmo em tarefas simples.

Esses estudos não testaram os modelos na BroadNet, então trate-os como um alerta, não como uma medição. A regra prática: uma janela que aceita um milhão de tokens não significa que todo token recebe a mesma atenção. Coloque o material mais importante perto do início ou do fim e teste o recall com os seus documentos.

## Quanto custa um prompt de um milhão de tokens?

Em uma chave de [pagamento por uso](https://broadrouter.com/pt/glossary/pay-as-you-go/), o DeepSeek V4.1 Flash cobra $0.175 por 1M de tokens de entrada e $0.0055 por 1M de [tokens de entrada em cache](https://broadrouter.com/pt/glossary/cached-input-tokens/). Um prompt cheio de um milhão de tokens custa cerca de $0.175 na primeira vez, e bem menos em chamadas repetidas quando o prefixo está em cache. [Como aumentar a sua taxa de cache](https://broadrouter.com/pt/blog/cached-input-tokens-explained/).

A [calculadora de prompt caching](https://broadrouter.com/tools/prompt-caching-calculator/) mostra quanto um acerto de cache economiza nos tamanhos dos seus prompts. Um exemplo prático: dez perguntas sobre o mesmo conjunto de contratos de 800.000 tokens. Sem cache, são 8M de tokens a $0.175 por 1M. Se os documentos vêm primeiro e ficam idênticos, a primeira chamada lê 800.000 tokens novos e as nove seguintes podem ler a maior parte deles do cache a $0.0055 por 1M. Só a pergunta e a resposta mudam.

Em um plano ilimitado, o tamanho do prompt não muda a conta: o Full Moon custa $60 por mês por sessão, sem medidor de tokens. Por isso agentes de contexto longo são um motivo comum para escolher um [plano de preço fixo em vez de cobrança por token](https://broadrouter.com/pt/blog/flat-rate-vs-pay-per-token-llm-api/).

## Quanto espaço deixar para a resposta?

A janela cobre prompt **e** saída, e em modelos de raciocínio a saída inclui o pensamento. Se você envia 1.040.000 tokens de prompt, sobram só uns 8.000 para [raciocínio](https://broadrouter.com/pt/glossary/reasoning-tokens/) e resposta. Mantenha uma margem, defina [`max_tokens`](https://broadrouter.com/pt/glossary/max-tokens/) explicitamente e leia [por que modelos de raciocínio podem retornar uma resposta vazia](https://broadrouter.com/pt/guides/reasoning-tokens-empty-response/).

## Como preparar uma codebase para um prompt de 1M de tokens

1.  **Exclua o que o modelo não precisa.** Lock files, saída de build, dependências vendorizadas, imagens e código gerado ocupam tokens e acrescentam ruído.
2.  **Conte antes de enviar.** Envie uma amostra pequena, leia `prompt_tokens` no usage e escale.
3.  **Ordene por estabilidade.** Arquivos que mudam pouco primeiro, os arquivos em edição por último, a pergunta bem no fim. Assim o prefixo continua aproveitável pelo cache.
4.  **Rotule cada arquivo.** Envolva os arquivos em marcadores claros como `=== path/to/file.py ===` para o modelo poder citá-los.
5.  **Peça citações.** “Cite a linha em que você se baseia” reduz erros ditos com confiança em entradas enormes.
6.  **Meça.** Registre por requisição os tokens do prompt, os tokens em cache e o tempo até o primeiro token. O [streaming](https://broadrouter.com/pt/guides/streaming-chat-completions/) mostra o primeiro token assim que ele chega.

## Onde a BroadNet Inference se encaixa

Dois dos modelos de chat dela aceitam 1.048.576 tokens por requisição, e a BroadNet não corta o seu contexto. Em uma chave por token, o cache mantém acessíveis os prompts longos repetidos; em uma sessão de plano, o tamanho do prompt não afeta a conta. Se o seu corpus é muito maior que um milhão de tokens ou muda a cada minuto, você ainda precisa de recuperação, e nenhum tamanho de janela muda isso.

Ferramentas gratuitas sobre o tema (em inglês)

-   [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.

[Ferramentas gratuitas (em inglês)](https://broadrouter.com/tools/)

## Termos neste artigo

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

Um token é a unidade de texto que um modelo de linguagem lê e escreve: uma palavra, parte de uma palavra, um sinal de pontuação ou uma sequência de bytes gerada pelo tokenizador do modelo. As APIs de LLM contam, limitam e normalmente cobram o uso em tokens.

[Tool calling (chamada de ferramentas)](https://broadrouter.com/pt/glossary/tool-calling/)

Tool calling, também chamado de function calling ou chamada de ferramentas, é um recurso de APIs de LLM em que o modelo devolve um pedido estruturado para executar uma função definida pelo desenvolvedor, com argumentos JSON. A aplicação executa a função e devolve o resultado; o modelo nunca executa código sozinho.

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

A janela de contexto é o número máximo de tokens com que um modelo de linguagem consegue trabalhar em uma única requisição. Ela abrange o prompt, o histórico da conversa, as definições de ferramentas, as imagens e a saída gerada, incluindo os tokens de raciocínio. O que não couber precisa ser cortado, resumido ou dividido em várias requisições.

[Pagamento por uso (pay-as-you-go)](https://broadrouter.com/pt/glossary/pay-as-you-go/)

Pagamento por uso é um modelo de preço em que você paga só pelo que usa, medido por unidade, como tokens, requisições ou minutos de áudio, sem assinatura nem compromisso mínimo. A maioria das APIs de LLM cobra assim, a partir de um saldo pré-pago ou de uma fatura periódica.

[Tokens de entrada e de saída](https://broadrouter.com/pt/glossary/input-and-output-tokens/)

Tokens de entrada são os tokens que um modelo de linguagem lê em uma requisição, incluindo o system prompt, o histórico da conversa, as definições de ferramentas e as imagens. Tokens de saída são os que ele gera na resposta, incluindo o raciocínio. As APIs de LLM costumam cobrá-los separadamente, e a saída costuma custar mais.

[Tokens de entrada em cache (cached input)](https://broadrouter.com/pt/glossary/cached-input-tokens/)

Tokens de entrada em cache são tokens do prompt que um provedor de LLM processou há pouco e pode reaproveitar de um cache em vez de calcular de novo, normalmente um prefixo repetido, como um system prompt ou um documento. Os provedores os cobram com uma tarifa menor que a dos tokens de entrada novos.

[Context rot (degradação de contexto)](https://broadrouter.com/pt/glossary/context-rot/)

Context rot é a perda gradual de precisão e confiabilidade que os modelos de linguagem mostram conforme a entrada fica mais longa, mesmo quando a tarefa é a mesma e a entrada está bem dentro da janela de contexto. O termo foi popularizado por um relatório técnico da Chroma de 2025 que testou 18 modelos.

[Lost in the middle (perdido no meio)](https://broadrouter.com/pt/glossary/lost-in-the-middle/)

Lost in the middle é a tendência observada de modelos de linguagem usarem melhor as informações relevantes quando elas aparecem perto do início ou do fim de uma entrada longa, e pior quando ficam no meio. O nome vem de um estudo de 2023 de Liu et al.

## Perguntas frequentes

### A BroadNet corta prompts longos?

Não. A BroadNet não corta o seu contexto. Se o prompt mais max\_tokens passar da janela do modelo, encurte o prompt em vez de contar com um truncamento silencioso.

### Quantas palavras tem 1 milhão de tokens?

Depende do idioma e do conteúdo. Prosa em inglês mediu cerca de 129 tokens a cada 100 palavras no conjunto de dados de tokenizers do BroadRouter (1.000 palavras deram cerca de 1,290 tokens, na média de cinco tokenizers), então 1.048.576 tokens comportam cerca de 810,000 palavras, bem mais de mil páginas. Texto técnico, código e árabe precisam de mais tokens, então conte o seu conteúdo real.

### Uma requisição de 1M de tokens é lenta?

Ela demora mais para começar do que uma requisição curta, porque o modelo precisa ler o prompt inteiro primeiro. Prefixos em cache costumam ajudar em chamadas repetidas. Meça o tempo até o primeiro token com os seus prompts.

### Os LLMs usam mesmo a janela de contexto inteira?

Não de forma uniforme. O artigo Lost in the Middle viu que a precisão costuma ser maior quando a informação relevante está no início ou no fim da entrada, e o relatório Context Rot da Chroma viu que a confiabilidade cai conforme a entrada cresce. Coloque o material principal nas pontas e teste com os seus dados.

### Devo parar de usar RAG?

Não necessariamente. Use contexto longo quando o modelo precisa ver tudo junto, e recuperação quando ele precisa de poucos fatos de um acervo enorme. Muitos sistemas combinam os dois.

### O que acontece se o meu prompt for maior que a janela de contexto?

A BroadNet não o corta para você, então a requisição não vai funcionar como esperado. Remova arquivos, resuma turnos antigos ou recupere só as partes relevantes antes de enviar.

## Continue lendo

-   [Tokens de entrada em cache: como reduzir a conta de API de LLM](https://broadrouter.com/pt/blog/cached-input-tokens-explained/)
-   [Como rodar agentes de código em paralelo numa API de LLM de preço fixo](https://broadrouter.com/pt/blog/run-parallel-coding-agents-flat-rate/)
-   [API de LLM com preço fixo ou por token: a conta do ponto de equilíbrio](https://broadrouter.com/pt/blog/flat-rate-vs-pay-per-token-llm-api/)
-   [Hardware de GPU e serving da BroadNet, segundo a própria BroadNet](https://broadrouter.com/pt/blog/broadnet-gpu-fleet-and-serving/)
-   [Cache de respostas de LLM para cortar custo: um cache exato em Python](https://broadrouter.com/pt/blog/cache-llm-responses-cut-cost/)
-   [Guia: Por que um modelo de raciocínio devolve uma resposta vazia](https://broadrouter.com/pt/guides/reasoning-tokens-empty-response/)
-   [Guia: Streaming de chat completions e conexões que caem](https://broadrouter.com/pt/guides/streaming-chat-completions/)

Teste com a sua carga de trabalho real. Contas novas começam com US$ 5 de crédito para Gemma e transcrição. DeepSeek, GLM e Qwen3.8 exigem uma recarga.

[Começar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-blog-million-token-context-window-guide&utm_content=page-cta) ·

**Fontes**

-   [Preços e tamanhos de contexto da BroadNet Inference em formato legível por máquina (pricing.json) (em inglês)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-blog-million-token-context-window-guide&utm_content=sources)
-   [Referência da API da BroadNet Inference (em inglês)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-blog-million-token-context-window-guide&utm_content=sources)
-   [Liu et al., Lost in the Middle: How Language Models Use Long Contexts (arXiv 2307.03172)](https://arxiv.org/abs/2307.03172)
-   [Chroma, Context Rot: How Increasing Input Tokens Impacts LLM Performance (julho de 2025)](https://www.trychroma.com/research/context-rot)
