Você envia uma pergunta curta, recebe uma resposta de duas linhas e a conta mostra 1.400 tokens de saída. Não há nada de errado. O modelo pensou antes de responder, e o raciocínio foi cobrado. Este post explica como os tokens de raciocínio são contados, quanto custam em cada modelo e as quatro configurações que os controlam.
O que são tokens de raciocínio?
Um modelo de raciocínio escreve uma cadeia de pensamento interna e depois a resposta visível. As duas saem da mesma geração. O raciocínio é feito de tokens de raciocínio. Na resposta padrão de chat completions, a resposta fica em message.content, e o raciocínio é contado, não mostrado.
O guia de raciocínio da OpenAI diz a regra com todas as letras: os tokens de raciocínio “still occupy space in the model’s context window and are billed as” output tokens (tradução: ainda ocupam espaço na janela de contexto do modelo e são cobrados como tokens de saída). Outros provedores seguem a mesma regra.
Como os tokens de raciocínio são cobrados?
Eles fazem parte de completion_tokens, então pagam o preço de saída. E a saída é o medidor caro:
| Modelo | Raciocina antes | Saída por 1M | Entrada por 1M |
|---|---|---|---|
| DeepSeek V4.1 Flash | Sim | $0.52 | $0.175 |
| GLM 5.3 | Sim | $3.46 | $0.78 |
| Qwen3.8 27B | Sim | $2.17 | $0.175 |
| Gemma 4 VL 26B | Não listado | $0.22 | $0.10 |
Os preços são da BroadNet Inference, sincronizados em 2026-11-14. O que outros hosts cobram pelos mesmos modelos está na tabela de preços de APIs de LLM, por exemplo GLM 5.3 entre provedores.
Quanto o raciocínio pode somar numa conta?
Pense num classificador que devolve um rótulo de uma palavra, cerca de 10 tokens visíveis. Se o modelo pensar por 1.000 tokens antes, 99% da conta de saída é raciocínio.
Em escala: 1.000 respostas com 1.000 tokens de raciocínio cada somam 1M de tokens de saída. Isso custa $0.52 no DeepSeek V4.1 Flash, $2.17 no Qwen3.8 27B e $3.46 no GLM 5.3, além das respostas visíveis.
A quantidade varia com a tarefa. Matemática difícil ou raciocínio sobre código em vários arquivos pode chegar a milhares de tokens. Um cumprimento pode quase não precisar de nenhum. É por isso que você mede.
Como medir os tokens de raciocínio?
O bloco usage informa os tokens quando o modelo fornece a contagem:
r = client.chat.completions.create(
model="broadnet/deepseek-v4.1-flash",
messages=[{"role": "user", "content": "Is 'refund my order' a billing or shipping intent?"}],
max_tokens=1000,
)
u = r.usage
reasoning = (u.completion_tokens_details.reasoning_tokens or 0) if u.completion_tokens_details else 0
print("output:", u.completion_tokens, "reasoning:", reasoning,
"share:", round(reasoning / max(u.completion_tokens, 1), 2))
Registre isso por tipo de tarefa durante uma semana. Em geral você vai descobrir que poucas tarefas respondem pela maior parte do raciocínio. Com streaming, adicione stream_options: {"include_usage": true}; as contagens chegam no último chunk (guia de streaming).
Quatro formas de controlar o custo do raciocínio
1. Reduza o reasoning_effort em tarefas simples
O reasoning_effort pede ao modelo que pense menos. Os guias da BroadNet usam low para classificação, extração e formatação:
client.chat.completions.create(model="broadnet/deepseek-v4.1-flash", reasoning_effort="low",
max_tokens=1000, messages=msgs)
A OpenAI documenta uma faixa maior de valores nos modelos dela, de none e minimal, passando por low, medium e high, até xhigh e max, e observa que “some models support only a subset” (tradução: alguns modelos aceitam só uma parte). Confira quais valores o seu modelo aceita e compare os tokens de saída antes e depois nas mesmas amostras.
2. Use max_tokens como teto, não como aperto
O max_tokens limita raciocínio e resposta juntos. Ele segura uma resposta descontrolada, mas, se você o definir baixo demais, o modelo pode gastar todo o orçamento pensando e devolver uma resposta vazia com finish_reason: "length". Você paga por esse raciocínio e ainda precisa tentar de novo. A BroadNet sugere 1.000 tokens ou mais para modelos de raciocínio. Por que um modelo de raciocínio devolve uma resposta vazia.
3. Mande as etapas fáceis para um modelo que não raciocina
Nem toda etapa precisa de raciocínio. Formatar JSON, renomear campos ou responder consultas de FAQ pode ir para o Gemma 4 VL 26B a $0.22 por 1M de saída, para o qual a BroadNet não lista raciocínio. Deixe os modelos de raciocínio para planejamento, depuração e respostas em várias etapas. Teste a qualidade nas suas próprias amostras antes de rotear.
4. Tire o “pense passo a passo” dos prompts
Modelos de raciocínio já pensam. Pedir, além disso, um raciocínio passo a passo visível faz com que escrevam tudo duas vezes: uma oculta e outra na resposta. Peça a resposta final no formato de que você precisa.
Qual configuração usar em cada tarefa?
| Tarefa | Esforço de raciocínio | max_tokens | Sugestão de modelo |
|---|---|---|---|
| Classificação, roteamento | low | 1.000 | Gemma 4 VL 26B ou DeepSeek V4.1 Flash |
| Extração para JSON | low | 1.000 a 2.000 | DeepSeek V4.1 Flash, GLM 5.3 para saída estruturada |
| Rascunho de resposta a clientes | low ou padrão | 2.000 | DeepSeek V4.1 Flash |
| Depuração, planejamento, code review | padrão ou maior | 8.000 ou sem definir | DeepSeek V4.1 Flash ou GLM 5.3 |
São pontos de partida. Meça tokens de saída e qualidade nos seus próprios dados e ajuste.
Quando o raciocínio deixa de custar a mais?
Num plano de preço fixo. O plano Full Moon da BroadNet custa $60 por mês por sessão para DeepSeek V4.1 Flash ilimitado, sem medidor de tokens, então os tokens de raciocínio não têm custo por token. Eles ainda tomam tempo: a uma velocidade típica de cerca de 100 tokens por segundo, cada token de raciocínio é gerado antes de a resposta começar, então um raciocínio longo atrasa a resposta. Quando um plano de preço fixo vence o pagamento por token, e mais dez formas de cortar a conta de um agente de código.
Onde a BroadNet Inference se encaixa
A BroadNet roda três modelos de raciocínio e um modelo sem raciocínio listado numa única chave compatível com a OpenAI em https://inference.broadnet.ai/v1, com o uso informado em cada resposta. Isso facilita rotear por tarefa e medir a diferença. Se você precisa de um modelo fechado com um resumo visível do raciocínio, use a API desse fornecedor; o catálogo de chat da BroadNet não tem modelos fechados. Veja os planos.
