---
title: "LLM auto-hospedado vs API: custo de GPU e equilíbrio"
description: "Preços de aluguel de GPU das páginas oficiais, a fórmula do custo por 1M de tokens na sua GPU, a utilização para vencer uma API e os custos de operação esquecidos."
url: https://broadrouter.com/pt/blog/self-hosting-llm-vs-api-cost/
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/self-hosting-llm-vs-api-cost/) (atualizado em 2026-11-16).

# Hospedar um LLM próprio ou usar API: custo real e ponto de equilíbrio

Pela equipe da BroadNet Inference · 5 min de leitura · Publicado em 2026-11-14 · Atualizado em 2026-11-16

Uma GPU alugada custa o mesmo por hora, ocupada ou parada, então hospedar por conta própria só vence uma API com utilização alta e constante. Divida o preço por hora pelos tokens que o servidor realmente produz por hora, some o tempo de engenharia e de plantão e compare com o preço da API por 1M de tokens. Com tráfego irregular ou modesto, a API quase sempre vence.

## Pontos principais

-   Na página de preços da RunPod, uma H100 SXM custa USD 4,39 por hora na Secure Cloud e USD 2,69 na Community Cloud: cerca de USD 3.205 e USD 1.964 por mês se ficar ligada.
-   Custo auto-hospedado por 1M de tokens = preço por hora ÷ (tokens por segundo × 3.600 ÷ 1.000.000) ÷ utilização.
-   A utilização decide. Uma GPU ocupada 25% do tempo custa por token quatro vezes mais que uma ocupada o tempo todo.
-   Modelos open-weight grandes precisam de várias GPUs só para caber os pesos; multiplique o preço do aluguel de acordo.
-   Engenharia, monitoramento, atualizações e plantão são custos reais; conte-os como horas por mês pelo seu valor/hora.

**Nesta página**

1.  Quanto custa alugar uma GPU hoje?
2.  Como calcular o custo auto-hospedado por milhão de tokens?
3.  Quantos tokens por mês você precisa para empatar?
4.  Que custos as pessoas deixam de fora?
5.  Quando hospedar por conta própria é a escolha certa?
6.  Existem opções de preço fixo entre uma GPU e a cobrança por token?
7.  Onde a BroadNet Inference se encaixa

“Economizaríamos rodando nós mesmos” é uma das afirmações mais comuns no planejamento de custos de LLM, e uma das menos verificadas. A conta não é difícil. Ela tem uma variável que as pessoas chutam errado (a utilização) e um custo que deixam de fora (as pessoas). Este post traz a fórmula, preços reais de aluguel e um jeito de refazer a conta com seus próprios números.

## Quanto custa alugar uma GPU hoje?

Preços por hora das páginas oficiais de preços, consultadas em 2026-11-14 (RunPod) e 2026-11-16 (Lambda). Aqui, um mês tem 730 horas.

| GPU | Provedor e nível (verificado em 2026-11-14) | Por GPU-hora | Por mês, sempre ligada |
| --- | --- | --- | --- |
| H100 SXM | RunPod Secure Cloud | USD 4,39 | cerca de USD 3.205 |
| H100 SXM | RunPod Community Cloud | USD 2,69 | cerca de USD 1.964 |
| H100 PCIe | RunPod Secure Cloud | USD 2,89 | cerca de USD 2.110 |
| H200 | RunPod Secure Cloud | USD 5,29 | cerca de USD 3.862 |
| A100 80GB SXM | RunPod Secure Cloud | USD 2,19 | cerca de USD 1.599 |
| L40S | RunPod Secure Cloud | USD 1,09 | cerca de USD 796 |
| H100 SXM | Lambda sob demanda, de 1 a 8 GPUs (em vigor desde 2026-11-16; verificado em 2026-11-16) | de USD 4,59 a 4,89 | cerca de USD 3.351 a 3.570 |

A página da Lambda (verificada em 2026-11-16) diz que esses preços passam a valer em 2026-11-16 às 00:00 UTC; o valor por GPU cai conforme o nó cresce, até USD 4,59 num nó de 8 GPUs. Os valores da Community Cloud da RunPod são preços “a partir de” que variam conforme o host. Secure Cloud e Community Cloud são níveis de hospedagem diferentes, então leia os termos do nível se você tem regras de tratamento de dados. Muitos modelos precisam de mais de uma GPU: um nó de 8 H100 no valor da Secure Cloud custa cerca de USD 25.638 por mês.

## Como calcular o custo auto-hospedado por milhão de tokens?

Uma GPU produz tokens a uma certa taxa agregada, somando todas as requisições que processa em lote. Seu custo por token é o preço por hora dividido pelos tokens que ela de fato produz:

**custo por 1M de tokens = preço por hora ÷ (tokens por segundo agregados × 3.600 ÷ 1.000.000) ÷ utilização**

A utilização é a fração das horas em que a GPU faz trabalho útil nessa taxa. Um exemplo com números **supostos** (não é benchmark: meça o seu modelo):

-   GPU: uma H100 SXM na Community Cloud, USD 2,69 por hora.
-   Saída agregada suposta: 1.500 tokens por segundo com um bom batching.
-   Tokens por hora com carga total: 1.500 × 3.600 = 5,4 milhões.

| Utilização | Tokens efetivos por hora | Custo por 1M de tokens de saída |
| --- | --- | --- |
| 100% (sempre saturada) | 5,4M | USD 0,50 |
| 50% | 2,7M | USD 1,00 |
| 25% (ocupada só em horário comercial) | 1,35M | USD 1,99 |
| 10% (tráfego de produto irregular) | 0,54M | USD 4,98 |

Agora compare com o preço de uma API por 1M de tokens de saída. A [tabela de preços de APIs de LLM](https://broadrouter.com/pt/llm-api-pricing/) mostra quanto dezenas de hosts cobram pelos mesmos pesos abertos; na BroadNet Inference, o [DeepSeek V4.1 Flash](https://broadrouter.com/pt/models/deepseek-v4.1-flash/) custa $0.52 por 1M de tokens de saída e o [Gemma 4 VL 26B](https://broadrouter.com/pt/models/gemma-4-vl-26b/) custa $0.22. Encontre a linha em que seu custo auto-hospedado fica abaixo do preço da API: essa é a sua utilização de equilíbrio. O exemplo ignora os tokens de entrada, que também consomem tempo de GPU (prefill), então o custo auto-hospedado real é maior do que a tabela mostra.

## Quantos tokens por mês você precisa para empatar?

Inverta a conta. Uma GPU ligada custa o preço mensal de qualquer jeito. A API custa tokens × preço. O volume de equilíbrio é:

**tokens mensais para empatar = custo mensal da GPU ÷ preço da API por 1M de tokens × 1.000.000**

Para uma H100 na Community Cloud (cerca de USD 1.964 por mês) contra um preço de saída de $0.52 por 1M, divida 1.964 por esse preço e você terá os milhões de tokens de saída por mês que precisa substituir antes que a GPU se pague. Faça o mesmo com seu preço médio ponderado de entrada e saída se sua carga é pesada em entrada, como costuma ser a de agentes; o [post sobre preço fixo vs por token](https://broadrouter.com/pt/blog/flat-rate-vs-pay-per-token-llm-api/) mostra como combinar os dois.

E essa GPU precisa de fato servir o modelo. Se o modelo precisa de quatro GPUs, multiplique o custo mensal por quatro antes de dividir.

## Que custos as pessoas deixam de fora?

| Custo | O que cobre | Como contar |
| --- | --- | --- |
| Setup de engenharia | Motor de serving, escolha de quantização, autoscaling, testes de carga | Horas pontuais × seu valor/hora |
| Operação contínua | Atualizações, drivers e motor, troca de versões do modelo | Horas por mês × seu valor/hora |
| Plantão | Alguém acorda quando o nó cai | Sua política de plantão |
| Redundância | Um segundo nó, para que uma falha não vire indisponibilidade | Dobra a linha de GPU |
| Folga ociosa | Capacidade que precisa ficar ligada para os picos | Reduz a utilização |
| Avaliação | Testar uma nova versão do modelo antes de trocar | Horas por versão |

A redundância é a que mais muda o resultado. Uma única GPU é um ponto único de falha. Duas GPUs cortam sua utilização pela metade da noite para o dia. Veja [como avaliar um modelo antes de trocar](https://broadrouter.com/pt/blog/evaluate-llm-before-switching/) para o trabalho de avaliação que cada atualização traz.

## Quando hospedar por conta própria é a escolha certa?

-   **Volume alto e constante.** Pipelines em lote que mantêm as GPUs saturadas o dia inteiro.
-   **Os dados precisam ficar dentro da sua rede.** É um requisito obrigatório, não um argumento de custo. Verifique antes se uma API com [retenção zero de dados](https://broadrouter.com/pt/privacy/) atende às suas regras.
-   **Um modelo que nenhuma API serve.** Seu próprio fine-tune ou um [modelo open-weight](https://broadrouter.com/pt/glossary/open-weight-model/) de nicho.
-   **Capacidade garantida.** Você precisa de um throughput que os rate limits de uma API não vão dar.

Em todos os outros casos, principalmente com tráfego irregular, produtos em fase inicial e agentes que rodam em rajadas, uma API sai mais barata e não exige escala de plantão.

## Existem opções de preço fixo entre uma GPU e a cobrança por token?

Existe um meio-termo entre alugar uma GPU e pagar por token. A BroadNet vende uma chave por hora para o Gemma 4 VL 26B a $0.50 por hora (um stream, 120 requisições por minuto, 300,000 tokens por minuto), o que dá $360.00 se ficasse ligada o mês inteiro. Ela também vende [sessões de plano ilimitado](https://broadrouter.com/pt/guides/unlimited-llm-api-sessions/) para o DeepSeek V4.1 Flash a $60 por mês, cada uma rodando uma requisição por vez a cerca de 100 tokens por segundo. Essas opções dão uma conta previsível como a de uma GPU alugada, sem setup nem operação, mas com concorrência fixa por chave ou sessão em vez da capacidade de lote de uma GPU inteira.

## Onde a BroadNet Inference se encaixa

A BroadNet Inference é o lado API desta comparação: preços por token, planos de preço fixo e chaves por hora para modelos open-weight, alguns hospedados por parceiros de inferência nos EUA, atrás de uma API compatível com a OpenAI. Ela serve para equipes cujo tráfego deixaria uma GPU alugada parada boa parte do dia, ou que não querem operar infraestrutura de inferência. Não serve se você precisa servir um fine-tune personalizado, implantar on-premises ou rodar centenas de requisições paralelas numa única chave. Faça suas contas na [calculadora de custo de API de LLM](https://broadrouter.com/tools/llm-api-cost-calculator/) e compare com a tabela acima. Se você ainda está escolhendo entre modelos abertos e fechados, [custo de API de modelos open-weight vs fechados](https://broadrouter.com/pt/blog/open-weight-vs-closed-model-api-cost/) compara os preços por token tirados da página de cada provedor. A [calculadora de auto-hospedagem vs API](https://broadrouter.com/tools/self-hosting-vs-api-calculator/) faz todo o cálculo de equilíbrio com o throughput que você mediu e estes preços de GPU.

Ferramentas gratuitas sobre o tema (em inglês)

-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.
-   [LLM token counter](https://broadrouter.com/tools/token-counter/) Exact token counts with each model's real tokenizer, with a token view and cost.
-   [Context window calculator](https://broadrouter.com/tools/context-window-calculator/) Will it fit? Window used per model, room left for output, cost to send.

[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.

[Rate limit (limite de taxa)](https://broadrouter.com/pt/glossary/rate-limit/)

Um rate limit é um teto que uma API impõe a quanto um cliente pode usá-la em um intervalo de tempo, como requisições por minuto ou tokens por minuto. As requisições acima do limite são recusadas, normalmente com HTTP 429 Too Many Requests, até que o uso volte a ficar abaixo dele.

[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.

[Throughput (vazão)](https://broadrouter.com/pt/glossary/throughput/)

Throughput, ou vazão, no serving de LLMs, é a quantidade total de trabalho que um sistema conclui por unidade de tempo em todas as requisições simultâneas, geralmente medida em tokens de saída ou requisições por segundo. É diferente da velocidade por stream, que é a rapidez com que uma única requisição recebe seus tokens.

[Modelo de pesos abertos (open-weight)](https://broadrouter.com/pt/glossary/open-weight-model/)

Um modelo de pesos abertos (open-weight) é um modelo de machine learning cujos pesos treinados são publicados para qualquer pessoa baixar e rodar, em geral sob uma licença com condições. Ele difere da IA totalmente open source, que também libera o código de treinamento e informações detalhadas sobre os dados, para que outros possam estudar e reproduzir o modelo.

[Tokens por segundo (tokens per second)](https://broadrouter.com/pt/glossary/tokens-per-second/)

Tokens por segundo (TPS) são a taxa com que um modelo de linguagem gera tokens de saída, geralmente medida para uma requisição depois que o primeiro token chega. Definem a rapidez com que a resposta flui depois de começar. Somados em todas as requisições simultâneas, viram throughput do sistema; a espera pelo primeiro token é medida à parte.

[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.

[API compatível com a OpenAI](https://broadrouter.com/pt/glossary/openai-compatible-api/)

Uma API compatível com a OpenAI é uma API HTTP que aceita os mesmos formatos de requisição e de resposta da API da OpenAI, como POST /v1/chat/completions, de modo que SDKs e ferramentas da OpenAI podem usá-la trocando só a base URL, a chave de API e o nome do modelo.

## Perguntas frequentes

### Hospedar um LLM por conta própria sai mais barato que usar uma API?

Só com volume alto e constante. Uma GPU alugada é cobrada toda hora; uma API cobra só pelos tokens que você usa. Se sua GPU ficaria parada a maior parte do dia, a API sai mais barata mesmo antes de contar o tempo de engenharia.

### Quanto custa alugar uma H100 por hora?

Na página de preços da RunPod em 2026-11-14, uma H100 SXM custava USD 4,39 por hora na Secure Cloud e a partir de USD 2,69 na Community Cloud. A Lambda lista a H100 SXM sob demanda de USD 4,59 a 4,89 por GPU-hora, conforme o tamanho do nó, com preços em vigor desde 2026-11-16. Confira as páginas para os valores atuais.

### Quantas GPUs preciso para hospedar um modelo grande?

No mínimo memória suficiente para os pesos mais o KV cache das suas requisições simultâneas. Modelos grandes de mixture of experts costumam exigir um nó com várias GPUs. Confira no model card o número de parâmetros e a configuração recomendada.

### Quando faz sentido hospedar por conta própria mesmo custando mais?

Quando os dados não podem sair da sua rede, quando você precisa de um modelo com fine-tuning ou personalizado que nenhuma API serve, ou quando precisa de capacidade garantida. São razões de controle, não de custo.

### Como medir o throughput real da minha GPU?

Rode seus prompts reais na sua concorrência real com um motor de serving como vLLM ou SGLang, e registre o total de tokens de saída por segundo somando todas as requisições. Os números de pico dos fornecedores pressupõem um batching ideal.

## Continue lendo

-   [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/)
-   [Latência de LLM: TTFT, tokens por segundo e tempo de ponta a ponta](https://broadrouter.com/pt/blog/llm-latency-ttft-throughput/)
-   [O que "ilimitado" significa de verdade em um plano de API de LLM](https://broadrouter.com/pt/blog/what-unlimited-llm-api-really-means/)
-   [OpenRouter ou preço fixo para agentes de IA: qual sai mais barato?](https://broadrouter.com/pt/blog/openrouter-alternative-flat-rate/)
-   [Um endpoint privado começa com uma carga de trabalho clara](https://broadrouter.com/pt/blog/private-endpoint-planning/)
-   [Alternativas ao Artificial Analysis: onde comparar LLMs em 2026](https://broadrouter.com/pt/blog/artificial-analysis-alternatives/)
-   [SLAs de APIs de LLM: o que Azure, Bedrock, Google e OpenAI prometem](https://broadrouter.com/pt/blog/llm-api-sla-uptime-compared/)
-   [Guia: Como funcionam os planos de API de LLM ilimitada para agentes](https://broadrouter.com/pt/guides/unlimited-llm-api-sessions/)

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-self-hosting-llm-vs-api-cost&utm_content=page-cta) ·

**Fontes**

-   [Preços de GPU da RunPod, valores por hora na Secure e na Community Cloud (consultada em 2026-11-14)](https://www.runpod.io/pricing)
-   [Preços da Lambda Cloud, valores por GPU por hora sob demanda (consultada em 2026-11-16)](https://lambda.com/pricing)
-   [Preços da BroadNet Inference em formato legível por máquina (pricing.json) (verificado em 2026-11-15) (em inglês)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-blog-self-hosting-llm-vs-api-cost&utm_content=sources)
-   [Planos e velocidade típica da BroadNet Inference (verificado em 2026-11-15) (em inglês)](https://inference.broadnet.ai/plans?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-blog-self-hosting-llm-vs-api-cost&utm_content=sources)
-   [Guia de benchmarking do NVIDIA NIM, métricas de throughput e latência (conferido em 2026-11-16)](https://docs.nvidia.com/nim/benchmarking/llm/metrics)
