Contexto de um milhão de tokens dispensa RAG?

Não. Contexto anunciado não é contexto útil, e enviar documentos inteiros custa muito mais por consulta, porque a entrada é cobrada a cada chamada. RAG continua sendo o caminho para bases grandes, e o que decide a qualidade da resposta costuma ser a recuperação, não o tamanho da janela.

O custo de embeddings está incluído?

Não. O cálculo cobre só a chamada ao modelo de linguagem; indexação, embeddings, banco vetorial e infraestrutura ficam declarados como fora do cálculo e entram em uma fase futura.

Chat com documentos

Melhor modelo de IA para RAG: custo em reais e qualidade

Busca sobre a sua base: a pergunta chega junto com trechos recuperados. Os trechos mudam a cada consulta, então o cache ajuda menos que em chatbot e a entrada cresce.

Ranking pelos benchmarks relevantes Solicitar orçamento

Voltar ao comparativo completo

Snapshot de 6 set 2026. Revisado toda semana e a cada lançamento. Metodologia v1.0.

Premissas do perfil de carga

Consulta sobre base documental interna com recuperação de trechos. O contexto recuperado muda a cada consulta, então o cache cobre só o system prompt. Embeddings e indexação ficam fora do cálculo na v1. A escrita de cache fica fora do cálculo, então o custo de carga com cache alto é um piso.

Estes valores são premissas da X-Apps, propostas a partir de perfis típicos de projeto e ainda não aprovadas. Eles não descrevem nenhum cliente e não foram medidos: são a entrada da conta, e estão aqui para você conferir ou trocar pelos seus.
Premissa	Valor	Origem
Tokens de entrada por interação	6.000tokenspremissa a aprovar	proposta do agente de contrato em 2026-09-06 a partir de perfis típicos de projeto; sem base em cliente específico; o usuario aprova ou corrige na fase 0 (pergunta, system prompt e contexto recuperado)
Tokens de saída por interação	400tokenspremissa a aprovar	proposta do agente de contrato em 2026-09-06 a partir de perfis típicos de projeto; sem base em cliente específico; o usuario aprova ou corrige na fase 0
Fração da entrada servida por cache	0,3fracao da entrada servida por cachepremissa a aprovar	proposta do agente de contrato em 2026-09-06 a partir de perfis típicos de projeto; sem base em cliente específico; o usuario aprova ou corrige na fase 0
Fator de cache	derivado do preço de cache de cada modelorazao cache_leitura / entrada, derivada por modelo em precos.json; 1 quando o modelo não publica preço de cache, ou seja, sem desconto (ver regras_de_custo.fator_cache). Nunca 0.premissa a aprovar	derivada do dataset, não e premissa numerica; regra corrigida na fase 0c: a unidade anterior dizia 'null quando o modelo não tem cache' e o null lido como zero aplicava desconto integral sobre a fracao em cache
Interações por mês, nos três volumes	5.000, 50.000, 500.000consultas por mês [pequeno, médio, grande]premissa a aprovar	proposta do agente de contrato em 2026-09-06 a partir de perfis típicos de projeto; sem base em cliente específico; o usuario aprova ou corrige na fase 0
Tokens de contexto recuperado por consulta	4.000tokens de contexto recuperado por consultapremissa a aprovar	proposta do agente de contrato em 2026-09-06 a partir de perfis típicos de projeto; sem base em cliente específico; o usuario aprova ou corrige na fase 0

Ranking pelos benchmarks relevantes

Só entram os benchmarks declarados como relevantes para este caso, cada um com o peso que a X-Apps atribuiu. A ordem da tabela segue o benchmark de maior peso, e não somamos escalas diferentes em um índice único: porcentagem de acerto e pontos de arena não podem virar um número só sem inventar metodologia. Quando os intervalos de dois modelos se cruzam, a linha diz empate técnico.

Ordenado por: Arena Text, entre os 17 modelos com resultado neste benchmark. Modelo sem resultado no benchmark que ordena a tabela aparece depois dos numerados, sem posição e em ordem alfabética: não há critério que produza um lugar para ele. Os pesos são premissa da X-Apps e ainda não foram aprovados.

Modelos avaliados nos benchmarks relevantes deste caso, com o peso declarado de cada benchmark e a fonte de cada valor.
#	Modelo	Arena Textpeso 0,30preferência humana	Humanity's Last Examfull, com ferramentaspeso 0,25medido por concorrente	Epoch Capabilities Indexpeso 0,25medição independente	GPQA Diamonddiamondpeso 0,20medição independente
1	Claude Fable 5.1empate técnico	1.513,7max	65%max	162,88nao-informado	não medido
2	Claude Opus 5empate técnico	1.505,02high	63,6%max	162,33nao-informado	93,88%max
3	Gemini 3.8 Flashempate técnico	1.495,23high	não medido	não medido	não medido
4	Claude Fable 5empate técnico	1.494,14nao-informado	63,8%max	162,9nao-informado	85,86%max
5	Gemini 3.1 Pro Previewempate técnico	1.480,06nao-informado	não medido	154,9nao-informado	94,44%high
6	Qwen3.8-Maxempate técnico	1.479,88max	não medido	não medido	92,68%xhigh
7	Kimi K3empate técnico	1.475,97max	não medido	157,62nao-informado	93,12%max
8	GLM-5.3empate técnico	1.473,54max	não medido	155,3nao-informado	90,91%max
9	GPT-5.6 Solempate técnico	1.454,87xhigh	não medido	162,03nao-informado	93,5%max
10	DeepSeek-V4-Proempate técnico	1.451,07nao-informado	não medido	149,2nao-informado	91,67%max
11	GPT-5.6 Terraempate técnico	1.446,78xhigh	não medido	159,18nao-informado	93,31%max
12	Claude Sonnet 5empate técnico	1.443,15high	não medido	156,16nao-informado	90,53%xhigh
13	MiniMax M3empate técnico	1.435,21nao-informado	não medido	146,57nao-informado	90,91%nao-informado
14	DeepSeek-V4-Flashempate técnico	1.431,91nao-informado	não medido	146,26nao-informado	91,04%max
15	GPT-5.6 Lunaempate técnico	1.430,31xhigh	não medido	156,33nao-informado	91,6%max
16	Mistral Large 3empate técnico	1.427,68nao-informado	não medido	não medido	não medido
17	Mistral Medium 3.5empate técnico	1.421,03medium	não medido	141,37nao-informado	não medido
fora da ordenação	Claude Haiku 4.5	não medido	não medido	142,41nao-informado	71,21%nao-informado
fora da ordenação	GPT-6 Astra	não medido	não medido	169,23nao-informado	95,77%max
fora da ordenação	Grok 4.6	não medido	não medido	156,33nao-informado	94%high

Custo mensal para três volumes

Custo mensal em reais para três volumes, calculado no momento em que a página é montada a partir do preço publicado pelo fabricante e do perfil de carga de cada caso. O perfil de carga é premissa da X-Apps e ainda não foi aprovado: por isso todo valor em reais aparece marcado, com a fórmula, as premissas e a cotação PTAX de venda do Banco Central com data e hora ao lado.

Melhor modelo de IA para RAG: custo em reais e qualidade

Custo mensal em reais por modelo e por volume, com a marca de premissa a aprovar em cada valor.
Modelo	volume pequeno	volume médio	volume grande
MiniMax M3provedor minimax	R$ 47,36premissa a aprovar	R$ 473,58premissa a aprovar	R$ 4.735,78premissa a aprovar
DeepSeek-V4-Flashprovedor deepseek, tarifa de pico	R$ 61,53premissa a aprovar	R$ 615,34premissa a aprovar	R$ 6.153,44premissa a aprovar
Mistral Large 3provedor mistral, sem preço de cache: fator 1	R$ 92,26premissa a aprovar	R$ 922,55premissa a aprovar	R$ 9.225,54premissa a aprovar

Fórmula

custo_mensal_usd = interacoes_por_mes x (tokens_entrada_por_interacao x preco_entrada x (1 - proporcao_cache x (1 - fator_cache)) + tokens_saida_por_interacao x preco_saida) / 1000000; custo_mensal_brl = custo_mensal_usd x meta.cotacao.valor; para agentes e código, interacoes_por_mes = tarefas_por_mes x chamadas_por_tarefa Regras assumidas por esta fórmula em regras_de_custo: fator_cache, escrita_de_cache, horario_de_pico e provedor_por_modelo.

MiniMax M3, volume médio: custo_mensal_usd = 50.000 x (6.000 x 0,3 x (1 - 0,3 x (1 - 0,2)) + 400 x 1,2) / 1000000; custo_mensal_brl = 92,4 x 5,1253

Cotação usadaR$ 5,13em 04/09/2026, 13:03:59

Premissas de carga deste caso

Tokens de entrada por interação: 6.000 tokenspremissa a aprovarproposta do agente de contrato em 2026-09-06 a partir de perfis típicos de projeto; sem base em cliente específico; o usuario aprova ou corrige na fase 0 (pergunta, system prompt e contexto recuperado)
Tokens de saída por interação: 400 tokenspremissa a aprovarproposta do agente de contrato em 2026-09-06 a partir de perfis típicos de projeto; sem base em cliente específico; o usuario aprova ou corrige na fase 0
Fração da entrada servida por cache: 0,3 fracao da entrada servida por cachepremissa a aprovarproposta do agente de contrato em 2026-09-06 a partir de perfis típicos de projeto; sem base em cliente específico; o usuario aprova ou corrige na fase 0
Fator de cache: derivado do preço de cache de cada modelo razao cache_leitura / entrada, derivada por modelo em precos.json; 1 quando o modelo não publica preço de cache, ou seja, sem desconto (ver regras_de_custo.fator_cache). Nunca 0.premissa a aprovarderivada do dataset, não e premissa numerica; regra corrigida na fase 0c: a unidade anterior dizia 'null quando o modelo não tem cache' e o null lido como zero aplicava desconto integral sobre a fracao em cache
Volume mensal: 5.000, 50.000, 500.000 consultas por mês [pequeno, médio, grande]premissa a aprovarproposta do agente de contrato em 2026-09-06 a partir de perfis típicos de projeto; sem base em cliente específico; o usuario aprova ou corrige na fase 0

com escrita de cache fora da conta, este valor é um piso

Ver o caso completo Falar com a X-Apps sobre este caso

IOF, spread, tributação de pessoa jurídica e escrita de cache ficam fora do cálculo; com escrita de cache fora, o valor é um piso para carga com muito cache.

Quatro regras que esta conta assume

Fator de cache: fator_cache = cache_leitura / entrada quando precos.json publica cache_leitura, e 1 quando cache_leitura e null, ou seja, sem desconto. Nunca 0: lido como 0, o termo (1 - proporcao_cache x (1 - fator_cache)) aplicaria desconto integral sobre toda a fracao em cache e subestimaria o custo (no caso código, com proporcao de cache de tres quartos, a subestimacao seria de metade do valor). Seis registros vigentes não publicam preço de cache: gemini-3-1-pro-preview e gemini-3-8-flash no provedor google, mistral-large-3, mistral-medium-3-5, mistral-small-4 e qwen3-8-max.
Escrita de cache: Fora do cálculo nesta versão e declarado como tal ao leitor. A escrita de cache custa 1,25x a entrada na janela de cinco minutos e 2x na de uma hora nos registros da Anthropic, e 1,25x nos da OpenAI; a taxa de reescrita do prefixo depende do padrão de uso, que o dataset não mede e que nenhuma fonte publica. Consequencia declarada: em carga com muito cache o custo publicado e um piso, não uma estimativa central.
Horário de pico: Modelo com horario_de_pico em precos.json entra na coluna de custo pela tarifa de PICO, que e a tarifa de referência da própria página (a DeepSeek apresenta o fora de pico como desconto de metade), e o fora de pico aparece como nota. Vale para deepseek-v4-pro e deepseek-v4-flash: pico das 01:00 as 04:00 e das 06:00 as 10:00 UTC, de segunda a sexta, 35 das 168 horas da semana, faixa que cobre o inicio do horario comercial brasileiro.
Provedor por modelo: Quando um modelo tem mais de um registro vigente em precos.json, a coluna de custo usa o registro nomeado aqui. muse-spark-1-3: provedor meta (Standard). O tier meta-contributor, doze vezes e meia mais barato, fica FORA da coluna de custo porque e o tier em que prompts e respostas do cliente treinam modelos da Meta; ele aparece so na secao de preços, com a pilula de treino de dados. gemini-3-1-pro-preview e gemini-3-8-flash: provedor google (os dois registros vigentes tem a mesma entrada e a mesma saida, então a escolha não muda o valor).
Fora do cálculo: IOF, spread bancario, tributacao de pessoa juridica, marketplace de nuvem, Batch, modo rápido, escrita de cache e custo de ferramentas ou de infraestrutura.

Veredito

O que esta página ainda não mede

contexto útil contra contexto anunciado, sem medição independente nesta versão
disciplina de citar a fonte dentro da resposta
custo de indexação e de embeddings, fora desta conta

Perguntas frequentes

A conta soma a pergunta, o system prompt e os trechos recuperados, mais a resposta. Os trechos mudam a cada consulta, então o cache ajuda menos que em chatbot. Esta página publica o custo mensal em reais para três volumes, com a fórmula e as premissas de carga visíveis; as premissas são propostas da X-Apps e ainda não foram aprovadas, então cada valor aparece marcado como premissa.

Quer este caso rodando na sua operação?

A X-Apps desenha, opera e governa soluções com estes modelos. Fale com a equipe.

Falar com a X-Apps sobre este caso Solicitar orçamento

Melhor modelo de IA para RAG: custo em reais e qualidade

Premissas do perfil de carga

Ranking pelos benchmarks relevantes

Custo mensal para três volumes

Melhor modelo de IA para RAG: custo em reais e qualidade

Veredito

O que esta página ainda não mede

Perguntas frequentes

Leia também

Como avaliar um fornecedor de IA sem confiar no número que ele mostra

Qual IA usar para criar protótipos de software em 2026?

Claude Opus 5: custo e qualidade em cada nível de esforço

Quer este caso rodando na sua operação?