Tradução de apoio para consulta. Código e identificadores técnicos preservados. Consultar referência original ↗

Otimização de custos

Gastar menos em mensagens de texto, imagem, vídeo e discurso, enquanto mantém a qualidade de saída.

QwenCloud Modelos usam diferentes modelos de faturamento dependendo da modalidade: modelos de texto carregam por token, cargas de geração de imagem por imagem, cargas de geração de vídeo por segundo de saída, cargas de TTS por personagem, e cargas de ASR por duração de áudio. Este guia abrange estratégias práticas para reduzir os custos em todas as modalidades, mantendo a qualidade da produção. Cada estratégia pode ser usada independentemente ou combinada para maiores economias.

Otimize o uso da API.

A maneira mais direta de cortar custos é usar menos recursos por tarefa:

Se você está fazendo vários pequenos pedidos, considere juntá-los em uma única chamada. Por exemplo, classifique dez itens em uma linha em vez de enviar dez pedidos separados.
Remova instruções redundantes dos alertas do sistema, limite o histórico de conversas para turnos recentes e defina o que é o que é. max_tokens Para evitar saídas desnecessariamente longas.
Modelo de combinação para complexidade de tarefas: qwen3.8-max) para tarefas que realmente precisam de raciocínio avançado. Para trabalhos simples como classificação, extração, ou resumo, modelos mais leves, como qwen3.8-flash Ou qwen3.5-flash Apresentar bons resultados a uma fração do preço. Veja [Modelo visão geral] (/developer-guides/getting-started/model-selection) para comparações de modelos.

Essas práticas também tendem a melhorar a velocidade de resposta. Para mais técnicas focadas na latência, veja Otimização de latência.

Otimize o uso de APIs não-texto

Geração de imagens

A maioria dos modelos de imagem são faturados por imagem, independentemente da resolução, então resolução não afeta o custo. No entanto, resoluções mais baixas reduzem o tempo de geração.
O qwen-image-3.0 Série é uma exceção: o preço de saída é nivelado pela resolução de saída (1k / 2k), e imagens de entrada são faturadas separadamente. Se o custo importa, mantenha a área de saída de pixels abaixo de 2.250.000 para ficar na camada de 1K, e reduzir o número de imagens de entrada. Veja [Pricing] (/developer-guides/getting-started/pricing).
Minimizar n (número de imagens por pedido), já que cada imagem gerada é cobrada separadamente.
Desativar a reescrita rápida.prompt_extend) na produção quando você já tem bem elaborado prompts para evitar custos desnecessários de processamento.

Geração de vídeo *

Durante a iteração, use durações de pré-visualização curtas e resoluções mais baixas (480P/720P). A maioria dos modelos requer mais de 5 segundos; wan2.6 Modelos suportam 2 segundos. Renderizar em alta resolução (por exemplo, 15 segundos) apenas para a saída final.
480P ou 720P é frequentemente suficiente para pré-visualizações e conteúdo de mídia social.
Reutilize imagens e vídeos de referência em várias gerações para evitar uploads redundantes.

Fala

Escolha o modelo TTS certo para o seu cenário: flash As variantes são as mais econômicas para uma simples narração. Reserva instruct Modelos para cenários que exigem expressão emocional ou controle fino. Veja [Síntese da fala] (/developer-guides/speech/tts).
Segmentos de texto curtos em uma única chamada TTS ao invés de fazer muitos pequenos pedidos.
Para a ASR, comprima arquivos de áudio antes da submissão para reduzir o tempo de upload. Note que a ASR é cobrada pela duração do áudio, então a compressão não afeta o custo.

Lote chamando

Chamadas em lote se aplicam apenas a modelos de geração de texto. Se sua carga de trabalho não requer respostas em tempo real, a chamada em lote reduz os custos em 50%. Você faz pedidos em um arquivo JSONL, os submete como um único trabalho, e baixa os resultados assim que o processamento termina, geralmente em 24 horas.

Casos comuns:

Avaliação e benchmarking offline
Classificação em massa ou rotulagem de dados
Geração de incorporação em larga escala.

Modelos apoiados: qwen-max, qwen-plus, qwen-flash.

[Comece com a chamada de lote] (/developer-guides/text-generation/batch)

Cache de contexto

O cache de contexto se aplica apenas a modelos de texto e visão. Reduza os custos dos tokens quando seus pedidos compartilham prefixos comuns, como avisos de sistema longos, documentos de referência ou histórico de conversação. O cache de contexto evita computação redundante em conteúdo repetido, melhorando a velocidade e o custo.

QwenCloud oferece três modos de cache:

Modo	Como funciona	Cache bateu o custo
Cache explícito	Marcar manualmente conteúdo para cache. Foi atingido por 5 minutos.	10% do preço padrão de entrada.
Cache implícito	Automático, não é necessário configuração. O sistema identifica prefixos comuns.	20% do preço padrão de entrada.
Cache de sessão	Projetado para conversas multi-turnos com a API Responses.	10% do preço padrão de entrada.

[Comece com o cache de contexto] (/developer-guides/run-and-scale/context-cache)

Chamadas de lote e descontos de cache de contexto não podem ser combinados com o mesmo pedido.

Comparação de custos

Os preços listados abaixo são os preços de lista. Para promoções atuais e preços com desconto, visite o [Modelo Marketplace] (https://www.qwencloud.com/models).

Eis como essas estratégias se acumulam para uma carga de trabalho hipotética de 10 milhões de fichas de entrada + 5 milhões de fichas de saída usando qwen-plus:

Estratégia	Custo de entrada	Custo de saída	Total
Padrão	10M x US$ 0.4 = US$ 4	5M x US$ 1.2 = US$ 6	US$ 10
Lote chamando(50% de desconto)	10M x US$ 0.2 = US$ 2	5M x US$ 0.6 = US$ 3	US$ 5
Cache de contexto(80% cache hit, implícito)	2M x US$ 0.4 + 8M x US$ 0.08 = US$ 1.44	5M x US$ 1.2 = US$ 6	US$ 7.44

Cache de contexto * (80% cache hit, implicito) * 2M x $0.4 (≈ R$ 2,00812*) + 8M x $0.08 (≈ R$ 0,401624*) = $1.44 (≈ R$ 7,229232*) | 5M x $1.2 (≈ R$ 6,02436*) = $6 (≈ R$ 30,1218*) | $7.44 (≈ R$ 37,351032*) |

Economias reais dependem da taxa de sucesso do cache, estrutura rápida e escolha de modelo. Veja [Pricing] (/developer-guides/getting-started/pricing) para tabelas de taxa completa.

Exemplos de otimização de custos sem texto

A tabela abaixo ilustra como as escolhas de parâmetros afetam o custo para modalidades não textuais:

Modalidade	Cenário inicial	Cenário otimizado.	Abordagem de poupanças
Geração de imagens	100 imagens com n=4 por chamada (400 imagens faturadas)	100 imagens com n=1 por chamada (100 imagens faturadas)	Gere apenas as imagens que você precisa, desativa a reescrita rápida.
Geração de vídeo	10 vídeos a 1080P, 15s cada.	10 vídeos a 720P, 5s durante a iteração + 2 final a 1080P 15s	Pré-visualização de baixa-res, renderização completa apenas para as finais.
TTS	10.000 caracteres através de modelo instruído	10.000 caracteres via flash model	Use um modelo mais barato que atenda às necessidades de qualidade.

Veja [Pricing] (/developer-guides/getting-started/pricing) para as taxas atuais por unidade para cada modalidade e modelo.

Próximos passos

[Pricing] (/developer-guides/getting-started/pricing Entender modos de faturamento e taxas de modelos
[Chamando Lote] (/developer-guides/text-generation/batchGuia passo a passo da API
[Cache de contexto] (/developer-guides/run-and-scale/context-cache) — Modos de cache e detalhes de uso
[Modelos de imagem] (/developer-guides/getting-started/image-models) — Opções de modelo de geração de imagens e preços
[Modelos de vídeo] (/developer-guides/getting-started/video-models) — Opções de modelos de geração de vídeo e preços
[Sintese da fala] (/developer-guides/speech/tts) — Seleção de modelos TTS e considerações de custo
[Otimização de latência] (/developer-guides/run-and-scale/latency-optimization Estratégias que também reduzem os custos