Leitura complicada do cache: por que GLM 5.3 é mais caro no trabalho real do que parece

Calculamos as contas reais das tarefas dos agentes e vimos uma coisa simples. Para GLM 5.3, a maior parte dos custos não vem de respostas ou novas solicitações, mas da releitura do cache: tokens que o modelo já viu no mesmo trabalho. Em nossa medição, isso representa 80–90% do valor e, em tarefas longas, é inferior a 98%. Por causa disso, o mesmo trabalho para DeepSeek sai consistentemente várias vezes mais barato, embora a lista de preços para GLM seja bastante modesta à primeira vista. Vamos descobrir como isso acontece.

De onde vem o dinheiro da conta?

Cada chamada API ocorre sem memória: o modelo recebe novamente toda a correspondência - instruções do sistema, histórico de conversas, conteúdo de arquivos. Os provedores entendem isso e armazenam em cache a parte duplicada: se o início da solicitação corresponder a algo que já foi processado, esses tokens serão lidos do cache com desconto. Na resposta API você pode ver o detalhamento: quantos tokens vieram do cache, quantos eram novos, quantos foram gerados pelo modelo.

Parece um benefício líquido. Mas desconto não é brinde, mas sim tarifa, cada modelo tem a sua. E a diferença entre os modelos não está em percentuais, mas em tempos. É aqui que reside o problema.

O que está escrito na lista de preços

Preços públicos no final de agosto de 2026, dólares por milhão de tokens:

Observe a coluna do meio - aquela que normalmente aparece nas listas de preços. A DeepSeek V4 Pro, a leitura da cache custa três por cento do preço de entrada: o desconto para releitura é de quase trinta vezes. GLM 5.3 tem dezenove por cento, apenas um desconto de cinco vezes. Para versões Flash, a diferença relativa é mais modesta (cerca de 20% versus 23%), mas em termos absolutos, o cache Flash GLM ainda é aproximadamente duas vezes mais caro que o cache Flash DeepSeek.

Medição de carga ao vivo

Pegamos estatísticas de trabalho real de agentes durante duas semanas de agosto: 13.279 acessos a API de quatro modelos - GLM 5.3, GLM 5.3 Flash, DeepSeek V4 Pro e DeepSeek V4 Flash. Destas, coletamos quase trezentas tarefas de diálogo completas, onde o modelo trabalha por muito tempo em uma coisa: lê o código, edita arquivos e mantém todo o histórico na memória. Uma imagem típica de tal problema: 97–98% dos tokens de entrada são ganhos em dinheiro. A quantidade de novo texto recebido é minúscula, a maior parte é a mesma memória de releitura.

E aqui está como a pontuação é dividida:

• GLM 5.3: 80–90% do valor é gasto na leitura do cache e na caixa de diálogo de tarefas mediana - todos os 98%. Respostas e novas solicitações são sobras.
• DeepSeek V4 Pro: Cerca de dois terços da conta vão para o cache (64%). A parcela tem significado semelhante, mas os valores absolutos não são comparáveis: a taxa de leitura para DeepSeek é doze vezes menor.

Agora em dinheiro, para tarefas inteiras, e não para ligações individuais. A tarefa de diálogo mediana custou seis centavos no GLM 5.3 Flash e dois centavos no DeepSeek V4 Flash. Para fazer uma comparação justa, pegamos tarefas com a mesma quantidade de texto gerado: com uma carga comparável, DeepSeek é 3,6–5 vezes mais barato. GLM 5.3 completo versus DeepSeek V4 Pro em uma classe de problemas que se cruzam é ​​6–7 vezes mais caro. A quantidade de trabalho realizado é a mesma.

Uma nuance da metodologia: trata-se de um recálculo com base nas taxas públicas da tabela acima, e não na impressão da conta de outra pessoa. Para controle, verificamos o recálculo com baixas reais onde a tarifa estava aberta - diferiram em 2 a 3%, portanto a estimativa é precisa.

Quer sentir a diferença em uma ligação? Uma chamada de agente típica em nossas medições tem cerca de 130 mil tokens de cache, três mil novas entradas e algumas centenas de saídas. GLM 5.3 cobra cerca de quatro centavos por essa ligação. DeepSeek V4 Pro - cerca de meio centavo. Sete vezes. Apesar de a quantidade de trabalho ser a mesma.

Então GLM é astuto?

Formalmente não: todas as tarifas são publicadas e o recálculo delas coincide com as baixas efetivas onde a tarifa está aberta. O truque é diferente. A atenção é atraída para os preços de entrada e saída, e a linha “read cache” parece uma bagatela técnica. Para uma conversa curta de duas linhas, ela é uma bagatela. Mas no trabalho baseado em agente, onde a memória é relida centenas de vezes por tarefa, essa linha se torna a principal despesa. GLM estabeleça um preço para ele, que para modelos mais antigos é 12 vezes maior que o do Deepsik, e em sessões longas isso supera todo o resto. Mesmo o cache do DeepSeek não é gratuito: suas taxas são simplesmente tão pequenas que “ler toda a memória novamente” custa um centavo.

O que fazer sobre isso

Três coisas a fazer antes de escolher um modelo de agente:

• Encontre a taxa de leitura de cache (leitura de cache/entrada em cache) na lista de preços do provedor. Essa linha não existe - pergunte diretamente. Para sessões longas é mais importante que o preço de entrada.
• Observe o seu perfil de carregamento: a resposta API mostra quantos tokens vieram do cache. Se os acertos do cache forem superiores a 90%, você está pagando principalmente pela releitura, e não pelo trabalho.
• Corte a memória sem piedade. Mensagens antigas, instruções gigantes do sistema e arquivos “por precaução” são relidos pelo seu dinheiro a cada chamada. Às vezes é mais barato iniciar uma nova sessão do que arrastar consigo um histórico de três dias.

Ambos os modelos estão disponíveis em bate-papo NeuralSpace, na seção "Código" e através público API - execute sua tarefa em ambos e compare você mesmo as pontuações. Só não esqueça de abrir o detalhamento: o mais interessante está sempre na linha de tokens em cache.