Melhor API de LLM para resumo e extração de dados
O resumo e a extração são tipicamente intensivos em entrada (um documento longo) e leves em saída (um resumo curto ou um campo estruturado), por isso a taxa de entrada determina o custo. Modelos do escalão económico, entrada mais barata primeiro.
As tarefas de resumo e extração estruturada partilham um padrão: uma entrada longa e uma saída comparativamente curta e estruturada. Isso torna-as sensíveis ao preço de entrada, tal como as tarefas de classificação de alto volume. Esta lista filtra modelos económicos ordenados por preço de entrada crescente.
| Modelo | Fornecedor | Entrada /1M | Saída /1M | Contexto |
|---|---|---|---|---|
| Mistral | $0.15 | $0.60 | Não publicado | |
| Meta (via Together AI) | $0.18 | $0.59 | 1M tokens | |
| OpenAI | $0.20 | $1.20 | ~1,05M tokens | |
| $0.25 | $1.50 | Não publicado | ||
| Meta (via Together AI) | $0.27 | $0.85 | ~1,05M tokens | |
| DeepSeek | $0.30 | $1.20 | 1M tokens | |
| Amazon | $0.30 | $2.50 | 1M tokens | |
| Alibaba | $0.40 | $1.60 | 1M tokens | |
| Mistral | $0.50 | $1.50 | Não publicado | |
| Anthropic | $1.00 | $5.00 | 200K tokens | |
| xAI | $1.00 | $2.00 | 256K tokens |
Não avaliamos por benchmark a qualidade por tarefa — esta seleção é construída apenas a partir do preço verificado e da janela de contexto publicada. Use-a para reduzir candidatos por custo, e depois avalie você mesmo a qualidade do resultado.
Perguntas frequentes
O filtro e a ordenação são os mesmos porque o padrão de custo se sobrepõe — ambos são cargas intensivas em entrada e leves em saída. Esta página existe em separado para que resumo e extração sejam fáceis de encontrar por si só.
Sim — se os vossos documentos excederem regularmente a janela de contexto de um modelo, terão de os dividir, o que acrescenta complexidade e pode prejudicar a qualidade do resumo nas fronteiras dos blocos. Verifiquem a coluna de contexto, não só o preço.
Sim — seguimos apenas o preço verificado e a janela de contexto, não a precisão de extração. Para campos importantes, validem uma amostra de resultados contra uma verdade de referência antes de confiar em qualquer modelo em grande escala.