Una ventana de contexto de alrededor de un millón de tokens da cabida en una sola solicitud a un código fuente mediano, un paquete de contratos o meses de registros de chat. Varios modelos de GetVibe API ofrecen una ventana de ese tamaño, desde modelos insignia hasta modelos flash económicos. Todos usan un endpoint compatible con OpenAI y una sola clave.
La lista
Los límites de contexto y de salida vienen de nuestro catálogo (caps.contextWindow en https://getvibeapi.com/api/catalog). Los precios son en vivo.
| Modelo | Contexto | Salida máx. | Imágenes | Modo JSON | Precio |
|---|---|---|---|---|---|
| Claude Opus 5.5 | 1.000.000 | 128.000 | sí | sí | $0.1974 entrada · $0.9867 salida por 1M de tokens |
| Claude Sonnet 5 | 1.000.000 | 64.000 | sí | sí | $0.3334 entrada · $1.6667 salida por 1M de tokens |
| GPT-5.6 Sol | 1.050.000 | 128.000 | sí | sí | $0.0667 entrada · $0.40 salida por 1M de tokens |
| Gemini 3.1 Pro | 1.000.000 | 65.000 | sí | sí | $0.2515 entrada · $1.5086 salida por 1M de tokens |
| Gemini 3.8 Flash | 1.000.000 | 65.000 | sí | no | $0.0097 entrada · $0.0483 salida por 1M de tokens |
| DeepSeek V4.1 Flash | 1.000.000 | 393.216 | sí | sí | $0.0112 entrada · $0.0445 salida por 1M de tokens |
| GLM-5.3 | 1.048.000 | 128.000 | no | no | $0.10 entrada · $0.3143 salida por 1M de tokens |
| GLM-5.3 Flash | 1.048.000 | 128.000 | sí | no | $0.0112 entrada · $0.0371 salida por 1M de tokens |
El catálogo tiene más modelos de la clase de 1M, como versiones anteriores de Claude Opus y Gemini 3.7 Flash. La página de modelos muestra la lista completa y permite ordenarla.
Declarado frente a medido
La mayoría de las cifras de arriba son la ventana que declara el fabricante del modelo. En Claude Opus 5.5 también la medimos antes de publicarla: una solicitud de 732.379 tokens recibió una respuesta con detalles del principio y del final del prompt, y una solicitud de más de 1.000.000 de tokens fue rechazada en el límite del modelo. Con los demás modelos, prueba con tus propios datos si piensas trabajar cerca del límite.
Cómo aprovechar bien una ventana larga
- Pon la pregunta después del material. Envía primero los documentos y la instrucción al final, para que el modelo lea la tarea con todo ya en contexto.
- Marca los límites. Envuelve cada archivo o documento en delimitadores claros con su nombre. Así el modelo puede citar de dónde sale cada respuesta.
- Comprueba los dos extremos. Al evaluar un modelo para entradas largas, pregunta por un detalle cerca del principio y otro cerca del final del mismo prompt.
- Deja espacio para la respuesta. La entrada y la salida comparten la ventana, así que un prompt que la llena por completo no deja sitio para la respuesta.
Coste: cada token de entrada se factura
Una solicitud completa de 1M de tokens factura cada token de entrada, así que el contexto largo es la forma más cara de llamar a un modelo. Dos cosas lo mantienen bajo control:
- Prompt caching. Si haces varias preguntas sobre el mismo material, mantenlo como un prefijo sin cambios. La entrada en caché se factura a una fracción del precio de entrada. Consulta la guía de prompt caching.
- Elige el nivel según la tarea. Para buscar y extraer en una entrada grande, puede bastar un modelo flash con ventana de 1M. Reserva los modelos insignia para razonar sobre el material.
from openai import OpenAI
client = OpenAI(base_url="https://getvibeapi.com/v1", api_key="sk-pv-...")
corpus = open("all_docs.txt").read()
resp = client.chat.completions.create(
model="deepseek-v4.1-flash",
messages=[
{"role": "system", "content": "Answer only from the documents provided."},
{"role": "user", "content": corpus + "\n\nQuestion: which contracts mention a termination fee?"},
],
)
print(resp.choices[0].message.content)Siguientes pasos
Lee el artículo sobre el contexto de 1M de Claude Opus 5.5, compara modelos en la página de modelos o empieza por la documentación.