La API de GLM no es un producto de «pago mensual y uso ilimitado», sino que se factura según el consumo real. Muchos equipos se sorprenden la primera vez que revisan la factura: si las peticiones no son tantas, ¿por qué el costo es mayor de lo esperado? Por lo general, la causa no es el precio unitario, sino una entrada demasiado larga, una salida sin control, una caché que no acierta o un reintento que vuelve a generar el contenido.

Este artículo no enumera precios unitarios concretos, porque cambian según el modelo, el tramo de contexto y las promociones. Explicamos la estructura de facturación, de dónde provienen los costos, cómo estimarlos y reducirlos, y cerramos con una lista de control aplicable. Para consultar los precios vigentes, usa la página de precios de modelos del sitio y la página oficial de precios de Zhipu.

Nota: Zhipu, GLM y BigModel son marcas de sus respectivos titulares. Este artículo solo ofrece una explicación técnica y no implica afiliación, representación ni patrocinio de Zhipu. Las reglas de facturación y los precios pueden cambiar; antes de contratar, verifica la documentación oficial y la página de facturación.

1. La unidad básica de facturación

Los modelos de texto usan el token como unidad básica. La documentación oficial de Zhipu ofrece como referencia aproximada que, en texto chino, 1 token equivale a alrededor de 1.6 caracteres, pero la cifra real depende del tokenizador y del contenido, y el dato definitivo es el usage que devuelve la interfaz. Es decir, una estimación sirve para presupuestar, no para sustituir la factura.

No todos los modelos se facturan por token. La generación de imágenes, la generación de video, la síntesis de voz, la clonación de voz, el audio y video en tiempo real y el análisis de bases de conocimiento pueden cobrarse por llamada, por minuto, por carácter o por página. Al construir productos multimodales, primero confirma la unidad de facturación y después habla de precio unitario.

2. Por qué entrada y salida se calculan por separado

Una petición normalmente incluye tokens de entrada y tokens de salida, y ambos se tarifan por separado; la salida suele ser más cara. Los modelos de contexto largo también pueden dividir la entrada por longitud, por ejemplo con un umbral en 32K tras el cual se pasa a un tramo superior; algunos modelos hacen lo mismo con la longitud de salida. Esto significa que «el mismo modelo» puede tener un costo unitario distinto según cómo se use.

Lo que más influye en el costo no es el número de peticiones, sino el contexto que acompaña a cada una. Si metes toda la base de conocimiento, todo el historial de conversación y decenas de definiciones de herramientas en el prompt, la entrada crece muy rápido. El desperdicio más común está en la salida: sin un límite máximo de tokens, el modelo se extiende y la factura sube.

Componente del costo Criterio de facturación Escenario habitual Cómo controlarlo
Tokens de entrada Se cobra la entrada que no acierta en caché Prompts largos, historial multiturno, definiciones de herramientas Reducir el contexto y resumir
Tokens de salida Se cobra el contenido generado Redacción larga, generación de código Fijar una longitud máxima de salida
Aciertos de caché La parte acertada se cobra con descuento Prompt de sistema fijo, prefijo de base de conocimiento Mantener estable el prefijo
Tramo de contexto largo El precio unitario cambia al superar el umbral Documentos largos, análisis de repositorios Dividir, resumir y cargar bajo demanda
Reintentos y fallas La parte ya generada puede facturarse Tiempo agotado, streaming interrumpido, envíos duplicados Idempotencia, retroceso y deduplicación
Multimodal y herramientas Se cobra por llamada, minuto, página, etc. Generación de imágenes, voz, búsqueda, análisis Contabilizar aparte y limitar las llamadas

3. Aciertos de caché: se ahorra en el prefijo repetido

Zhipu ofrece capacidad de caché de contexto, y la documentación oficial describe principalmente la caché implícita: el sistema detecta automáticamente el contenido repetido y no hace falta marcar puntos de caché manualmente. Encaja bien en escenarios de «prompt de sistema fijo + base de conocimiento fija + preguntas variables».

Para mejorar la tasa de acierto hay que cumplir al menos tres condiciones: que el prefijo repetido sea suficientemente largo, con una recomendación oficial de 500 tokens o más; que el contenido del prefijo sea idéntico, ya que un solo espacio de diferencia puede impedir el acierto; y que, como la caché se genera de forma asíncrona, convenga esperar un poco tras la primera petición antes de enviar las siguientes. El acierto puede consultarse en usage.prompt_tokens_details.cached_tokens.

La caché no lo resuelve todo. Los prompts cortos, el contenido que cambia en cada llamada y las bases de conocimiento que se modifican con frecuencia rara vez aciertan. Si el almacenamiento de caché se factura aparte y cuánto descuenta son datos que debes confirmar en la página oficial de precios. Trata la caché como una optimización, no como una premisa por defecto del modelo de costos.

4. Contexto largo, lotes y multimodalidad

El contexto largo es muy útil, pero también es el punto donde el presupuesto se desborda con más facilidad. Al procesar contratos, artículos académicos o repositorios de código, hazte tres preguntas: ¿de verdad hace falta meter todo el contenido de una vez?, ¿se puede recuperar primero y luego ensamblar?, ¿se puede procesar por fragmentos y resumir al final? Muchas tareas se resuelven con «recuperación + resumen», a un costo muy inferior al de insertar la base completa.

Para tareas por lotes conviene revisar la interfaz Batch. La documentación oficial indica que los modelos compatibles suelen ofrecer descuento al usar Batch, lo que encaja en etiquetado offline, resúmenes masivos y limpieza de datos donde no se exige respuesta en tiempo real. El precio es una mayor latencia y una orquestación más compleja, adecuada para equipos con colas y validación de resultados.

Las capacidades multimodales deben contabilizarse por separado. La generación de imágenes se cobra por imagen; la comprensión de imágenes suele cobrarse por token; la síntesis de voz, por carácter o minuto; el análisis de bases de conocimiento, por página. Si mezclas estos costos en el presupuesto de texto, a fin de mes las cuentas no cuadrarán.

5. Reintentos, interrupciones de streaming y costos ocultos

Las peticiones fallidas no siempre son gratuitas. Si el servidor ya generó parte del contenido y luego se agota el tiempo, ese consumo puede facturarse igualmente; cuando se interrumpe una conexión de streaming, la parte ya generada también puede entrar en la factura. Por eso la estrategia de reintentos debe ser contenida: reintenta solo ante límites de velocidad, 5xx y tiempos de espera de red, usa retroceso exponencial y fija un número máximo de intentos.

Otro costo oculto son los envíos duplicados. Los usuarios que pulsan el botón varias veces, el reenvío automático por tiempo agotado en el frontend y el consumo repetido de una cola generan peticiones adicionales. Usar un ID de petición para lograr idempotencia, o deduplicar en la capa del gateway, es mucho más eficaz que conciliar después.

También hay que contar el costo de ingeniería: registros, monitoreo, evaluación y revisión manual. La tarifa de llamadas al modelo es solo una parte del costo total; no conviene ahorrar un poco en llamadas a cambio de invertir varias veces más esfuerzo humano en parches manuales.

6. Cómo estimar el presupuesto mensual

La estimación tiene cuatro pasos: contar el volumen mensual de llamadas, estimar la entrada y salida promedio, calcular la tasa de acierto de caché y aplicar los precios unitarios vigentes. Si quieres gestionar en un solo lugar el saldo y el consumo de varios modelos, puedes registrarte en ZSQH AI Gateway y consultarlos de forma unificada; los precios concretos siguen rigiéndose por la página de precios de modelos. El código siguiente es solo un marco de cálculo: lee los precios unitarios de la página oficial y complétalos.

# Modelo de presupuesto: todos los precios unitarios son marcadores de posición
monthly_calls = 300_000
avg_input_tokens = 1_200
avg_output_tokens = 300
cache_hit_rate = 0.35
input_rate = 0.0       # Precio de entrada, consultar la página oficial
output_rate = 0.0      # Precio de salida
cache_rate = 0.0       # Precio de acierto de caché

uncached_input = avg_input_tokens * (1 - cache_hit_rate)
cached_input = avg_input_tokens * cache_hit_rate
per_call = (
    uncached_input * input_rate
    + cached_input * cache_rate
    + avg_output_tokens * output_rate
)
print(f"Costo mensual estimado: {monthly_calls * per_call:.2f}")

Deja margen en la estimación. La entrada real de un negocio nuevo suele ser más larga que la de diseño, y los reintentos y fallas también aumentan el consumo. Conviene operar primero con poco tráfico durante dos semanas, sustituir los supuestos por datos reales de usage y entonces decidir el presupuesto.

7. Lista de control del presupuesto

  1. Fija un límite de consumo independiente para cada entorno y cada servicio.
  2. Define una longitud máxima de salida y un tiempo de espera para todas las peticiones.
  3. Mantén estable el orden del prompt de sistema para mejorar la tasa de acierto de caché.
  4. En documentos largos, recupera y resume primero, y después decide si usar contexto largo.
  5. Reintenta solo errores recuperables, con retroceso y un número máximo de intentos.
  6. Revisa el consumo a diario y la factura cada semana; investiga de inmediato cualquier aumento anómalo.
  7. Para tareas offline, prioriza Batch; reserva las interfaces en línea para lo que exige tiempo real.

8. Preguntas frecuentes (FAQ)

1. ¿Cuánto cuesta exactamente la API de GLM?

El precio varía según el modelo, el tramo de contexto y las promociones, por eso este artículo no incluye cifras fijas. Consulta la página de precios de modelos del sitio o la página oficial de precios de Zhipu, y toma como referencia la factura de la consola.

2. ¿Cómo se factura un acierto de caché?

La parte que acierta en caché se cobra a un precio con descuento, y la entrada que no acierta se cobra al precio estándar. El descuento concreto y el costo de almacenamiento se rigen por la página oficial de precios; el volumen de aciertos puede consultarse en el campo usage.

3. ¿Se cobra una petición fallida?

Depende de la etapa en que falle. Si ya se generó parte del contenido, puede facturarse según el consumo real; los errores de parámetros o de autenticación normalmente no generan costos de generación. La referencia final es el detalle de la factura.

4. ¿El contexto largo siempre es más caro?

Normalmente sí. Muchos modelos dividen la entrada por longitud y el precio unitario sube al superar el umbral. Si una tarea se puede resolver dividiendo o recuperando fragmentos, no hace falta forzar el contexto largo.

5. ¿Cómo reducir rápido el costo actual?

Empieza por tres acciones: limitar la longitud máxima de salida, comprimir el prompt de sistema y mejorar la tasa de acierto de caché. Suelen dar resultados más rápido y con más control que cambiar de modelo.

Lecturas relacionadas