A API Qwen é a interface de chamada dos modelos Tongyi Qianwen oferecida pelo Alibaba Cloud Bailian (Alibaba Cloud Model Studio); o nome DashScope, muito usado por desenvolvedores, designa a camada de API/SDK desse serviço. São três nomes, mas a lógica da fatura é uma só: cobrança pelo uso real, com entrada e saída calculadas separadamente.

Este artigo não fixa preços unitários, porque versões de modelo, faixas de contexto e promoções mudam. Vamos mostrar onde o dinheiro é gasto, por que o contexto longo estoura o orçamento com facilidade, como usar cache e Batch e como estimar o mês com logs reais. Os preços atuais estão na tabela de preços dos modelos e na página oficial de preços do Alibaba Cloud Bailian.

Nota: Qwen, Tongyi Qianwen, Alibaba Cloud, Bailian, Model Studio e DashScope são marcas de seus titulares. Este texto é apenas técnico e não implica vínculo ou representação da Alibaba Cloud. Regras e preços podem mudar; confirme a documentação oficial antes de contratar.

1. Alinhando os nomes: Bailian, Model Studio e DashScope

Esses três nomes são usados de forma intercambiável, mas não designam a mesma camada:

  • Alibaba Cloud Bailian: console e nome de produto em chinês; abertura de modelos, chave de API, uso e fatura ficam aqui.
  • Alibaba Cloud Model Studio: nome internacional do produto, com capacidades correspondentes ao Bailian; região e moeda de cobrança podem variar.
  • DashScope: nome da camada de API e SDK, comum em Base URL, na variável DASHSCOPE_API_KEY e na documentação antiga.

Ao chamar, confirme três coisas: região (Pequim, Singapura etc.), Base URL e ID do modelo. Quando os três não combinam, o erro mais comum não é saldo insuficiente, e sim falha de autenticação ou modelo inexistente.

2. A faixa do modelo define o teto de custo

Os modelos de texto Qwen costumam ser divididos em três faixas; em 2026, os representantes comuns são Qwen-Max, Qwen-Plus e Qwen-Flash:

Faixa ID representativo Posicionamento Tarefas indicadas Ordem de custo
Max qwen3.8-max Raciocínio complexo e tarefas de várias etapas Código, agentes, análise profunda Alto
Plus qwen3.7-plus Equilíbrio entre capacidade, velocidade e custo Atendimento, redação, documentos Médio
Flash qwen3.8-flash Baixa latência e baixo custo Classificação, extração, reescrita, roteamento Baixo

Os IDs de modelo evoluem; não memorize nomes na hora de comprar. É mais seguro vincular "tipo de tarefa" a "faixa": tarefas simples vão para Flash por padrão, tarefas cotidianas para Plus, e só quando há raciocínio em várias etapas suba para Max. Usar Max em todo o site não melhora necessariamente o resultado, mas certamente engorda a fatura.

3. Unidade de cobrança: entrada, saída e multimodal

Modelos de texto cobram tokens de entrada e de saída separadamente; a tabela oficial costuma mostrar "yuan por milhão de tokens". O custo de uma requisição pode ser escrito assim:

Custo por chamada =
  tokens de entrada sem cache × preço de entrada
+ tokens com acerto de cache × preço de cache
+ tokens de saída × preço de saída

Multimodal precisa de análise separada: geração de imagens costuma ser cobrada por imagem gerada com sucesso; voz, pelo tempo de áudio; modelos Omni e Realtime têm preço por modalidade (texto, imagem, áudio). Misturar esses valores ao orçamento de texto garante diferença no fechamento do mês.

Além disso, modelos de tradução como Qwen-MT-Uni cobram apenas tokens de entrada; em alguns modelos no modo de raciocínio, a cobrança dos tokens de saída segue uma regra diferente da resposta comum. Para cada modelo, veja primeiro a coluna de itens de cobrança na tabela de preços; não aplique o preço de outro modelo.

4. Contexto longo: a faixa vale para a requisição inteira

Este é o ponto mais fácil de ignorar na cobrança do Qwen. A tabela oficial define faixas pelo total de tokens de entrada de cada requisição, normalmente:

  • 0 < tokens ≤ 32K
  • 32K < tokens ≤ 128K
  • 128K < tokens ≤ 256K
  • 256K < tokens ≤ 1M

O detalhe crítico é que a faixa vale para "a requisição inteira": todos os tokens daquela chamada (inclusive a saída) são cobrados pelo preço da faixa atingida, e não pelos primeiros 32K a um preço menor com o excedente a um preço maior. Ou seja, passar de 31K para 33K pode não custar apenas os 2K adicionais, mas mudar a requisição inteira de faixa.

Por isso, contexto longo deve ser usado com critério. Ao lidar com contratos, artigos científicos ou repositórios, faça três perguntas: é realmente necessário enviar tudo de uma vez? É possível recuperar primeiro e montar o contexto depois? É possível processar por partes e consolidar? Muitas tarefas se resolvem com "recuperação + resumo", com custo muito menor do que despejar a base inteira no prompt. Se o contexto longo for realmente necessário, prefira um modelo que suporte a faixa correspondente e meça a fatura com uma requisição real.

5. Cache e Batch: economizam, mas não se acumulam

O cache de contexto dá desconto apenas nos tokens de entrada. Ele existe em duas formas: explícito e implícito. O cache explícito exige criar um ponto de cache manualmente; a criação pode ser cobrada acima do preço padrão de entrada, e o acerto usa preço com desconto. O cache implícito é identificado automaticamente pela plataforma a partir de prefixos repetidos e vem ativado por padrão em parte dos modelos. Nos exemplos oficiais, a criação de cache fica em torno de 125% do preço padrão de entrada e o acerto em torno de 10%, mas as proporções variam por modelo e devem ser confirmadas na documentação de cache.

O Batch é indicado para tarefas offline. Em modelos compatíveis, as chamadas Batch costumam usar 50% do preço de inferência em tempo real tanto na entrada quanto na saída; em troca, há maior latência e necessidade de orquestração. Atenção: descontos de cache e de Batch normalmente não valem ao mesmo tempo, então não some os dois no mesmo modelo de orçamento.

A possibilidade de acerto de cache depende da estabilidade do prefixo. Se o prompt de sistema, as definições de ferramentas e os trechos da base de conhecimento mudam de ordem a cada chamada, a taxa de acerto será baixa. Colocar o conteúdo estável no início e o conteúdo variável no fim é a otimização mais básica.

6. Retentativas, falhas e custos ocultos

A página oficial de cobrança informa que requisições com falha não são cobradas. Mas "falha" significa que o servidor retornou erro de forma explícita; não inclui uma nova requisição disparada pelo cliente após timeout. Reenvio por timeout, cliques repetidos e consumo duplicado de filas criam novas requisições faturáveis.

Retentativas em limite de taxa e erros 5xx devem ser contidas: repita apenas erros retentáveis, use backoff exponencial, defina um número máximo de tentativas e aplique idempotência com ID de requisição. Quando uma conexão de streaming cai, se a parte já gerada é cobrada depende da fatura e da documentação oficial; não trate "falha gratuita" como justificativa para retentativas infinitas.

Há ainda um custo frequentemente esquecido: a mão de obra investida para economizar chamadas. Logs, monitoramento, avaliação e revisão humana também custam. A redução de custo deve olhar o total, não apenas o preço unitário.

7. Estimando o orçamento mensal com logs reais

Não estime no chute. Siga esta ordem:

  1. Exporte os logs dos últimos 7 dias no gateway ou na fatura do Bailian, incluindo ao menos ID do modelo, tokens de entrada, tokens de saída, acerto de cache e uso de Batch.
  2. Agrupe por modelo e faixa de contexto e calcule o número de requisições e a média de tokens de cada grupo.
  3. Aplique os preços da página atual na fórmula, lembrando que o contexto longo usa a faixa da requisição inteira.
  4. Multiplique por 30 dias e acrescente 10% a 20% de margem para retentativas e oscilações.
  5. Reavalie uma vez por mês e refaça a estimativa após atualizar modelos ou prompts.

Se a equipe chama modelos de vários fornecedores, registre-se no ZSQH AI Gateway para ver saldo e uso em um só painel; os preços unitários continuam sendo os da página tabela de preços dos modelos.

8. Ordem de redução de custos

Ordenando por retorno sobre o esforço, a sequência costuma ser:

  1. Quantifique primeiro: sem logs por requisição, toda otimização é adivinhação.
  2. Escolha a faixa certa: tarefas simples descem para Flash; não use Max para classificar.
  3. Comprima a entrada: recuperação, resumo e corte de histórico funcionam melhor do que trocar de modelo.
  4. Limite a saída: defina max_tokens e peça saída estruturada.
  5. Estabilize o prefixo: eleve o acerto de cache, mas confirme antes o custo de criação.
  6. Mande tarefas offline para o Batch: rotulagem, resumo e limpeza não têm urgência.
  7. Controle retentativas: backoff, idempotência e deduplicação para uma falha não virar fatura dupla.
  8. Configure alertas de orçamento: limites por projeto, por chave e por modelo.

9. Perguntas frequentes

Qual é a relação entre API Qwen, Bailian e DashScope?

Bailian é a plataforma de modelos de grande porte da Alibaba Cloud, Model Studio é o nome internacional dela e DashScope é o nome da camada de API/SDK. Quando se diz "chamar a API Qwen", normalmente se refere a chamar o modelo pela interface compatível do DashScope no Bailian ou por uma interface compatível com OpenAI.

Por que o contexto longo encarece a requisição inteira?

Porque a faixa de preço é definida pelo total de tokens de entrada da requisição; ao entrar na faixa superior, entrada e saída daquela chamada inteira passam a usar o preço da faixa, não apenas o excedente. Dividir 33K de entrada em duas requisições de 16K pode sair mais barato, mas confirme antes se a divisão não prejudica o resultado.

Cache e Batch podem ser usados juntos?

Normalmente não se acumulam. A página oficial de preços indica escolher um dos dois. Para tarefas offline, prefira Batch; para chamadas online frequentes com prefixo estável, prefira cache.

Requisições com falha são cobradas?

A documentação oficial informa que requisições com falha não são cobradas. Porém, reenvio após timeout no cliente, envio duplicado e retomada após interrupção de streaming podem gerar novas requisições faturáveis. Use ID de requisição e chave de idempotência para distinguir "retentativa" de "nova requisição".

Por que a fatura do painel não bate com a estimativa local?

Há quatro causas comuns: faixa de contexto longo não considerada, custo de criação de cache não considerado, soma de Batch com cache e retentativas não contabilizadas. Reconcilie com o campo usage e o ID de requisição; em geral, a diferença pode ser rastreada até a chamada específica.

Próximos passos

Comece exportando o uso real da última semana, agrupado por modelo e faixa, e aplique os preços atuais. Se precisar recarregar em yuan e ver o uso de vários modelos em um só lugar, registre-se no ZSQH AI Gateway; os preços seguem a tabela de preços dos modelos.

Leitura relacionada: