---
title: "Tokens em cache e prompt caching: reduza o custo da API"
description: "A entrada em cache custa uma fração da entrada normal. Como o prompt caching é cobrado, como ler cached_tokens em usage e como estruturar os prompts."
url: https://broadrouter.com/pt/blog/cached-input-tokens-explained/
lang: pt-BR
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduzido do inglês com ajuda de IA. [Leia o original em inglês](https://broadrouter.com/blog/cached-input-tokens-explained/) (atualizado em 2026-11-15).

# Tokens de entrada em cache: como reduzir a conta de API de LLM

Pela equipe da BroadNet Inference · 5 min de leitura · Publicado em 2026-11-14 · Atualizado em 2026-11-15

Tokens de entrada em cache são tokens do prompt que o provedor já processou e pode reaproveitar, por isso são cobrados por uma tarifa menor. Na BroadNet Inference, o DeepSeek V4.1 Flash cobra a entrada em cache a $0.0055 por 1M de tokens, contra $0.175 da entrada nova. Para ganhar o desconto, deixe a parte estável de cada prompt no início e idêntica entre as chamadas.

## Pontos principais

-   Entrada em cache do DeepSeek V4.1 Flash: $0.0055 por 1M de tokens; entrada nova: $0.175.
-   O bloco usage informa `prompt_tokens_details.cached_tokens` quando o modelo fornece esse dado, então você consegue medir a sua taxa de cache.
-   Coloque o conteúdo estável primeiro (prompt de sistema, ferramentas, documentos) e o que muda por último.
-   O cache compara a partir do início do prompt. Um único token diferente logo no começo faz tudo o que vem depois virar entrada nova.
-   Quem mais ganha são os agentes que reenviam o mesmo contexto do repositório a cada turno.

**Nesta página**

1.  O que é um token de entrada em cache?
2.  Quanto custam os tokens em cache na BroadNet Inference?
3.  Quanto o cache pode economizar? Um exemplo prático
4.  Como ver os tokens em cache na resposta da API?
5.  Como o prompt caching difere entre OpenAI, Anthropic e DeepSeek?
6.  O que derruba a sua taxa de cache?
7.  Quando o cache deixa de importar?
8.  Por que o cache importa mais com contexto longo?
9.  Onde a BroadNet Inference se encaixa

Quase tudo o que um agente envia a um LLM é igual a cada turno: o prompt de sistema, as definições das ferramentas, os arquivos em que ele está trabalhando e a conversa até ali. Só a última mensagem é nova. Com o prompt caching, o provedor não cobra essa parte repetida pelo preço cheio.

## O que é um token de entrada em cache?

Toda requisição é feita de [tokens de entrada e de saída](https://broadrouter.com/pt/glossary/input-and-output-tokens/). Antes de responder, o modelo processa o prompt inteiro. Se uma requisição anterior começou exatamente com os mesmos tokens, o sistema de serving pode reaproveitar esse trabalho em vez de refazê-lo. A parte reaproveitada é informada como [tokens de entrada em cache](https://broadrouter.com/pt/glossary/cached-input-tokens/) e cobrada por uma tarifa menor.

Desse funcionamento saem duas consequências:

-   **Só o prefixo entra em cache.** A comparação começa no primeiro token e para na primeira diferença.
-   **A resposta nunca entra em cache.** O modelo continua gerando saída nova, cobrada pelo preço cheio de saída.

## Quanto custam os tokens em cache na BroadNet Inference?

Por 1 milhão de tokens, segundo o arquivo de preços publicado:

| Modelo | Entrada nova | Entrada em cache | Saída |
| --- | --- | --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/pt/models/deepseek-v4.1-flash/) | $0.175 | $0.0055 | $0.52 |
| [GLM 5.3](https://broadrouter.com/pt/models/glm-5.3/) | $0.78 | $0.173 | $3.46 |
| [Qwen3.8 27B](https://broadrouter.com/pt/models/qwen3.8-27b/) | $0.175 | $0.0435 | $2.17 |

No DeepSeek V4.1 Flash a diferença é grande: compare $0.0055 por 1M de tokens em cache com $0.175 por 1M de tokens novos. Para um agente que reenvia um repositório de 200.000 tokens a cada turno, a taxa de cache decide a maior parte da conta.

## Quanto o cache pode economizar? Um exemplo prático

Um agente de código envia um prompt de 200.000 tokens 100 vezes em um dia de trabalho. São 20 milhões de tokens de entrada por dia.

| Taxa de cache | Tokens de entrada novos | Tokens de entrada em cache |
| --- | --- | --- |
| 0% | 20M a $0.175 por 1M | 0 |
| 50% | 10M a $0.175 por 1M | 10M a $0.0055 por 1M |
| 90% | 2M a $0.175 por 1M | 18M a $0.0055 por 1M |

A fórmula da conta diária de entrada é `new tokens (M) × input price + cached tokens (M) × cached price`. Com 90%, 18M dos 20M de tokens de entrada são cobrados pelo preço de cache em vez do preço cheio de entrada, então quanto maior a diferença entre os dois preços, mais você economiza na parte de entrada da conta. A saída não muda. Teste os seus números na [calculadora de prompt caching](https://broadrouter.com/tools/prompt-caching-calculator/).

## Como ver os tokens em cache na resposta da API?

A referência da API da BroadNet diz que, quando o modelo informa, o objeto `usage` traz `prompt_tokens_details.cached_tokens`: os tokens do prompt lidos do cache, cobrados pelo preço de cache. Em um [stream](https://broadrouter.com/pt/glossary/streaming/), peça usage no último chunk:

```python
from openai import OpenAI
import os

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
messages = [
    {"role": "system", "content": "You are a code reviewer."},  # stable prefix: keep it identical
    {"role": "user", "content": "Review the diff below."},
]
stream = client.chat.completions.create(
    model="broadnet/deepseek-v4.1-flash",
    messages=messages,
    stream=True,
    stream_options={"include_usage": True},
)
for chunk in stream:
    if chunk.usage:
        u = chunk.usage
        cached = (u.prompt_tokens_details.cached_tokens if u.prompt_tokens_details else 0) or 0
        print(f"prompt={u.prompt_tokens} cached={cached} rate={cached / max(1, u.prompt_tokens):.0%}")
```

Registre essa taxa por requisição durante um dia. Ela mostra quanto você paga de verdade, e é o número para colocar na [calculadora de prompt caching](https://broadrouter.com/tools/prompt-caching-calculator/). Mais sobre usage em streaming no [guia de streaming](https://broadrouter.com/pt/guides/streaming-chat-completions/).

## Como o prompt caching difere entre OpenAI, Anthropic e DeepSeek?

O cache não é padronizado. Veja o que a documentação oficial dizia quando a consultamos em 14 de novembro de 2026:

|  | OpenAI | Anthropic | DeepSeek (API direta) |
| --- | --- | --- | --- |
| Ativação | Por padrão nos modelos compatíveis | Opcional, com um campo `cache_control` (automático ou por bloco) | Por padrão para todos os usuários |
| Prompt mínimo | 1.024 tokens no GPT-5.6 e posteriores | De 512 a 4.096 tokens, conforme o modelo | Nenhum mínimo informado |
| Duração do cache | 30 minutos por padrão no GPT-5.6 e posteriores; opção de 12 horas | 5 minutos por padrão, 1 hora com custo extra | Melhor esforço; limpo quando não usado, “a few hours to a few days” (tradução: de algumas horas a alguns dias) |
| Gravações | 1,25× a entrada (30 minutos) ou 2,5× (12 horas) no GPT-5.6 e posteriores | 1,25× a entrada por 5 minutos, 2× por 1 hora | Nenhuma cobrança de gravação mencionada |
| Leituras | 0,1× a entrada no GPT-5.6 e posteriores (0,05× no GPT-6.1 Sol e Terra) | 0,1× a entrada na maioria dos modelos, menos em alguns | Preço separado de “cache hit” |
| Campo de usage | `cached_tokens` nos detalhes de tokens | `cache_read_input_tokens` | `prompt_cache_hit_tokens` |

Fontes: [guia de prompt caching da OpenAI](https://developers.openai.com/api/docs/guides/prompt-caching), [documentação de prompt caching da Anthropic](https://platform.claude.com/docs/en/build-with-claude/prompt-caching) e [documentação de context caching da DeepSeek](https://api-docs.deepseek.com/guides/kv_cache). Onde as gravações custam mais, um cache gravado e nunca lido sai mais caro do que não ter cache. O cache só compensa em prompts que você realmente repete. Para comparar preços de tabela por modelo, veja a [tabela de preços de API de LLM](https://broadrouter.com/pt/llm-api-pricing/).

## O que derruba a sua taxa de cache?

O cache compara um prefixo exato, então qualquer coisa que mude no começo do prompt transforma todo o resto em entrada nova. As causas mais comuns:

-   um timestamp, um ID de requisição ou um nome de usuário no topo do prompt de sistema;
-   definições de ferramentas ou JSON serializados com uma ordem de chaves diferente a cada chamada, o que muda os [tokens](https://broadrouter.com/pt/glossary/token/);
-   um agente que reescreve ou resume o próprio histórico em vez de acrescentar ao final;
-   pausas longas, depois das quais o cache expirou.

A solução é uma ordem fixa de camadas (prompt de sistema, ferramentas, documentos, histórico, mensagem nova), com cada camada idêntica byte a byte entre as chamadas. O nosso guia sobre [como estruturar prompts para o prefixo entrar em cache](https://broadrouter.com/pt/blog/prompt-structure-for-caching/) mostra esse layout em código, com um teste que prova que o prefixo é reaproveitado.

## Quando o cache deixa de importar?

Num plano de preço fixo, a conta não depende de tokens. O Full Moon custa $60 por mês por sessão para DeepSeek V4.1 Flash ilimitado. Se o seu agente já passa do [ponto de equilíbrio](https://broadrouter.com/pt/blog/flat-rate-vs-pay-per-token-llm-api/), a taxa de cache deixa de ser um problema de custo. Em prompts longos, os hábitos acima ainda ajudam na velocidade, então vale mantê-los de qualquer forma.

## Por que o cache importa mais com contexto longo?

O DeepSeek V4.1 Flash e o GLM 5.3 aceitam até 1.048.576 tokens por requisição. É o cache que torna prompts muito longos viáveis numa chave por token, porque a parte grande e repetida da [janela de contexto](https://broadrouter.com/pt/glossary/context-window/) é cobrada pela tarifa de cache. Veja [quando vale a pena uma janela de contexto de 1M de tokens](https://broadrouter.com/pt/blog/million-token-context-window-guide/).

## Onde a BroadNet Inference se encaixa

A BroadNet publica um preço de entrada em cache para cada modelo de chat que tem um e informa os tokens em cache em usage quando o modelo os reporta, para você medir a sua taxa antes de se comprometer. Ela não publica a duração do cache nem o tamanho mínimo do prompt, então meça isso no seu próprio tráfego. Se o seu agente roda o dia todo, um plano de preço fixo elimina a questão de vez.

Ferramentas gratuitas sobre o tema (em inglês)

-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.
-   [Flat-rate vs per-token LLM cost calculator](https://broadrouter.com/tools/flat-rate-vs-per-token-calculator/) Break-even between an unlimited plan and paying per token, per agent.
-   [Prompt caching savings calculator](https://broadrouter.com/tools/prompt-caching-calculator/) Bill with and without caching, by prefix share and hit rate.
-   [Prompt token diff](https://broadrouter.com/tools/prompt-token-diff/) Two prompt versions side by side: changed lines, exact token delta and the monthly cost difference.

[Ferramentas gratuitas (em inglês)](https://broadrouter.com/tools/)

## Termos neste artigo

[Token](https://broadrouter.com/pt/glossary/token/)

Um token é a unidade de texto que um modelo de linguagem lê e escreve: uma palavra, parte de uma palavra, um sinal de pontuação ou uma sequência de bytes gerada pelo tokenizador do modelo. As APIs de LLM contam, limitam e normalmente cobram o uso em tokens.

[Tokens de entrada em cache (cached input)](https://broadrouter.com/pt/glossary/cached-input-tokens/)

Tokens de entrada em cache são tokens do prompt que um provedor de LLM processou há pouco e pode reaproveitar de um cache em vez de calcular de novo, normalmente um prefixo repetido, como um system prompt ou um documento. Os provedores os cobram com uma tarifa menor que a dos tokens de entrada novos.

[Tokens de entrada e de saída](https://broadrouter.com/pt/glossary/input-and-output-tokens/)

Tokens de entrada são os tokens que um modelo de linguagem lê em uma requisição, incluindo o system prompt, o histórico da conversa, as definições de ferramentas e as imagens. Tokens de saída são os que ele gera na resposta, incluindo o raciocínio. As APIs de LLM costumam cobrá-los separadamente, e a saída costuma custar mais.

[Streaming](https://broadrouter.com/pt/glossary/streaming/)

Streaming é uma forma de devolver a resposta de um modelo de linguagem em pequenos pedaços enquanto ela ainda está sendo gerada, em vez de uma resposta única no final. APIs compatíveis com a OpenAI fazem streaming via server-sent events quando a requisição define stream como true.

[Tool calling (chamada de ferramentas)](https://broadrouter.com/pt/glossary/tool-calling/)

Tool calling, também chamado de function calling ou chamada de ferramentas, é um recurso de APIs de LLM em que o modelo devolve um pedido estruturado para executar uma função definida pelo desenvolvedor, com argumentos JSON. A aplicação executa a função e devolve o resultado; o modelo nunca executa código sozinho.

[Prompt de sistema (system prompt)](https://broadrouter.com/pt/glossary/system-prompt/)

O system prompt, ou prompt de sistema, é o texto de instruções que uma aplicação envia a um modelo de linguagem antes da conversa, em geral como mensagem com o papel system ou developer. Ele define o papel, as regras, o tom e o formato de saída do modelo, que deve segui-lo mesmo quando mensagens do usuário o contradizem.

[Janela de contexto (context window)](https://broadrouter.com/pt/glossary/context-window/)

A janela de contexto é o número máximo de tokens com que um modelo de linguagem consegue trabalhar em uma única requisição. Ela abrange o prompt, o histórico da conversa, as definições de ferramentas, as imagens e a saída gerada, incluindo os tokens de raciocínio. O que não couber precisa ser cortado, resumido ou dividido em várias requisições.

[Plano de LLM com preço fixo (flat-rate)](https://broadrouter.com/pt/glossary/flat-rate-llm-plan/)

Um plano de LLM com preço fixo cobra um valor fixo por um período, como um mês, pelo acesso à API de um modelo de linguagem, em vez de cobrar por token. Esses planos costumam limitar outra coisa, como simultaneidade, velocidade, modelos ou janelas de uso, então os limites importam tanto quanto o preço.

## Perguntas frequentes

### Preciso ativar o prompt caching?

Depende do provedor. A OpenAI e a DeepSeek fazem cache automaticamente; a Anthropic exige um campo cache\_control. Na BroadNet Inference, confira o bloco usage: quando o modelo informa tokens em cache, eles aparecem em prompt\_tokens\_details.cached\_tokens e são cobrados pelo preço da entrada em cache.

### Como sei se o prompt caching está funcionando?

Peça usage em toda requisição e calcule cached\_tokens dividido por prompt\_tokens. Uma taxa perto de zero na segunda chamada de um prompt longo e repetido significa que algo no começo do prompt está mudando entre as chamadas.

### Por que a minha taxa de cache está baixa?

Normalmente porque algo no começo do prompt muda a cada chamada, como um timestamp, um ID de requisição ou uma lista de ferramentas reordenada. Mova o conteúdo que muda para o final.

### Qual é a diferença entre prompt caching e cache de respostas?

O prompt caching reaproveita o trabalho do provedor sobre um prefixo de prompt repetido, e o modelo ainda escreve uma resposta nova. O cache de respostas é algo que você mesmo constrói, guardando respostas inteiras e devolvendo-as para perguntas idênticas sem chamar o modelo.

### Tokens em cache são de graça?

Não. Eles são cobrados por uma tarifa menor, não zero. No DeepSeek V4.1 Flash, a entrada em cache custa $0.0055 por 1M de tokens, e a saída é cobrada integralmente.

### O cache faz diferença num plano ilimitado?

Não para a conta, porque as sessões de plano não têm medidor de tokens. Em muitos sistemas de serving ele ainda reduz o tempo até o primeiro token em prompts longos, então os mesmos hábitos ajudam.

## Continue lendo

-   [Como estruturar prompts para o prefixo entrar em cache](https://broadrouter.com/pt/blog/prompt-structure-for-caching/)
-   [Preço de API de LLM explicado: entrada, cache, saída e raciocínio](https://broadrouter.com/pt/blog/llm-api-pricing-explained/)
-   [API de LLM com preço fixo ou por token: a conta do ponto de equilíbrio](https://broadrouter.com/pt/blog/flat-rate-vs-pay-per-token-llm-api/)
-   [Quando vale a pena uma janela de contexto de 1M de tokens (ou não)](https://broadrouter.com/pt/blog/million-token-context-window-guide/)
-   [Cache de respostas de LLM para cortar custo: um cache exato em Python](https://broadrouter.com/pt/blog/cache-llm-responses-cut-cost/)
-   [Preços de API de LLM em outubro de 2026: 3 aumentos, nenhum corte](https://broadrouter.com/pt/blog/llm-api-price-changes-october-2026/)
-   [Com que frequência o preço de API de LLM muda? 3 anos de arquivo](https://broadrouter.com/pt/blog/how-often-llm-api-prices-change/)
-   [Guia: Streaming de chat completions e conexões que caem](https://broadrouter.com/pt/guides/streaming-chat-completions/)
-   [Guia: Como usar o SDK Python da OpenAI com a BroadNet Inference](https://broadrouter.com/pt/guides/openai-python-sdk/)

Teste com a sua carga de trabalho real. Contas novas começam com US$ 5 de crédito para Gemma e transcrição. DeepSeek, GLM e Qwen3.8 exigem uma recarga.

[Começar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-blog-cached-input-tokens-explained&utm_content=page-cta) ·

**Fontes**

-   [Referência da API da BroadNet Inference, tokens de raciocínio e em cache (consultada em 2026-11-14) (em inglês)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-blog-cached-input-tokens-explained&utm_content=sources)
-   [Preços da BroadNet Inference em formato legível por máquina (pricing.json, consultados em 2026-11-14) (em inglês)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-blog-cached-input-tokens-explained&utm_content=sources)
-   [Guia de prompt caching da OpenAI (consultado em 2026-11-14)](https://developers.openai.com/api/docs/guides/prompt-caching)
-   [Documentação de prompt caching da Anthropic (consultada em 2026-11-14)](https://platform.claude.com/docs/en/build-with-claude/prompt-caching)
-   [Documentação da API da DeepSeek, context caching (consultada em 2026-11-14)](https://api-docs.deepseek.com/guides/kv_cache)
