Uma escada de preços em três colunas para o GPT-6.2 Astra: Standard a US$ 8,00 de entrada e US$ 40,00 de saída por milhão de tokens, com streaming e sem janela de desconto; uma janela de 2h a 30% abaixo do Standard, com US$ 5,60 de entrada, US$ 0,28 em cache e US$ 28,00 de saída, sem streaming; e uma janela de 8h a 40% abaixo do Standard, com US$ 4,80 de entrada, US$ 0,24 em cache e US$ 24,00 de saída, com nota de rodapé indicando que se trata de uma meta, e não de uma garantia. O logotipo da OrcaRouter fica no canto inferior direito.
Guides & Insights

GPT-6.2 Astra Modo em Segundo Plano: 40% de desconto, cobrado em tempo de relógio

Autor

jinhao.song

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

A rota mais barata da OpenAI para o GPT-6.2 Astra não altera o preço do modelo. Ela altera quando você está disposto a receber a resposta. Envie a mesma solicitação pela API Responses com background definido como true e background_options.completion_window definido como 8h, e os tokens do GPT-6.2 Astra, cujo preço de tabela é US$ 8 para entrada e US$ 40 para saída por milhão, são cobrados a US$ 4,80 e US$ 24. No GPT-6.2 Sol, a tabela de US$ 2 e US$ 10 passa a US$ 1,40 e US$ 7. Mesmos pesos, mesmo raciocínio, mesma janela de contexto. O GPT-6.2 Sol, o mais barato dos dois, recebe o mesmo tratamento: US$ 1,40 e US$ 7 na janela de oito horas contra US$ 2 e US$ 10 no Standard. O que mudou é o seu lugar em uma fila.

Esse trade-off foi lançado em 17 de novembro de 2026, na mesma janela de changelog dos dois modelos em si, e é fácil interpretá-lo erroneamente como um corte de preço. Não é. Um corte de preço acompanha o modelo onde quer que ele seja chamado. Uma janela de conclusão é uma flag em um endpoint, e toda propriedade que a torna valiosa para o agendador da OpenAI é uma propriedade que você precisa aceitar: sem streaming, sem compartilhamento de cache com o tráfego normal e um orçamento de limite de taxa que agora você compartilha com a Batch API.

O motivo de merecer mais do que uma linha em um changelog é que o desconto é excepcionalmente profundo para um nível que mantém a qualidade integral do modelo. O Batch tem 50% de desconto há anos, mas o Batch só aceita solicitações que você pode enviar como um arquivo e esquecer. Aqui, são 40% de desconto para uma conversa ao vivo com um agente, com turnos de acompanhamento e saída de ferramentas, desde que a conversa tolere uma fila. Para muitas cargas de trabalho de produção, essa é a diferença entre uma questão de viabilidade financeira e uma questão de arquitetura.

O que a janela é, em termos de API

O modo em segundo plano em si não é novo: é a forma da API Responses de executar uma solicitação longa de forma assíncrona. Você define background como true, recebe um ID de resposta de volta imediatamente e coleta o resultado mais tarde por meio de um webhook em response.completed ou consultando o endpoint de recuperação enquanto o status indica queued ou in_progress. O modo em segundo plano sempre foi sobre não manter uma conexão aberta durante a execução de um agente de vinte minutos.

A novidade é que a fila em segundo plano agora tem níveis com preços. background_options.completion_window aceita soonest, 2h ou 8h. Soonest é o padrão e não tem desconto; é o caso de "gerar um relatório enquanto alguém está esperando". 2h está 30% abaixo do Standard e 8h está 40% abaixo, e a documentação especifica que o cronômetro alvo começa quando a API aceita a solicitação inicial e vale para essa resposta.

“Tem como meta a conclusão dentro da janela selecionada” é a frase que deve ser lida duas vezes. É uma meta de agendamento, não uma garantia e nem um atraso fixo, e a própria orientação da API é que os horários de início dependem do agendamento. Uma solicitação na janela de oito horas não fica retida por oito horas para só então ser executada; ela é executada quando a capacidade permite e, se terminar em quatro minutos, você a recebe em quatro minutos. O que você abriu mão foi do direito de reclamar quando isso não acontece.

A escada em dólares

Ambos os modelos abrangidos pela janela, com preços em cada nível, por milhão de tokens, usando as tarifas Standard publicadas pela OpenAI como linha de base:

• GPT-6.2 Astra, Standard — US$ 8 de entrada, US$ 0,40 de entrada em cache, US$ 40 de saída

• GPT-6.2 Astra, janela de 2h — US$ 5,60 de entrada, US$ 0,28 em cache, US$ 28 de saída

• GPT-6.2 Astra, janela de 8h — US$ 4,80 de entrada, US$ 0,24 em cache, US$ 24 de saída

• GPT-6.2 Sol, Standard — US$ 2 de entrada, US$ 0,10 em cache, US$ 10 de saída

• GPT-6.2 Sol, janela de 2h — US$ 1,60 de entrada, US$ 0,08 em cache, US$ 8 de saída

• GPT-6.2 Sol, janela de 8h — $1,40 de entrada, $0,06 em cache, $7 de saída

• Para escala, o mesmo modelo na ponta rápida — o modo Fast dobra a tarifa Standard para $16 e $80; o Ultrafast é 3× o Standard a $24 e $120 até 28 de fevereiro de 2027 e 6× a $48 e $240 a partir de 1 de março de 2027

Three stacked bars showing what a 40% window does to a $4.00 Artificial Analysis task on GPT-6.2 Astra: $4.00 at Standard, about $2.80 in the 2h window and about $2.40 in the 8h window, beside a card breaking the $4.00 into $1.19 of cache reads, $1.10 of cache writes, $1.64 of output and $0.07 of uncached input. The OrcaRouter logo sits in the bottom-right corner.

Essas são tarifas de tokens, e tarifas de tokens não são o que uma tarefa custa. A fatura ponderada da Artificial Analysis para uma tarefa concluída do Intelligence Index no GPT-6.2 Astra chega a $4,00 no Standard, em seu índice v5.0.1 medido com esforço máximo. Se o desconto de janela fosse aplicado uniformemente às categorias dessa fatura, a mesma tarefa custaria $2,80 na janela de duas horas e $2,40 na de oito horas. Em dez mil tarefas, isso dá $28.000 e $24.000 em vez de $40.000.

Esse “se” faz um trabalho de verdade. A documentação da OpenAI descreve o desconto como aplicável às tarifas de tokens do modelo em cada solicitação elegível, incluindo as solicitações subsequentes, e sua página de preços repete a mesma formulação. Nenhuma das páginas detalha o desconto por categoria de token, e uma fatura de tokens nesse modelo não é majoritariamente entrada bruta: na medição da Artificial Analysis, US$ 1,19 dos US$ 4,00 eram leituras de cache, US$ 1,10 eram gravações de cache e apenas US$ 0,065 eram entrada não cacheada, com US$ 1,64 em saída. As gravações de cache têm preço próprio — US$ 10 por milhão para o cache de 30 minutos e US$ 20 para o cache de 12 horas —, então uma carga de trabalho dominada por gravar grandes prompts no cache pode não cair exatamente 40%. Trate os 40% como o formato do desconto e meça sua própria fatura em vez de presumir o multiplicador.

Quatro condições que você herda

O desconto não está disponível em todas as solicitações, e as exclusões são onde as implementações costumam falhar.

• Somente processamento Standard. Janelas com desconto exigem service_tier definido como default. Se você o deixar em auto, a solicitação só se qualifica quando a API selecionar Standard por acaso, o que significa que seu desconto se torna uma jogada de moeda que você não consegue prever.

• Sem streaming. O streaming funciona apenas com soonest. Para 2h e 8h você deve omitir stream ou defini-lo como false, e não é possível fazer streaming de uma resposta depois se ela não foi criada com streaming.

• Um limite de taxa compartilhado. As solicitações nas janelas de duas horas e de oito horas compartilham o limite de taxa de Batch/Background com jobs da Batch API, e os tokens de entrada são contados no envio. Um experimento que envia um documento de um milhão de tokens para o background de oito horas não apenas espera; ele consome a margem disponível que seus jobs de Batch estavam usando.

• Os acompanhamentos devem corresponder. A execução de um agente é uma cadeia, e o desconto sobrevive à cadeia somente se cada acompanhamento repetir a janela, o continuation_id, o modelo, o projeto e a configuração de segundo plano. Reutilize o ID de continuação e o acompanhamento também se torna elegível para prioridade mais alta na fila. Altere qualquer um desses e o próximo turno será uma solicitação Standard.

A 2x2 grid of cards headed 'Four things the window takes with it': Standard processing only with the Flex tier gone, no streaming so you receive the finished response rather than tokens, a rate limit shared with Batch jobs where input tokens count at submission, and a split prompt cache whose window-written entries are invisible to Standard requests. The OrcaRouter logo sits in the bottom-right corner.

Há uma quinta condição escondida nas regras de cache, e é a que tem a cauda mais longa. Solicitações padrão fora das janelas com desconto não podem reutilizar entradas de cache de prompt criadas por solicitações em segundo plano de duas ou oito horas, mesmo quando o prompt é idêntico, e o inverso também vale. Se metade do seu tráfego roda em uma janela e metade roda sob demanda, você dividiu silenciosamente seu cache de prompt em dois e está pagando para gravar o mesmo prefixo duas vezes. O desconto de um lado dessa divisão é compensado por uma gravação de cache do outro, e o modelo com gravação de cache de US$ 10 por milhão é exatamente o errado para se dividir.

O custo que não está na fatura

O desconto compra tokens com tempo, e o tempo não é limitado pela janela. Considere a revisão noturna de documento que a própria documentação usa como exemplo: uma solicitação de oito horas, uma chamada de ferramenta e um acompanhamento que traz de volta o documento recuperado. Ambas as respostas se qualificam para os 40%, e o alvo é reiniciado para a segunda. No melhor caso, toda a execução termina antes do café da manhã. No pior caso, cada uma das duas respostas leva quase todo o seu alvo, o que faz o teto ponta a ponta ser de aproximadamente dezesseis horas em vez de oito.

Essa aritmética não escala bem para agentes de longa duração. Um fluxo de trabalho de doze turnos que envia cada turno pela janela de oito horas tem um teto de quatro dias, e o escalonamento real fica em algum lugar entre o melhor caso e esse teto, sem distribuição publicada. A maneira honesta de implantar isso é decidir por fluxo de trabalho, não por chamada: um pipeline cujo resultado é consumido na manhã seguinte é um encaixe natural, e uma sessão interativa não é, não importa quantos tokens economizaria. A janela é um lance por capacidade barata, e lances são preenchidos quando há capacidade a preencher.

O buraco no Flex que ninguém menciona

Antes destas janelas, a forma de obter um desconto nesta família de modelos era service_tier: flex: 50% abaixo do Standard, com prioridade mais baixa. O Flex ainda existe nos modelos mais antigos — o GPT-6 Astra aparece a US$ 5 e US$ 25 na tabela Flex, contra US$ 10 e US$ 50 no Standard — mas o guia de referência da OpenAI afirma claramente que, a partir do GPT-6.2 Astra e Sol, os novos modelos são lançados sem processamento Flex, e que trabalhos de longa duração devem usar, em vez disso, janelas de conclusão com desconto com processamento Standard.

Leia os dois números lado a lado e a direção do movimento fica visível. Na geração anterior, um chamador disposto a esperar podia obter 50% de desconto. Nesta, o nível mais profundo é de 40%, e exige que você enquadre o trabalho como em segundo plano. A substituição não é uma melhoria direta em relação à opção antiga; é uma opção mais restrita com um desconto menor, e vem atrelada a um formato de requisição — assíncrono, sem streaming, com um único ID de resposta — que nem toda integração consegue adotar.

O processamento em lote ainda vai mais fundo, e é a ferramenta errada para metade disto.

A Batch API continua com 50% de desconto e prazo de 24 horas, e só no preço ela supera qualquer janela em segundo plano. A distinção é estrutural, e não uma questão de grau. O Batch recebe um arquivo JSONL de requisições independentes e retorna um arquivo de resultados; o fluxo de trabalho não tem memória entre as linhas. O modo background é para uma resposta por vez, com o estado da conversa levado adiante por meio de previous_response_id e de uma cadeia de chamadas de ferramentas que a aplicação precisa executar no meio do caminho.

Portanto, a decisão não é “qual é mais barato”, mas sim “minha carga de trabalho tem um meio”. Cinco mil chamadas de classificação independentes pertencem ao Batch e sempre pertenceram. Uma execução de agente que lê um documento, chama uma função e então escreve um relatório não pode ser expressa como um lote de forma alguma — sua segunda requisição não existe até que a primeira retorne. Essa é a lacuna que as janelas preenchem, e é uma lacuna real: os 40% são o primeiro desconto que a OpenAI ofereceu para trabalho com estado e multi-turno.

A nota de rodapé sobre armazenamento com consequências de conformidade

O modo em segundo plano armazena temporariamente os dados da resposta mesmo quando store é false ou o projeto usa Retenção Zero de Dados, porque a API precisa dos dados para executar a solicitação e tornar o resultado recuperável. Os dados são criptografados em repouso para todas as janelas, incluindo a mais próxima, e a orientação é salvar você mesmo a entrada original e a saída completa da resposta enquanto ainda pode recuperá-la. Não há um tempo de vida declarado para esse armazenamento temporário.

Para uma equipe que selecionou Zero Data Retention para uma carga de trabalho regulamentada, "armazenado temporariamente" é uma frase que precisa chegar a quem aprovou a revisão de tratamento de dados, e precisa chegar antes de a primeira tarefa de oito horas ser enfileirada, e não depois. O desconto não altera a postura de conformidade do endpoint; ele altera por quanto tempo uma solicitação e sua saída permanecem em um estado que você não consegue ver.

O que o roteamento acrescenta e não acrescenta aqui

Uma coisa sobre a qual vale a pena ser preciso, porque é fácil errar quando um desconto é anunciado: este é um recurso de agendamento, não um preço de tabela. A OrcaRouter repassa o preço de tabela do provedor com 0% de markup, e é por isso que um corte de preço genuíno da OpenAI aparece do nosso lado no mesmo dia — mas uma janela de conclusão é um sinalizador no endpoint da própria OpenAI e não acompanha o modelo. Chamar o GPT-6.2 Astra por meio de um roteador não reproduz os 40%, e nenhum roteador consegue, porque o desconto é concedido pelo agendador.

Isso deixa as duas coisas para as quais o roteamento é realmente útil neste formato de implantação. A primeira é a escolha do modelo: dos quatro modelos que as janelas cobrem — GPT-6.2 Astra, GPT-6.2 Sol, GPT-6.1 Terra e GPT-6 Luna —, a ponta mais barata já está no nosso catálogo com GPT-6 Luna e GPT-6.1 Sol a preço de tabela, então a decisão de camadas e a decisão de provedor ficam em uma única chave em vez de dois contratos. A segunda é proteger as chamadas que não podem esperar. Um sistema que coloca suas tarefas noturnas em uma janela de oito horas tornou seu caminho sensível à latência mais importante, não menos, e o failover automático nesse caminho é o que impede que um único incidente de provedor transforme uma chamada de cinco segundos em uma indisponibilidade. A fila e o failover são complementares: você gasta a paciência onde a tem, para poder ser intolerante em todo o resto.

OpenAI's developer documentation page for Responses API background mode, showing the background flag set to true, the background_options object with its completion_window values of soonest, 2h and 8h, and the notes on polling or webhook notification of the completed response.

A regra prática

Se uma resposta for consumida por um humano que está acompanhando, nada aqui se aplica: use o mais rápido possível, faça streaming e pague Standard. Se uma resposta for consumida por um job agendado, um relatório que chega antes de uma reunião matinal ou um pipeline cuja próxima etapa roda hoje à noite, a janela de oito horas é um desconto de 40% em tokens de qualidade total, e a única questão real é se sua integração consegue viver sem streaming e com um cache de prompt dividido. A janela de duas horas com 30% é o meio-termo incômodo — profunda o suficiente para valer uma mudança de arquitetura apenas se o trabalho for genuinamente limitado por prazo de duas horas, o que a maioria dos trabalhos em formato de lote não é.

O número a observar não é o percentual de desconto, mas a parcela do seu tráfego que já fica em espera. Equipes que executam agentes durante a noite estão obtendo 40% de desconto em uma fatura que pagariam de qualquer forma. Equipes que os executam de forma interativa recebem um desconto que não conseguem usar, em um modelo que não oferece mais o nível Flex de 50% que costumava ser sua alternativa. Esse segundo grupo deveria ler a página de preços antes da página de arquitetura, porque em 17 de novembro a maneira mais barata de chamar o GPT-6.2 Astra deixou de ser um nível que você seleciona e passou a ser uma programação que você aceita.

Comparados neste artigo1

Detectado a partir deste artigo · Benchmarks: Artificial Analysis · atualizado diariamente