Calculadora de custos RAG com Qwen3: embeddings e candidatos de reranking

Em um sistema RAG que pesquisa uma base de conhecimento de suporte, o custo de reordenar documentos pode depender mais do número de trechos candidatos do que do tamanho do índice vetorial. No orçamento abaixo, aumentar de 20 para 100 candidatos multiplica por cinco o volume de entrada do reranking. Solicitar apenas cinco resultados não significa, por si só, que o serviço avaliou somente cinco trechos.

Este guia reúne os preços atuais da Orux para qwen3-embedding-8b e qwen3-reranker-8b e uma calculadora Python que funciona offline. O objetivo é ajudar a definir um orçamento inicial de candidatos e escolher o que medir depois. A aritmética foi executada localmente; não fizemos novas chamadas de modelo nem benchmarks de recuperação para este artigo. Todas as cargas são hipóteses explícitas, não medições da sua aplicação.

Separe indexação, embeddings das consultas e reranking

Um modelo de embeddings transforma texto em vetores comparáveis. Um reranker recebe uma consulta e documentos candidatos e calcula sua relevância. São trabalhos diferentes: normalmente, um documento sem alterações é vetorizado uma vez durante a construção do índice; o reranking acontece quando a consulta chega e os candidatos já foram selecionados. Os modelos originais estão descritos nos cartões de Qwen Embedding e Qwen Reranker.

Mantenha três contadores no orçamento: tokens de documentos vetorizados na indexação ou atualização, tokens de consultas transformadas em embeddings e tokens dos pares consulta-documento avaliados no reranking. Não multiplique todo o corpus pelo total mensal de buscas, a menos que sua implementação realmente envie tudo em cada pesquisa. Por outro lado, numa estimativa por pares, não conte a consulta uma única vez: ela acompanha cada documento candidato.

O modelo de linguagem que escreve a resposta é um quarto custo. Armazenamento vetorial, infraestrutura de busca, tráfego de rede e impostos aplicáveis também ficam fora da calculadora. Separar esses itens permite investigar uma fatura inesperada sem atribuir toda cobrança ao modelo de resposta.

Preços atuais: compare na mesma unidade

Estes são os preços públicos de entrada da Orux verificados em 30 de outubro de 2026. São preços do serviço, não tarifas oficiais das APIs hospedadas pelos criadores nem uma comparação de qualidade. Um Credit equivale a aproximadamente $0.005. Um zero mostra o preço configurado naquele momento, sem prometer gratuidade permanente, capacidade ilimitada ou sucesso em futuras solicitações.

Deslize para os lados para ver toda a tabela.

Veja as alternativas bge-m3 e bge-reranker-v2-m3. O preço zero é um motivo para examinar a oferta atual, não uma prova de que ela atende aos requisitos de relevância, latência ou idiomas. Confira acesso, limites e cotação antes de depender de uma oferta.

A comparação de custo por chamada de LLM trata de outra etapa: geração de respostas. O guia de preços da API DeepSeek também aborda geração de texto, não recuperação vetorial. Nenhum substitui uma tabela de preços de reranking.

Exemplo de orçamento para busca de suporte

Suponha uma base com 10,000 trechos de 400 tokens cada. No primeiro período, são realizadas 10,000 buscas, com consultas de 40 tokens em média. Comparamos 20, 50 e 100 candidatos por busca. Esses comprimentos são parâmetros de planejamento: idioma, tokenizador, formatação e composição documental podem alterar o uso real.

A indexação inicial usa 10,000 × 400 = 4,000,000 tokens, ou 46.6668 Credits na tarifa de embeddings Qwen. As consultas usam 10,000 × 40 = 400,000 tokens, ou 4.66668 Credits. As duas etapas somam 51.33348 Credits. Neste exemplo, a indexação é um componente inicial, não uma cobrança recorrente para um corpus inalterado.

A fórmula ilustrativa do reranking é buscas × candidatos × (tokens do documento + tokens da consulta). Com 20 candidatos, são 10,000 × 20 × 440 = 88,000,000 tokens de entrada. Multiplicar 88 por 11.6667 resulta em 1,026.6696 Credits. É uma estimativa de capacidade, não um substituto do uso medido ou do registro de cobrança, e não inclui a formatação adicional específica de cada modelo.

Deslize para os lados para ver toda a tabela.

O total inclui indexação inicial, embeddings das consultas e reranking, mas não a geração de respostas. Se o índice não mudar no período seguinte, subtraia 46.6668 Credits. Se houver atualização parcial, substitua esse valor pelo custo dos tokens realmente vetorizados novamente. Não apresente a tabela como resultado de latência ou precisão.

Nessas hipóteses, passar de 20 para 50 candidatos custa 2.5 vezes mais na etapa de reranking; passar para 100 custa cinco vezes mais. As proporções vêm da fórmula de carga, não de uma melhora equivalente na qualidade. O diagrama é um cálculo editorial, não uma saída gerada pelo modelo.

Execute a calculadora sem chave de API

Salve o código como budget.py e execute python3 budget.py. Ele usa apenas a biblioteca padrão do Python e não faz chamadas de rede. Decimal preserva a tarifa publicada sem converter valores monetários por ponto flutuante binário. Altere a tarifa e a carga antes de usar outra data de preços ou outra aplicação.

"""Scenario calculator, not a tokenizer or a measured API bill. No network calls."""
from decimal import Decimal
RATE = Decimal('11.6667')  # Credits per 1M input tokens, checked 2026-10-30
USD_PER_CREDIT = Decimal('0.005')
QUERIES, CHUNKS, DOCUMENT_TOKENS, QUERY_TOKENS = 10000, 10000, 400, 40

def credits(tokens):
    return Decimal(tokens) * RATE / Decimal(1000000)

def scenario(candidates):
    index_tokens = CHUNKS * DOCUMENT_TOKENS
    query_tokens = QUERIES * QUERY_TOKENS
    pair_tokens = QUERIES * candidates * (DOCUMENT_TOKENS + QUERY_TOKENS)
    rerank = credits(pair_tokens)
    total = credits(index_tokens + query_tokens) + rerank
    return pair_tokens, rerank, total, total * USD_PER_CREDIT

if __name__ == '__main__':
    assert credits(4000000) == Decimal('46.6668')
    assert scenario(20)[1] == Decimal('1026.6696')
    assert scenario(50)[1] / scenario(20)[1] == Decimal('2.5')
    assert scenario(100)[1] / scenario(20)[1] == Decimal('5')
    print('k | rerank tokens | rerank Credits | first-period Credits | USD equivalent')
    for k in (20, 50, 100):
        print(k, *scenario(k), sep=' | ')

As asserções verificam a indexação e as duas proporções entre quantidades de candidatos. A saída reproduz a tabela. Isso valida a calculadora, não a qualidade dos modelos ou os tokens exatos que uma chamada hospedada informará. O próximo passo operacional é comparar o primeiro registro real de uso com a estimativa e substituir os comprimentos médios presumidos de documentos e consultas.

Quantidade de candidatos não é quantidade de resultados

O formulário atual de reranking da Orux tem query, documents e o opcional top_n. O array de documentos determina quais trechos serão avaliados. Trate top_n como o número de resultados desejado, não como substituto de reduzir as entradas para controlar custos. Para comparar 20 e 100 candidatos, prepare efetivamente dois conjuntos diferentes.

Uma chamada de embeddings usa input e o formato atualmente exposto encoding_format: "float". As opções nativas e o formulário hospedado são contratos diferentes: não suponha que todas as funções do cartão do modelo estejam disponíveis como parâmetros Orux. Confira o alias exato e o formulário atual antes de integrar.

Para uma consulta como “Como altero o e-mail de faturamento?”, recupere primeiro candidatos nos seus documentos autorizados e envie apenas esses trechos ao reranker. Preserve IDs junto aos textos para relacionar índices ou resultados retornados às fontes. Uma pontuação sinaliza relevância, mas não confirma atualização, permissão de acesso do usuário ou suficiência para responder.

Escolha o menor conjunto que preserve evidências úteis

Um reranker não recupera um trecho que nunca entrou no conjunto de candidatos. Reduzir candidatos, portanto, não é uma otimização incondicional. Comece com perguntas de suporte representativas e rotuladas: nomes exatos de produtos, frases ambíguas, mudanças recentes de políticas e perguntas sem resposta válida. Antes da comparação, registre quais trechos uma resposta correta exige.

Para cada orçamento, meça se o trecho necessário foi recuperado antes do reranking, sua posição depois e se a geração recebe evidência suficiente. Registre latência e uso cobrado separadamente. Se o trecho já estiver ausente antes da reordenação, investigue recuperação e preparação documental; um reranker maior ou mais caro não avalia documentos que não recebeu.

Mantenha o conjunto de avaliação e a versão dos documentos estáveis ao comparar 20, 50 e 100 candidatos. Caso contrário, atualizar o corpus pode parecer uma melhoria do modelo. Não há aqui uma quantidade universalmente vencedora. Mantenha a configuração mais barata apenas se a cobertura de evidências e a experiência medidas continuarem aceitáveis. Repita a verificação quando comprimentos, composição do tráfego ou preços mudarem significativamente.

Perguntas frequentes

Q.O total do primeiro período é uma fatura de API garantida?

Não. É uma estimativa baseada em hipóteses explícitas e preços de uma data. Exclui formatação adicional, diferenças reais de tokenização, geração de respostas e infraestrutura. Use-a para comparar candidatos de forma consistente e confira as primeiras chamadas nos registros de uso e cobrança antes de tratá-la como previsão.

Q.Definir top_n como cinco custa o mesmo que cinco candidatos?

Não presuma isso: a solicitação ainda contém todos os documentos enviados para avaliação. Separe candidatos de entrada e resultados retornados. Para testar o efeito de menos candidatos no orçamento, reduza documents e confirme que as evidências importantes continuam disponíveis.

Q.Documentos inalterados precisam de embeddings em toda consulta?

Não no fluxo baseado em índice descrito aqui. Os embeddings são armazenados e reutilizados até que o conteúdo ou a configuração mude. O embedding das consultas é uma etapa separada. Conte adições, edições e reindexações deliberadas, em vez de multiplicar o corpus completo por cada busca.

Q.O preço zero do BGE prova que ele é a melhor escolha?

Não. Ele estabelece apenas uma observação de preço na data consultada. Não informa qualidade de recuperação, condições de acesso, latência ou preços futuros. Avalie a alternativa com perguntas representativas e confira sua página atual antes de depender dela em produção.

Q.A calculadora chama um modelo ou gasta Credits?

Não. O exemplo faz aritmética local com a biblioteca padrão, sem chave de API ou chamada de rede. Ele demonstra relações de orçamento e não gera embeddings ou pontuações de relevância. Um teste posterior com modelo hospedado é uma operação separada, sujeita aos preços e limites vigentes.

Preços verificados em 2026-10-30. Fontes: Qwen Embedding na Orux, Qwen Reranker na Orux, BGE Embedding na Orux, BGE Reranker na Orux e os dois cartões Qwen citados acima.