OpenAI: o3 contra Pareto 26.9
Uma comparação lado a lado entre OpenAI: o3 (US$ 7,00 / 1M fragmentos (≈ R$ 38,28)) e Pareto 26.9 (US$ 8,75 / 1M fragmentos (≈ R$ 47,85)) com preços em USD e recursos atuais do catálogo do api14. Os dois funcionam pela mesma API compatível com OpenAI.
Especificações
| OpenAI: o3 | Pareto 26.9 | |
|---|---|---|
| Provedor | OpenAI | Unbiased |
| Entrada | US$ 7,00 / 1M fragmentos (≈ R$ 38,28) | US$ 8,75 / 1M fragmentos (≈ R$ 47,85) |
| Saída | US$ 28,00 / 1M fragmentos (≈ R$ 153,11) | US$ 26,25 / 1M fragmentos (≈ R$ 143,54) |
| Leitura de cache | US$ 1,75 / 1M fragmentos (≈ R$ 9,57) | US$ 0,88 / 1M fragmentos (≈ R$ 4,78) |
| Busca na web | US$ 35,00 / 1 mil buscas (≈ R$ 191,39) | - |
| Janela de contexto | 200.000 | 262.144 |
| Saída máxima | 100.000 | 131.072 |
| Entrada | image, text, file | text, image |
| Saída | text | text |
| chamada de ferramentas | ||
| Saída estruturada | ||
| Controle de raciocínio | ||
| Adicionado em | 16 de abr. de 2025 | 13 de out. de 2026 |
Principais diferenças
- OpenAI: o3 é 20% mais barato nos tokens de entrada.
- Pareto 26.9 é 6% mais barato nos tokens de saída.
- Pareto 26.9 lê 1.3× mais contexto (262.144 tokens).
- Só o OpenAI: o3 suporta saída JSON estruturada.
- Só o OpenAI: o3 suporta controle do esforço de raciocínio.
- Uma requisição com 1.000 tokens de entrada e 500 de saída custa US$ 0,02 com OpenAI: o3 e US$ 0,02 com Pareto 26.9.
Em detalhe
OpenAI: o3 é um modelo de texto da OpenAI, lançado em 2025-04-16. Pareto 26.9 é um modelo de texto da Unbiased, lançado em 2026-10-13. Ambos são servidos através do api14 como modelos de estilo chat, e ambos aceitam entrada de texto e imagem e devolvem saída de texto, portanto ao nível da forma básica do pedido são intercambiáveis.
As diferenças aparecem no contexto, nas modalidades e nos parâmetros. Pareto 26.9 tem a janela de contexto maior, com 262144 tokens, enquanto o3 fica nos 200000 tokens. o3 aceita entrada de ficheiro além de texto e imagem, o que Pareto 26.9 não faz. Nos parâmetros, o3 expõe controlos de raciocínio (include_reasoning e reasoning) e structured_outputs, e Pareto 26.9 não expõe nenhum desses. Pareto 26.9 expõe em vez disso temperature e top_p, que o3 não lista. Ambos suportam tools, tool_choice, max_tokens e response_format, portanto a chamada de funções e a saída em estilo JSON estão disponíveis em qualquer dos lados. Os campos de preço apontam em direções opostas: o3 é a opção mais barata na entrada, Pareto 26.9 é a opção mais barata na saída. Trate esses valores apenas como indicativos e consulte a tabela de preços em tempo real nesta página para os números que se aplicam ao seu perfil de tráfego.
Para a seleção de tarefas, os parâmetros de raciocínio e de saída estruturada fazem de o3 a escolha natural quando precisa que o modelo trabalhe um problema antes de responder, ou quando quer restringir a resposta a um esquema através de structured_outputs em vez de analisar texto livre. É também a escolha quando a sua entrada inclui ficheiros, uma vez que essa modalidade só existe em o3. Pareto 26.9 é a escolha quando o próprio prompt é muito grande, porque a sua janela de contexto é maior, e quando quer controlo direto sobre a amostragem através de temperature e top_p. Se a sua carga de trabalho for intensiva em saída, Pareto 26.9 é também o lado mais barato no preço de saída, o que importa mais quanto mais longas forem as suas conclusões.
Chamar qualquer dos modelos através do api14 funciona da mesma forma. Ambos são compatíveis com OpenAI, portanto aponta o seu cliente existente para o URL base do api14, envia um pedido padrão de chat completions e altera apenas o id do modelo: "openai/o3" para o3, "unbiased/pareto-26.9" para Pareto 26.9. O seu array de mensagens, as definições de ferramentas e o tratamento de respostas mantêm-se como estão. A única coisa a que deve estar atento são os parâmetros: se enviar temperature ou top_p para o3, ou reasoning ou structured_outputs para Pareto 26.9, esses campos não estão na lista de suportados desse modelo, portanto mantenha conjuntos de parâmetros por modelo em vez de uma única carga partilhada.
Ainda há casos em que o outro modelo ganha. Se se decidiu por Pareto 26.9 para um pipeline de contexto longo mas um único passo precisa de uma resposta restringida a um esquema, o3 é a melhor escolha para esse passo porque structured_outputs só está listado aí. Inversamente, se está a usar o3 para uma tarefa que é sobretudo saída longa e não é necessário raciocínio, Pareto 26.9 é a melhor escolha no preço de saída e dá-lhe controlo de temperature que o3 não tem.
Troque com uma string
Os dois modelos usam o mesmo endpoint e o mesmo formato de requisição. Mude o valor de model de "openai/o3" para "unbiased/pareto-26.9", prompts, streaming e ferramentas continuam funcionando.
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const result = await client.chat.completions.create({
"model": "unbiased/pareto-26.9",
"messages": [
{
"role": "user",
"content": "Explain vector databases in two sentences."
}
]
});
console.log(result.choices[0].message.content);
Mais comparações
- LiquidAI: LFM3-1.7B contra Ricursive: Ripple 65B Preview
- LiquidAI: LFM3-1.7B contra Crouton Alpha
- LiquidAI: LFM3-1.7B contra Tencent: Hy4
- LiquidAI: LFM3-1.7B contra Z.ai: GLM 5.3 FlashX Legal
- Ricursive: Ripple 65B Preview contra Crouton Alpha
- Ricursive: Ripple 65B Preview contra Tencent: Hy4
- Ricursive: Ripple 65B Preview contra Z.ai: GLM 5.3 FlashX Legal
- Crouton Alpha contra Tencent: Hy4