Os modelos Flash são 10× mais baratos, mas quando a diferença de qualidade importa? Testamos 4 níveis de modelo em tarefas de codificação, raciocínio e criação.
Os modelos da classe Flash custam cerca de um décimo dos modelos de fronteira e respondem em um terço do tempo. A questão nunca é se são piores, mas se a lacuna aparece na sua tarefa específica.
Onde a lacuna desaparece
- Classificação e roteamento: nenhuma diferença mensurável acima de 200 exemplos rotulados no prompt
- Extração contra um esquema estrito: flash corresponde à fronteira quando o utilizador fornece o esquema explicitamente
- Breve resumo em tokens de 4k: dentro de 2 pontos na preferência humana
- Tradução de pares de línguas comuns: indistinguível na revisão cega
Onde não
Raciocínio em várias etapas, código que precisa ser compilado e qualquer coisa que exija que o modelo perceba que a questão está sutilmente errada. Em nosso benchmark de codificação, a camada de fronteira passou em 78% das tarefas e a camada de flash em 44% – uma lacuna sem quantidade de prompts fechada.
O padrão certo é uma cascata: respostas rápidas, um validador barato verifica e apenas as falhas aumentam. Isso captura a maior parte da economia e quase nenhuma perda de qualidade.
Implementando a cascata
resp = client.chat.completions.create(
model="qwen-3.8-flash",
messages=messages,
extra_body={"amplink": {"escalate": {
"to": "gpt-5",
"when": "schema_invalid or confidence < 0.7"
}}},
)
Entre os locatários que executam cascatas, 83% do tráfego termina na camada flash. O custo combinado chega perto de 2,4x o preço flash, em vez de 10x o preço limite.