Union Alpha chega com 262 mil tokens de contexto e preço zero

Se você usa modelos em produção, a parte que muda a conta é direta: o Union Alpha aparece no OpenRouter com entrada e saída a US$ 0 por milhão de tokens. A outra cifra importante é a janela de contexto de 262.144 tokens. É espaço suficiente para aplicações que precisam enviar documentos extensos, históricos longos ou grandes blocos de código em uma única solicitação.

O ponto de atenção é que preço zero não equivale a desempenho comprovado. O modelo estreia sem nota de inteligência, código ou uso agêntico no Artificial Analysis. Também não há, nos dados disponíveis, informação sobre pesos abertos, quantidade de parâmetros ou país de origem.

O que mudou para quem paga API

O Union Alpha, identificado como stealth/union-alpha, entrou no catálogo em 16 de setembro de 2026. O preço listado é de US$ 0 por milhão de tokens de entrada e de saída. Isso elimina, no registro atual, o custo de inferência diretamente associado ao modelo.

A palavra importante é “listado”. O preço é o praticado no OpenRouter nesta data, não uma promessa de que o valor permanecerá igual nem uma garantia de disponibilidade irrestrita. Antes de trocar um modelo pago por ele, você ainda precisa conferir limites, estabilidade, latência, políticas de uso e comportamento em tarefas reais. Esses pontos não aparecem nas informações disponíveis.

Para um protótipo, uma ferramenta interna ou uma etapa de triagem, a combinação pode ser especialmente atraente: contexto de 262.144 tokens e custo de entrada e saída zerado. Para uma API crítica, o benefício financeiro só existe se o modelo entregar qualidade e disponibilidade compatíveis com a operação.

Contexto grande não é desempenho alto

O Union Alpha não é o único modelo com janela extensa no catálogo. O ByteDance Seed-2.0-Code, o Seed-2.0-Lite e o Seed-2.0-Mini também aparecem com 262.144 tokens de contexto, mas custam, respectivamente, US$ 0,50 e US$ 3, US$ 0,25 e US$ 2, e US$ 0,10 e US$ 0,40 por milhão de tokens de entrada e saída.

Há janelas ainda maiores. O Gemini 2.0 Flash e o Gemini 2.0 Flash Lite têm 1.048.576 tokens de contexto. O primeiro custa US$ 0,10 por milhão de tokens de entrada e US$ 0,40 de saída; o segundo, US$ 0,075 e US$ 0,30. O LongCat 2.0 chega a 1.048.756 tokens, com preços de US$ 0,30 e US$ 1,20.

A comparação mostra a tensão do lançamento: o Union Alpha combina um contexto que já é grande com preço zero, mas não oferece, por enquanto, dados para dizer se é melhor em raciocínio, programação ou agentes. Janela de contexto mede quanto cabe na solicitação. Não mede, sozinha, o quanto o modelo entende ou executa corretamente.

Para quem vale — e para quem não muda nada

O lançamento vale mais para você se o custo de tokens é uma restrição imediata e o caso de uso tolera testes. Sistemas de busca sobre documentos, classificação de grandes entradas, sumarização e experimentos com prompts longos podem usar o preço atual para reduzir o risco financeiro durante a avaliação.

Também pode interessar a equipes que precisam comparar modelos sem comprometer orçamento. Com 599 modelos e 71 criadores no catálogo, segundo os números do OpenRouter, a escolha não depende apenas de encontrar o menor preço. O custo de integração, a consistência das respostas e a capacidade de atender picos também entram na conta.

Para quem precisa de qualidade medida, não muda nada ainda. O Artificial Analysis não registra notas de inteligência, código ou uso agêntico para o Union Alpha. Sem esses indicadores, não há base para colocá-lo ao lado dos líderes do índice: o Claude Fable 5.1, na configuração Adaptive Reasoning, Max Effort, aparece com nota de inteligência de 53,4 e preço de US$ 20 por milhão de tokens; o GPT-6 Astra, na configuração max, tem nota 52,8 pelo mesmo preço.

A decisão prática

O teste mais racional é colocar o Union Alpha em uma rota não crítica, medir taxa de erro, tempo de resposta e volume real de tokens, e só então avaliar uma migração. O preço de US$ 0 torna barato experimentar; não torna barato corrigir uma resposta errada que chegou ao usuário.

Se o modelo passar nos seus testes, o ganho potencial está em combinar contexto longo com uma fatura de inferência zerada. Se não passar, os números do lançamento continuam sendo apenas uma oportunidade de benchmark, não uma substituição automática para o modelo que já sustenta sua aplicação.