En un flujo de trabajo típico de IA, es posible que pases los mismos tokens de entrada una y otra vez a un modelo. La API de Gemini ofrece dos mecanismos de almacenamiento en caché diferentes:
- Almacenamiento en caché implícito (se habilita automáticamente en los modelos de Gemini 2.5, sin garantía de ahorro de costos)
- Almacenamiento en caché explícito (se puede habilitar manualmente en la mayoría de los modelos, garantía de ahorro de costos)
El almacenamiento en caché explícito es útil en los casos en los que deseas garantizar ahorros en los costos, pero con algo de trabajo adicional para el desarrollador.
Almacenamiento en caché implícito
El almacenamiento en caché implícito está habilitado de forma predeterminada para todos los modelos de Gemini 2.5. Si tu solicitud llega a las memorias caché, te transferimos automáticamente los ahorros en costos. No es necesario que realices ninguna acción para habilitar esta función. Entrará en vigencia el 8 de mayo de 2025. La cantidad mínima de tokens de entrada para el almacenamiento en caché del contexto es de 1,024 para 2.5 Flash y de 4,096 para 2.5 Pro.
Para aumentar las probabilidades de que se produzca un acierto de caché implícito, haz lo siguiente:
- Intenta colocar contenido grande y común al principio de tu instrucción.
- Intenta enviar solicitudes con prefijos similares en un corto período
Puedes ver la cantidad de tokens que fueron aciertos de caché en el campo usage_metadata del objeto de respuesta.
Almacenamiento en caché explícito
Con la función de almacenamiento explícito en caché de la API de Gemini, puedes pasar contenido al modelo una vez, almacenar en caché los tokens de entrada y, luego, hacer referencia a los tokens almacenados en caché para las solicitudes posteriores. Con ciertos volúmenes, usar tokens almacenados en caché es más económico que pasar el mismo corpus de tokens de forma repetida.
Cuando almacenas en caché un conjunto de tokens, puedes elegir cuánto tiempo quieres que exista la caché antes de que los tokens se borren automáticamente. Esta duración del almacenamiento en caché se denomina tiempo de actividad (TTL). Si no se establece, el TTL predeterminado es de 1 hora. El costo del almacenamiento en caché depende del tamaño de los tokens de entrada y del tiempo que desees que persistan los tokens.
En esta sección, se supone que instalaste un SDK de Gemini (o tienes curl instalado) y que configuraste una clave de API, como se muestra en la guía de inicio rápido.
Almacenamiento en caché explícito con la biblioteca de OpenAI
Si usas una biblioteca de OpenAI, puedes habilitar el almacenamiento en caché explícito con la propiedad cached_content en extra_body.
Cuándo usar el almacenamiento en caché explícito
El almacenamiento en caché del contexto es especialmente adecuado para situaciones en las que las solicitudes más cortas hacen referencia repetidamente a un contexto inicial sustancial. Considera usar el almacenamiento en caché de contexto para casos de uso como los siguientes:
- Chatbots con instrucciones del sistema extensas
- Análisis repetitivo de archivos de video extensos
- Consultas recurrentes en grandes conjuntos de documentos
- Análisis frecuente del repositorio de código o corrección de errores
Cómo el almacenamiento en caché explícito reduce los costos
El almacenamiento en caché del contexto es una función pagada diseñada para reducir los costos operativos generales. La facturación se basa en los siguientes factores:
- Cantidad de tokens almacenados en caché: Es la cantidad de tokens de entrada almacenados en caché, que se facturan a una tarifa reducida cuando se incluyen en instrucciones posteriores.
- Duración del almacenamiento: Es la cantidad de tiempo que se almacenan los tokens en caché (TTL), y se factura según la duración del TTL del recuento de tokens en caché. No hay límites mínimos ni máximos para el TTL.
- Otros factores: Se aplican otros cargos, como los de los tokens de entrada y salida no almacenados en caché.
Para obtener detalles actualizados sobre los precios, consulta la página de precios de la API de Gemini. Para obtener información sobre cómo contar tokens, consulta la guía de tokens.
Consideraciones adicionales
Ten en cuenta las siguientes consideraciones cuando uses el almacenamiento en caché del contexto:
- El recuento de tokens de entrada mínimo para el almacenamiento en caché del contexto es de 1,024 para 2.5 Flash y de 2,048 para 2.5 Pro. El máximo es el mismo que el máximo para el modelo determinado. (Para obtener más información sobre el recuento de tokens, consulta la Guía de tokens).
- El modelo no distingue entre los tokens almacenados en caché y los tokens de entrada normales. El contenido almacenado en caché es un prefijo de la instrucción.
- No hay límites especiales de tarifas o uso en el almacenamiento en caché del contexto; se aplican los límites de tarifas estándar para
GenerateContent, y los límites de tokens incluyen los tokens almacenados en caché. - La cantidad de tokens almacenados en caché se devuelve en
usage_metadatadesde las operaciones de creación, obtención y enumeración del servicio de caché, y también enGenerateContentcuando se usa la caché.