Os limites de taxa de APIs de IA determinam quantas requisições (RPM) e quantos tokens (TPM) uma organização ou projeto pode enviar em uma janela de tempo fixa; quando qualquer limite é ultrapassado, um erro HTTP 429 é retornado. Os provedores aplicam essas cotas para prevenir abusos, manter o acesso justo e proteger a infraestrutura compartilhada de modelos, além de oferecer endpoints em lote para cargas de trabalho offline.
No meu trabalho de projetar integrações de API na Lotook, a maioria das surpresas em produção acontece quando as equipes acompanham os gastos mensais, mas ignoram a taxa de processamento por minuto e os curtos intervalos de rajadas. Como os provedores avaliam vários contadores independentes a cada chamada, entender cada dimensão antes de o tráfego crescer ajuda a manter estáveis os processos em segundo plano e os recursos voltados aos usuários.
O que significam RPM, TPM e RPD em APIs de IA?
Os limites de taxa de APIs de IA medem o tráfego em várias dimensões paralelas, incluindo requisições por minuto (RPM), tokens por minuto (TPM) e cotas diárias, como requisições por dia (RPD) ou tokens por dia (TPD). Dependendo do endpoint, os provedores também podem impor limites de unidades, como imagens por minuto (IPM) ou minutos de áudio por minuto em modelos de áudio em streaming.
Se você ainda está conhecendo como os provedores contam o volume de texto, consulte nosso guia sobre o que é um token em IA. Alguns fornecedores acompanham os TPM combinados, enquanto outros dividem os orçamentos de tokens entre tokens de entrada por minuto (ITPM) e tokens de saída por minuto (OTPM).
A regra operacional mais importante é que ultrapassar qualquer um dos limites aplicáveis gera um erro de limite de taxa, mesmo quando todas as outras métricas ainda têm bastante margem. A documentação da OpenAI ilustra isso com um exemplo simples: enviar 20 requisições pequenas em um minuto esgota um limite de 20 RPM, mesmo que o orçamento de TPM continue quase todo disponível. Por outro lado, enviar alguns prompts enormes com grandes alocações de saída pode esgotar os TPM muito antes de você chegar perto do teto de RPM.
Como funcionam os limites de taxa e os níveis de uso da OpenAI?
A OpenAI aplica limites de taxa nos níveis de organização e projeto, e não no nível de cada usuário; esses limites variam conforme o modelo e o nível de uso. Em 17 de novembro de 2026, a documentação de limites da OpenAI informa que algumas famílias de modelos compartilham um teto combinado: por exemplo, se o TPM compartilhado for de 3.5 milhões, as chamadas a todos os modelos do grupo contam para o mesmo conjunto de 3.5 milhões.
Certas cargas de trabalho também têm cotas separadas. Modelos de contexto longo (como GPT-5.5 na documentação da OpenAI) podem ter um limite de taxa dedicado a requisições de contexto longo no console do desenvolvedor. A ingestão em armazenamento vetorial é limitada a 300 RPM por ID de armazenamento, compartilhados entre /vector_stores/{vector_store_id}/files e /.../file_batches; por isso, a OpenAI recomenda file_batches para ingestões maiores.
A OpenAI atribui organizações automaticamente a níveis pagos quando o total de compras de créditos ultrapassa cada patamar, liberando limites de taxa e limites mensais de uso aprovados mais altos. Um limite mensal de uso aprovado é diferente de qualquer limite de gastos opcional configurado por você, e a presença de um modelo em uma tabela de limites não confirma que sua organização ou chave tenha acesso a ele. Para uma visão mais ampla dos custos entre provedores, veja nossa comparação de preços de APIs de IA.
| Nível | Requisito | Limites de uso |
|---|---|---|
| Free | O usuário deve estar em uma região permitida | $100 / mês |
| Build | $5 em compras totais de créditos | $500 / mês |
| Launch | $100 em compras totais de créditos | $5,000 / mês |
| Grow | $500 em compras totais de créditos | $200,000 / mês |
Níveis e limites mensais de uso da OpenAI em 17 de novembro de 2026, segundo o guia de limites de taxa da OpenAI.
Dentro desses níveis pagos, a OpenAI publica limites de taxa Standard para modelos como Astra, Sol, Terra e Luna. Esses valores Standard são diferentes dos limites Ultrafast, e a OpenAI recomenda conferir seus números atuais em Settings > Organization > Limits.
| Nível | Modelo | RPM | TPM |
|---|---|---|---|
| Build | Astra, Sol, Terra | 5,000 | 1,000,000 |
| Build | Luna | 5,000 | 2,000,000 |
| Launch | Astra, Sol, Terra | 10,000 | 4,000,000 |
| Launch | Luna | 10,000 | 10,000,000 |
| Grow | Astra, Sol, Terra | 15,000 | 40,000,000 |
| Grow | Luna | 30,000 | 180,000,000 |
Limites de taxa Standard publicados pela OpenAI em 17 de novembro de 2026, segundo sua documentação para desenvolvedores.
Limites de taxa, cache e limites de aumento da Anthropic Claude
A Anthropic mede os limites de taxa da Messages API em RPM, ITPM e OTPM para cada classe de modelo e retorna uma resposta 429 que identifica o limite ultrapassado quando o tráfego cruza um patamar. Quando a resposta inclui um cabeçalho retry-after, a documentação da Anthropic orienta quem faz a chamada a esperar pelo menos o número de segundos indicado antes de tentar novamente.
A Anthropic também usa uma contabilização de ITPM que considera o cache, alterando o efeito do cache de prompts na taxa de processamento. Por padrão, os ITPM contam apenas os input_tokens após o último ponto de interrupção do cache mais os cache_creation_input_tokens. O ponto crucial é que cache_read_input_tokens não contam para ITPM. A Anthropic estima os ITPM no início de cada requisição e ajusta a contagem durante a execução, oferecendo capacidade efetiva de entrada significativamente maior para cargas que usam muito o cache. (Não suponha que a OpenAI ou o Google Gemini isentem leituras em cache dos limites de tokens da mesma forma, a menos que suas próprias documentações afirmem isso explicitamente.)
Mesmo abaixo de ITPM e OTPM, picos acentuados de tráfego podem acionar os limites de aumento da Anthropic. Uma rajada de apenas alguns segundos pode ser considerada um aumento brusco. A Anthropic calcula o limite de aumento como o maior uso recente por minuto daquele modelo pela organização mais um incremento fixo. A cada minuto, você pode subir um incremento acima do pico recente até atingir o limite completo do seu nível, e a quantidade permitida nunca cai abaixo de um piso inicial, mesmo após períodos de inatividade.
| Nível | Modelo | RPM | ITPM | OTPM |
|---|---|---|---|---|
| Start | Claude Opus 5.5 | 4,000 | 2,000,000 | 400,000 |
| Start | Claude Sonnet 5.5 | 4,000 | 2,000,000 | 400,000 |
| Build | Claude Opus 5.5 | 10,000 | 5,000,000 | 1,000,000 |
| Build | Claude Sonnet 5.5 | 10,000 | 5,000,000 | 1,000,000 |
| Scale | Claude Opus 5.5 | 13,000 | 10,000,000 | 2,000,000 |
| Scale | Claude Sonnet 5.5 | 13,000 | 10,000,000 | 2,000,000 |
Exemplos de limites por nível da Anthropic Messages API em 17 de novembro de 2026, segundo a documentação da Anthropic. Consulte seu console e a tabela oficial completa para outras classes de modelos e limites específicos da conta.
Limites de taxa e tetos de gastos da Google Gemini API
Os limites de taxa da Google Gemini API se aplicam por projeto, e não por chave de API, e normalmente acompanham RPM, TPM de entrada e RPD. As cotas diárias de RPD são redefinidas à meia-noite no horário do Pacífico. O Google informa que os limites publicados variam por modelo e nível, são mais restritos em modelos experimentais e de prévia e não são garantidos. Portanto, confira os números ativos do seu modelo diretamente no Google AI Studio, em vez de depender de estimativas estáticas.
O Gemini também aplica cotas específicas de modelos e ferramentas. Modelos que geram imagens podem ter limites de IPM e alguns modelos incluem limites de TPD, enquanto ferramentas integradas têm seus próprios tetos: em 17 de novembro de 2026, Grounding with Google Search no Gemini 3 e em modelos mais novos tem como padrão 1,500 RPD por projeto na Gemini Developer API.
Além dos limites de requisições e tokens, o Google aplica limites de taxa baseados em gastos, avaliados em uma janela móvel de 10 minutos conforme o histórico de faturamento e o nível:
| Nível de uso | Limite de gastos (por 10 minutos) |
|---|---|
| Free | N/A |
| Tier 1 | $10 |
| Tier 2 | $50 |
| Tier 3 | $200 |
Limites de gastos da Google Gemini API em janela móvel de 10 minutos em 17 de novembro de 2026, segundo a documentação do Google.
Atingir um limite do Gemini baseado em gastos retorna 429 RESOURCE_EXHAUSTED. A orientação do Google é pausar e tentar novamente após um breve intervalo, reduzir o ritmo de chamadas caras usando janelas de contexto menores ou saídas mais curtas e solicitar um aumento de limite se o tráfego normal de produção atingir o teto de forma recorrente.
O que significa um erro 429 e como tentar novamente com segurança?
Uma resposta HTTP 429 significa que quem fez a chamada ultrapassou uma cota da API, um patamar de taxa ou um teto de faturamento, embora nem todo 429 deva ser repetido. A Central de Ajuda da OpenAI alerta expressamente que um 429 pode indicar um limite de taxa temporário, saldo pré-pago esgotado, limite rígido de gastos configurado ou limite mensal de uso. Repetir um 429 de faturamento ou limite rígido de gastos apenas consome tentativas; a correção exige ajustar o faturamento ou os limites.
Como distinguir erros de taxa 429 de sobrecarga 503
Os provedores usam dados de erro específicos para separar picos na taxa de tráfego de problemas temporários de capacidade do servidor. Na API da OpenAI, 429 junto de rate_limit_error e slow_down indica que sua taxa de requisições aumentou rápido demais, o que pode acontecer mesmo dentro dos limites de RPM e TPM. Já 503 junto de service_unavailable_error e server_is_overloaded significa que o modelo de destino está temporariamente sobrecarregado. Na Anthropic, erros 429 identificam o limite acionado, enquanto os tetos de gastos do Gemini retornam 429 RESOURCE_EXHAUSTED.
Rajadas, max_tokens e mecanismos de nova tentativa
Rajadas curtas frequentemente acionam limites de taxa porque os provedores aplicam tetos em intervalos menores que um minuto: a OpenAI observa que um limite de 60 RPM também pode ser verificado em janelas de 1 segundo. Os orçamentos de saída também importam, pois o cálculo da OpenAI pode usar o maior valor entre max_tokens e uma estimativa baseada na contagem de caracteres. Definir max_tokens próximo ao tamanho esperado da resposta evita inflar artificialmente as reservas de tokens.
Quando ocorrer um 429 ou 503 que permita nova tentativa, siga estes passos:
- Examine primeiro o código de erro para nunca repetir erros de saldo pré-pago, limite de uso ou limite rígido de gastos.
- Respeite
Retry-Afterouretry-afterquando presente, aguardando pelo menos os segundos especificados antes da próxima tentativa. - Use espera exponencial com jitter quando não houver cabeçalho: aumente a demora após cada falha, acrescente um pequeno atraso aleatório para evitar colisões entre workers e limite o total de tentativas.
- Considere as novas tentativas dos SDKs oficiais, desativando ou coordenando os ciclos integrados caso acrescente lógica própria, para evitar tempestades de requisições multiplicadas.
- Suavize a concorrência do cliente, distribuindo os trabalhos em fila ao longo de todo o minuto em vez de enviar a cota de um minuto em um segundo.
Quando uma Batch API evita os limites de RPM e TPM em tempo real?
Uma Batch API assíncrona evita os orçamentos síncronos de RPM e TPM em tempo real ao colocar trabalhos não interativos em fila para conclusão offline, em vez de exigir respostas imediatas. A Batch API da OpenAI permite enviar grandes conjuntos de requisições sem consumir limites de taxa síncronos; a taxa de processamento em lote é determinada pelo total de tokens de entrada em fila por modelo: trabalhos pendentes contam para o limite da fila e trabalhos concluídos deixam de contar. A documentação de preços da Gemini Developer API paga do Google também apresenta uma opção Batch API com redução de custo de 50% (consulte a documentação oficial do Google para os mecanismos atuais de lotes do Gemini).
Não confunda uma Batch API com o agrupamento de várias tarefas em um único prompt síncrono em tempo real. A OpenAI observa que, se você atingir o RPM enquanto ainda tiver margem de TPM, combinar várias tarefas menores em uma requisição síncrona pode processar mais tokens por minuto, especialmente em modelos menores. Contudo, chamadas síncronas agrupadas ainda consomem seu orçamento de TPM em tempo real e continuam sujeitas às regras de rajada e max_tokens. Para estratégias mais amplas de adequação do tamanho do modelo e dos lotes à carga de trabalho, veja nosso guia sobre como reduzir os custos de APIs de IA. Quando o volume orgânico de produção ultrapassar seu nível, envie uma solicitação formal de aumento de limite pelo console oficial do provedor, em vez de tentar contornar os controles da conta.
FAQ
Por que recebo um erro 429 abaixo dos meus limites de RPM e TPM?
Vários mecanismos podem acionar um 429 mesmo quando sua média por minuto parece segura. Os provedores aplicam janelas curtas de rajada (como verificações de 1 segundo em um limite de 60 RPM), limites de aumento em picos repentinos como a regra da Anthropic ou slow_down da OpenAI, conjuntos compartilhados por família, limites de gastos em janela móvel de 10 minutos no Gemini ou restrições por saldos pré-pagos esgotados e tetos de gastos.
Devo tentar novamente todo erro 429 de uma API de IA?
Não. Examine os dados do erro antes de repetir qualquer resposta 429. Erros 429 de limite temporário e erros 503 de sobrecarga podem ser repetidos com segurança após respeitar Retry-After ou aplicar espera exponencial com jitter. Erros causados por créditos pré-pagos esgotados, limites mensais de uso ou limites rígidos de gastos configurados exigem atualização do faturamento ou dos limites e continuarão falhando se repetidos.
Leituras do cache de prompts contam para os limites ITPM da Anthropic?
Não. O cálculo de ITPM da Anthropic que considera o cache exclui cache_read_input_tokens da sua cota de tokens de entrada por minuto. Apenas input_tokens não armazenados em cache após o último ponto de interrupção e cache_creation_input_tokens contam para ITPM. Como a Anthropic estima os ITPM no início da requisição e os ajusta durante a chamada, cargas com altas taxas de acerto do cache ganham margem extra de entrada.
Os limites de taxa de APIs de IA são compartilhados entre chaves de API?
Sim. Criar mais chaves de API na mesma organização ou projeto não oferece cotas separadas de limite de taxa. A OpenAI define limites nos níveis de organização e projeto, e não de usuário, e o Google Gemini aplica limites explicitamente por projeto, e não por chave de API. Todas as chaves nesse âmbito compartilham a mesma cota.
Como a configuração de max_tokens afeta os limites de taxa da OpenAI?
A OpenAI observa que seu cálculo de limite pode usar o maior valor entre a configuração de max_tokens e uma estimativa derivada da contagem de caracteres. Definir max_tokens muito acima da resposta realmente esperada aumenta os tokens reservados contra seu limite de TPM e a chance de erros de taxa de tokens. Manter max_tokens em um valor realista protege a taxa de processamento em tempo real.



