# Ahorra tokens de GPT-6 Astra convirtiendo documentos a Markdown

Tu próxima tarea de IA podría necesitar las palabras en un informe, las cifras en una tabla de presupuesto o las instrucciones en un documento escaneado. Enviar el archivo original también puede pedirle al modelo que procese la apariencia de cada página.

Esa distinción importa cuando pagas por token.

SourceShelf convierte PDFs, documentos modernos de Office y texto en imágenes en Markdown localmente en tu Mac. Puedes revisar el resultado, organizarlo en un paquete enfocado y enviar el contenido que tu tarea necesita a GPT-6 Astra.

Procesamos siete archivos sintéticos a través del código de conversión de SourceShelf para explorar la diferencia. Nuestro modelo de costos local estimó **84 % menos de tokens de entrada para un PDF de texto de 40 páginas** y **97 % menos para un paquete escaneado con poco texto de 20 páginas** al comparar Markdown con un escenario con imágenes de página de alto detalle.

Esas son estimaciones ilustrativas, no facturas de Astra medidas ni una promesa para cada documento. La mayor oportunidad es eliminar el costo adicional de las imágenes de página del trabajo centrado en el texto. Markdown no es inherentemente más pequeño que el texto plano, y seleccionar un extracto es un tipo diferente de ahorro en comparación con convertir un documento completo.

## Por qué importa el formato original

La API Responses de OpenAI maneja los tipos de archivos de manera diferente. Los archivos PDF proporcionan tanto texto extraído como imágenes de página a modelos capaces de visión. Los archivos de Word y PowerPoint proporcionan texto extraído, mientras que las hojas de cálculo siguen un proceso separado que agrega resúmenes y metadatos. Para Astra, el detalle de PDF `auto` actualmente utiliza `high`. [Documentación de entrada de archivos de OpenAI](https://developers.openai.com/api/docs/guides/file-inputs)

Si tu pregunta se refiere al lenguaje de una política, pagar por imágenes de página puede agregar poco valor. Convertir esa política en Markdown revisado te da una manera de enviar su texto sin esas imágenes.

Para un gráfico, dibujo de ingeniería o fotografía, la información visual puede ser esencial. Mantén la imagen relevante en la solicitud cuando la tarea dependa de ella.

## Precios de la API GPT-6 Astra

Como se verificó el 20 de septiembre de 2026, las tarifas estándar de la API de contexto corto de GPT-6 Astra son:

| Categoría de tokens | USD por millón de tokens |
| --- | ---: |
| Entrada | $10.00 |
| Entrada en caché | $1.00 |
| Escrituras en caché | $12.50 |
| Salida | $50.00 |

Los cálculos a continuación utilizan la **tasa de entrada de $10** para hacer que las representaciones del documento sean comparables. Excluyen la salida, las herramientas, los escrituras en caché y otro contenido de solicitud. Son equivalentes a la tasa de entrada en lugar de predicciones de una factura completa. [Precios de la API de OpenAI](https://developers.openai.com/api/docs/pricing)

A esa tasa, eliminar 100,000 tokens de entrada vale $1 por lectura sin caché. Reutilizar material de origen compacto en muchas tareas independientes puede hacer que esa diferencia sea significativa.

## Nuestro experimento local

Creamos un informe de 40 páginas, un paquete de solo imágenes de 20 páginas, dos imágenes de texto, un informe de Word, una presentación de PowerPoint de 30 diapositivas y un libro de Excel de 500 filas. Todo el contenido era sintético. El paquete escaneado contenía deliberadamente poco texto; el informe y la segunda imagen contenían mucho más texto denso.

Ejecutamos los archivos a través de los extractores SourceShelf del repositorio, el renderizador semántico Markdown y el escritor Markdown en un Mac. Los conteos incluyen los metadatos de fuente generados y los encabezados. Los documentos fueron convertidos, no resumidos.

El texto se contó con `tiktoken 0.14.0` utilizando `o200k_base`. Ese tokenizador **no** mapea explícitamente a Astra, por lo que estos son conteos locales aproximados, no un conteo oficial de los tokens de texto de Astra. Los tokens de imagen se calcularon utilizando las reglas de parche documentadas de Astra. Para los PDFs, asumimos imágenes de página a 144 DPI y agregamos texto nativo extraído localmente. La rasterización real de PDF y la extracción de texto de OpenAI pueden diferir. No se enviaron archivos a la API, y no se facturó el uso de la API durante este experimento.

### PDF e imágenes de texto: la mayor oportunidad

![Tokens de entrada estimados restantes después de la conversión: 16.2% para el PDF de texto, 3.4% para el paquete escaneado, 7.1% para la imagen escasa y 23.9% para la imagen densa. Cada original se normaliza al 100%; estas son estimaciones de alto detalle, no el uso medido de la API.](/assets/blog/es-419/astra-token-comparison.svg)

| Documento de prueba | Tokens de entrada originales estimados | Tokens proxy Markdown | Reducción estimada | Costo estimado de entrada (USD): original → Markdown |
| --- | ---: | ---: | ---: | ---: |
| PDF de texto de 40 páginas | 112,449 | 18,184 | 83.8% | $1.1245 → $0.1818 |
| Paquete escaneado de 20 páginas | 45,600 | 1,559 | 96.6% | $0.4560 → $0.0156 |
| Imagen de texto escasa, 1200 × 1600 | 2,280 | 162 | 92.9% | $0.0228 → $0.0016 |
| Imagen de texto densa, 1200 × 1600 | 2,280 | 545 | 76.1% | $0.0228 → $0.0055 |

Estas comparaciones utilizan los detalles de la imagen `high`. El gráfico normaliza cada original al 100%; las longitudes de las barras comparan representaciones dentro de un documento, no los totales de tokens en todos los documentos. Por ejemplo, una imagen de 1200 × 1600 ocupa 38 × 50 parches de 32 píxeles, o 1,900 parches. El multiplicador 1.2 de Astra produce 2,280 tokens de imagen. Convertir la imagen escasa en 162 tokens de Markdown revisado elimina la mayor parte de ese costo de entrada. [Cálculos de tokens de imagen de OpenAI](https://developers.openai.com/api/docs/guides/images-vision#patch-based-image-tokenization)

Para el informe de 40 páginas, el ahorro modelado es de aproximadamente **$0.94 por lectura sin caché**, o **$94.27 en 100 lecturas independientes** a la misma tasa. Eso es una extrapolación, no 100 solicitudes de API medidas. Los aciertos de caché reducirían la diferencia en dólares: a $1 por millón de tokens almacenados en caché, la misma diferencia de token vale aproximadamente $0.094 por lectura. Las escrituras de caché tienen su propia tasa.

Los cambios en los detalles de la imagen alteran el resultado sustancialmente. Usar `low` es otra opción cuando aún necesitas enviar imágenes. Aplicar el tamaño de imagen de baja resolución documentado a nuestras imágenes de página PDF asumidas redujo las reducciones estimadas del PDF al **37.0% para el informe de texto** y **66.3% para el paquete escaneado**. La imagen independiente densa cayó a 231 tokens de imagen en baja resolución, menos que su versión Markdown de 545 tokens. No probamos si el modelo podía leer esa imagen reducida con precisión.

### Archivos de Office: convertirlos no basta para ahorrar

Los archivos de Office de control cuentan una historia diferente:

| Documento de prueba | Tokens de control de texto plano | Tokens SourceShelf Markdown | Cambio |
| --- | ---: | ---: | ---: |
| Informe de Word, 40 secciones | 17,880 | 18,021 | +0.8% |
| Presentación de PowerPoint, 30 diapositivas | 5,370 | 5,674 | +5.7% |
| Libro de Excel, 500 filas de datos | 5,506 | 7,142 | +29.7% |

Estos controles contienen el texto original de los archivos de prueba; no son **conteos medidos de archivos enviados a la API**. Muestran el costo de los encabezados, la procedencia, los límites de las diapositivas y la sintaxis de la tabla Markdown. Comparar el tamaño de bytes del archivo comprimido de Office con Markdown no mediría el ahorro de tokens.

Para los documentos de Office, la ventaja práctica de SourceShelf es hacer que el contenido sea legible, reutilizable y más fácil de seleccionar. En un experimento de selección manual separado, mantener cuatro secciones relevantes del informe Word convertido redujo el volumen de datos de **18,021 a 1,893 tokens: un 89.5% menos**. Mantener tres diapositivas de la presentación convertida lo redujo de **5,674 a 679 tokens: un 88.0% menos**.

Esas reducciones excluyen intencionalmente material. Son apropiadas cuando la pregunta solo necesita esas secciones y no pueden sustituir una revisión de todo el documento. Las selecciones se realizaron en el Markdown exportado; no fueron una función automática de relevancia.

Para cálculos en hojas de cálculo, mantén el acceso al libro de trabajo y a una herramienta de análisis adecuada. Las tablas Markdown son un material de referencia útil, pero no reemplazan la evaluación de fórmulas ni el análisis completo de hojas de cálculo. Para colecciones más grandes, la recuperación es otra opción: [Búsqueda de archivos](https://developers.openai.com/api/docs/guides/tools-file-search) de OpenAI puede proporcionar pasajes relevantes en lugar de incluir todos los documentos en cada solicitud.

## Revisa la conversión antes de confiar en ella

Menos tokens son útiles solo si la información necesaria para la tarea sobrevive.

Nuestras comprobaciones recuperaron todas las palabras alfanuméricas esperadas, incluidas sus ocurrencias repetidas, en los archivos de Office, ambas imágenes independientes y el paquete escaneado. El texto PDF largo conservó **99.65% por esa comprobación**, con algunas omisiones y texto reordenado. Una comprobación de retención de palabras no prueba que las relaciones de tablas, el orden de lectura o el significado permanezcan intactos.

Estos archivos de prueba sintéticos y limpios tampoco representan escritura difícil, gráficos complejos, escaneos deficientes o cualquier documento comercial. La conversión OCR y de formato de SourceShelf tiene limitaciones. Revisa los nombres, montos, fechas, tablas y el orden de lectura; adjunta la página o imagen original cuando contenga evidencia que el texto no puede preservar.

## Un flujo de trabajo práctico de SourceShelf

1. **Convierte localmente.** Arrastra tus PDFs, `.docx`, `.pptx`, `.xlsx`, o imágenes compatibles en SourceShelf en Mac. El reconocimiento de texto y la conversión ocurren en tu dispositivo. [Conversión local de PDF](/es-419/pdf-to-markdown-mac/)
2. **Inspecciona el Markdown.** Revisa la información de la que depende tu próxima tarea, especialmente el texto escaneado y las tablas.
3. **Construye un paquete enfocado.** Incluye las fuentes relevantes para la pregunta. Para tareas más específicas, prepara un extracto del Markdown exportado mientras conservas las etiquetas de fuente útiles. [Paquetes de referencia SourceShelf](/es-419/local-ai-reference-packs/)
4. **Envía texto y los elementos visuales necesarios.** Proporciona Markdown como texto a tu flujo de trabajo de API de Astra. Incluye imágenes individuales cuando su contenido visual sea importante. Un solo enlace de imagen de Markdown no transmite sus píxeles.
5. **Reutiliza la fuente revisada.** Conserva la conversión para futuras tareas y actualízala cuando cambie el original. Comprueba el uso real de la API para validar el ahorro en tu flujo de trabajo.

La conversión local en sí misma no sube el documento original. Cuando posteriormente envías Markdown o imágenes a un modelo en la nube, ese contenido seleccionado deja tu dispositivo.

## Tamaño del contexto, caché y límites de suscripción

Los contextos grandes añaden otra razón para elegir con cuidado. Las solicitudes a Astra superiores a 272,000 tokens de entrada conllevan tasas más altas en toda la solicitud: el doble de las tasas de entrada y caché, y 1.5 veces la tasa de salida. Nuestros casos de prueba se mantuvieron por debajo de ese umbral; reducir una solicitud más grande por debajo de él podría generar un ahorro adicional. Cuenta la solicitud completa, incluido el historial y las herramientas. [Notas de precios del modelo Astra](https://developers.openai.com/api/docs/models/gpt-6-astra)

Estos cálculos en dólares se refieren al uso de la API. No se traducen directamente en ahorros en una suscripción de ChatGPT a precio fijo o en un número fijo de tareas extra de Codex.

## Prepara una vez, reutiliza con cuidado

El hábito útil es simple: prepara la fuente una vez, compruébala y dale al modelo el material que necesita la tarea. Para trabajos centrados en texto con PDF y escaneos, eso puede dejar considerablemente más de tu presupuesto de tokens disponible para el trabajo en sí.

Para otra forma de mantener el resultado portátil, consulta nuestra [guía para Open Knowledge Format](/es-419/blog/what-is-open-knowledge-format-okf/). Puedes mantener juntas fuentes legibles y sus metadatos a medida que cambian tus herramientas de IA.