BroadRouter

Günstigste Vision-LLM-API: Kosten pro Bild und pro Seite berechnet

Vom Team von BroadNet Inference · 5 Min. Lesezeit · Veröffentlicht · Aktualisiert

Ein Vision-LLM rechnet ein Bild als Input-Tokens ab; 1.000 Bilder mit je etwa 1.000 Tokens kosten also den Input-Preis pro 1 Mio. Tokens. Bei BroadNet ist Gemma 4 VL 26B am günstigsten, mit $0.10 Input und $0.22 Output pro 1 Mio. DeepInfra bietet Gemma 4 26B A4B von Google mit niedrigerem Input- und höherem Output-Preis an.

Preisseiten von Vision-APIs nennen selten einen Preis „pro Bild“. Sie listen einen Preis pro Million Tokens, und das Bild wird zu Tokens. Dieser Beitrag rechnet diese Token-Preise für die drei Vision-Modelle bei BroadNet Inference in Kosten pro Bild und pro Dokumentseite um und zeigt, welche Einstellungen die Zahl verändern.

Wie wird ein Bild in einer LLM-API abgerechnet?

Ein Vision-Language-Modell zerlegt das Bild in Patches und wandelt sie in Tokens um. Diese Tokens bezahlen Sie zum Input-Preis, zusammen mit Ihrem Text-Prompt. Die Antwort wird als Output abgerechnet. Also:

cost per image ≈ (image tokens + prompt tokens) × input price / 1M
               + answer tokens × output price / 1M

Bei BroadNet gibt es keine separate Bildgebühr. Die Zahl der Bild-Tokens hängt vom Bild-Encoder des Modells und von der Auflösung ab; ein Handyfoto mit 4.000 Pixeln kostet also mehr als dasselbe Foto verkleinert.

Wie viele Tokens ist ein Bild?

Das hängt von der Modellfamilie ab:

  • Gemma 4 arbeitet mit einem festen Token-Budget pro Bild: „70, 140, 280, 560, or 1120 tokens“ (Übersetzung: „70, 140, 280, 560 oder 1120 Tokens“), laut der Gemma-Dokumentation von Google. Niedrigere Budgets verkleinern das Bild und laufen schneller; höhere Budgets erhalten laut Google feine Details und werden für die beste Genauigkeit bei visuellen Aufgaben empfohlen.
  • Qwen3-VL hat ein Kompressionsverhältnis von 32, also etwa ein Token pro Block von 32 × 32 Pixeln, und sein README zeigt, wie Sie das visuelle Token-Budget pro Bild auf einen Bereich wie 256 bis 1.280 setzen. Ein Bild mit 1.024 × 1.024 Pixeln ergibt etwa 32 × 32 = 1.024 Tokens.

BroadNet veröffentlicht die Bildeinstellungen seiner Deployments nicht; verstehen Sie diese Werte also als Größenordnungen. Senden Sie eines Ihrer echten Bilder, lesen Sie usage.prompt_tokens ab und ziehen Sie die Zahl für den reinen Text ab. Das sind Ihre Bild-Token-Kosten. Der Bild-Token-Rechner wendet die dokumentierte Regel jedes Anbieters auf jede Bildgröße an.

Was kostet jedes Vision-Modell?

Preise von BroadNet Inference pro 1 Mio. Tokens, synchronisiert 2026-11-14:

Modell Input Output Kontext Denkt vor der Antwort Startguthaben
Gemma 4 VL 26B $0.10 $0.22 32.768 Nicht angegeben Ja
Qwen3.8 27B $0.175 $2.17 262.144 Ja Nach Aufladung
DeepSeek V4.1 Flash $0.175 $0.52 1.048.576 Ja Nach Aufladung

Was kosten 1.000 Bilder?

Angenommen, jedes Bild plus kurzer Prompt ergibt etwa 1.000 Input-Tokens. Dann sind 1.000 Bilder 1 Mio. Input-Tokens, und die Input-Kosten pro 1.000 Bilder entsprechen dem Preis pro 1 Mio.:

Modell Input-Kosten pro 1.000 Bilder Output-Kosten pro 1 Mio. Antwort-Tokens
Gemma 4 VL 26B $0.10 $0.22
Qwen3.8 27B $0.175 $2.17
DeepSeek V4.1 Flash $0.175 $0.52

Rechnen Sie Ihre eigenen Mengen mit dem kostenlosen LLM-API-Kostenrechner durch. Zwei Dinge verändern die Rangfolge:

  1. Länge der Antwort. Ein einzelnes Label ist überall günstig. Ein JSON-Extrakt mit 300 Tokens kann bei einem Reasoning-Modell mehrere hundert zusätzliche Reasoning-Tokens mitbringen, abgerechnet zum Output-Preis. Der Output-Preis von Qwen3.8 27B ($2.17 pro 1 Mio.) ist ein Mehrfaches des Preises von DeepSeek V4.1 Flash ($0.52); bei langen Antworten kostet DeepSeek also weniger.
  2. Bildgröße. Wenn Ihre Bilder je 2.000 Tokens ergeben, verdoppeln Sie die Input-Spalte. Wenn das 280-Token-Budget von Gemma für Ihre Aufgabe reicht, sinken die Input-Kosten auf etwa ein Viertel.

Was kostet eine Dokumentseite?

Eine gescannte A4-Seite, gerendert mit etwa 1.024 × 1.024 Pixeln, landet bei einem Encoder im Stil von Qwen bei etwa 1.000 Tokens. Als Faustregel gilt also 1.000 Seiten ≈ 1 Mio. Input-Tokens, vor Prompt und Antwort. Kleingedrucktes braucht unter Umständen mehr Auflösung und damit mehr Tokens.

Praktische Tipps für Seiten:

  • Senden Sie Text-PDFs als extrahierten Text, nicht als Bilder. Text ergibt weit weniger Tokens als ein Bild von Text.
  • Schneiden Sie auf den Bereich zu, den Sie brauchen, etwa das Summenfeld einer Rechnung.
  • Senden Sie eine Seite pro Anfrage, wenn Sie Felder pro Seite brauchen; so kostet ein Fehlschlag nicht das ganze Dokument.

Ist BroadNet die günstigste Vision-API?

Nicht bei jedem Posten. Hier dieselbe Familie offener Vision-Modelle bei DeepInfra, laut dessen Preisseite vom 14. November 2026, pro 1 Mio. Tokens:

Modell bei DeepInfra Input Output
gemma-4-26B-A4B-it 0,07 USD 0,34 USD
Qwen3-VL-30B-A3B-Instruct 0,15 USD 0,60 USD
Qwen3-VL-235B-A22B-Instruct 0,20 USD 0,88 USD

Der Input-Preis von DeepInfra für Gemma 4 liegt unter den $0.10 von BroadNet, sein Output-Preis über den $0.22 von BroadNet. Für Bildklassifikation mit Ein-Wort-Antworten ist DeepInfra also günstiger; bei langen JSON-Extrakten kann BroadNet günstiger sein. Vergleichen Sie weitere Hosts auf der Preisseite für Gemma 4 26B A4B und der Preisseite für Qwen3-VL 235B, oder lesen Sie die Seite zur DeepInfra-Alternative. Das Ranking der günstigsten LLM-APIs und der LLM-API-Preisindex ordnen diese Preise in den Markt ein.

Welches Vision-Modell sollten Sie wählen?

  • Niedrigster Preis bei BroadNet, einfache Aufgaben: Gemma 4 VL 26B. Labels, Bildunterschriften, „Gibt es eine Unterschrift?“. Es funktioniert mit dem Startguthaben von $5. Sein Kontext von 32.768 Tokens begrenzt, wie viele Bilder in eine Anfrage passen.
  • Arabische Dokumente und Screenshots: Qwen3.8 27B, das Modell, das BroadNet auf Arabisch getestet hat. Siehe Arabische Rechnungen mit Vision auslesen und ein LLM für Arabisch auswählen.
  • Lange Ausgaben, viele Bilder pro Anfrage oder sehr hohes Volumen: DeepSeek V4.1 Flash. Sein Kontext von 1.048.576 Tokens fasst viele Seiten auf einmal, und in einer Flatrate gehören Bilder zur unbegrenzten Nutzung.

Direkte Vergleiche: Gemma 4 VL 26B vs. Qwen3.8 27B und DeepSeek V4.1 Flash vs. Gemma 4 VL 26B.

Wann schlägt eine Flatrate die Abrechnung pro Bild?

Eine Full-Moon-Session kostet $60 pro Monat für unbegrenztes DeepSeek V4.1 Flash, jeweils eine Anfrage gleichzeitig. Bei etwa 1.000 Tokens pro Bild kosten je 1.000 Bilder bei DeepSeek V4.1 Flash $0.175 Input; allein der Input erreicht den Planpreis also bei $60 ÷ $0.175 Tausend Bildern pro Monat, ohne Antworten. Wenn ein einzelner Worker den ganzen Tag Bilder verarbeitet, messen Sie seinen Durchsatz mit einer einstündigen Meteor-Session ($1) und vergleichen Sie, oder nutzen Sie den Rechner Flatrate vs. pro Token. Die vollständige Methode steht in der Break-even-Rechnung.

Wie senken Sie die Kosten für Vision?

  1. Skalieren Sie auf die kleinste Auflösung, die noch korrekt gelesen wird. Testen Sie drei Größen an 20 Beispielen.
  2. Fordern Sie kurzes JSON mit benannten Schlüsseln an, keinen Fließtext.
  3. Setzen Sie bei Reasoning-Modellen für einfache Extraktion reasoning_effort auf low, und halten Sie max_tokens bei 1.000 oder mehr, damit die Antwort nicht abgeschnitten wird. Siehe warum Antworten leer zurückkommen.
  4. Verwenden Sie den korrekten MIME-Typ in der Data-URL (image/png für PNG).
  5. Protokollieren Sie prompt_tokens pro Bild, um übergroße Uploads zu erkennen.

Wo BroadNet Inference passt

BroadNet bietet drei Vision-Modelle mit einem Schlüssel, von Gemma pro Token bis zur Flatrate, ohne Gebühr pro Bild und mit Zero Data Retention für die gesendeten Bilder. Es eignet sich für Rechnungen, Belege, Screenshots und arabische Dokumente. Für Input-lastige Arbeit ist es nicht der günstigste Host, wie die Tabelle zu DeepInfra zeigt, und es bietet keine Bildgenerierung, nur Bildverständnis. Für die Extraktions-Pipeline selbst siehe Rechnungsdaten mit einem Vision-LLM als JSON extrahieren. Starten Sie mit dem Startguthaben von $5.

Häufige Fragen

Wie viele Tokens ist ein Bild in einem Vision-LLM?

Das hängt vom Modell und der Auflösung ab. Gemma 4 nutzt Budgets von 70 bis 1.120 Tokens pro Bild. Die VL-Modelle von Qwen nutzen etwa ein Token pro Block von 32 × 32 Pixeln. Die echte Zahl lesen Sie aus prompt_tokens im Usage-Block ab.

Welche Vision-LLM-API ist bei BroadNet am günstigsten?

Gemma 4 VL 26B, mit $0.10 Input und $0.22 Output pro 1 Mio. Tokens. Es funktioniert auch mit dem kostenlosen Startguthaben.

Gibt es eine Gebühr pro Bild?

Nein. Bei Pay-as-you-go-Schlüsseln von BroadNet zählen Bilder als Input-Tokens zum Input-Preis des Modells, und größere Bilder verbrauchen mehr Tokens.

Sind Bilder in der Flatrate enthalten?

Ja. In einem Plan für DeepSeek V4.1 Flash gehören Bilder und lange Prompts zur unbegrenzten Nutzung.

Ist DeepInfra für Gemma 4 Vision günstiger als BroadNet?

Bei Input-lastiger Arbeit ja. Am 14. November 2026 nannte DeepInfra für gemma-4-26B-A4B-it 0,07 USD Input und 0,34 USD Output pro 1 Mio. Tokens. BroadNet berechnet $0.10 Input und $0.22 Output; bei langen Antworten ist BroadNet also günstiger.

Welches Vision-Modell eignet sich am besten für arabische Rechnungen?

Qwen3.8 27B ist das Modell, das BroadNet auf Arabisch getestet hat: flüssig im Schreiben, versteht Golf- und ägyptischen Dialekt. Testen Sie es mit Ihren eigenen Dokumenten.

Als Markdown lesenChatGPT fragenClaude fragenPerplexity fragen