---
title: "Günstigste Vision-LLM-API – Kosten pro Bild und Seite"
description: "Was ein Vision-LLM-Aufruf pro Bild und pro Dokumentseite kostet: Token-Rechnung für Gemma 4, Qwen3.8 27B und DeepSeek V4.1 Flash, und wo DeepInfra günstiger ist."
url: https://broadrouter.com/de/blog/cheapest-vision-llm-api/
lang: de
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Mit KI-Unterstützung aus dem Englischen übersetzt. [Englisches Original lesen](https://broadrouter.com/blog/cheapest-vision-llm-api/) (aktualisiert am 2026-11-16).

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

Vom Team von BroadNet Inference · 5 Min. Lesezeit · Veröffentlicht 2026-11-14 · Aktualisiert 2026-11-16

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.

## Das Wichtigste in Kürze

-   Vision-Modelle rechnen ein Bild als Input-Tokens ab. Kosten pro Bild = Bild-Tokens × Input-Preis ÷ 1 Mio., plus die Antwort.
-   1.000 Bilder mit je etwa 1.000 Tokens ergeben 1 Mio. Input-Tokens: $0.10 bei Gemma 4 VL 26B, $0.175 bei Qwen3.8 27B und $0.175 bei DeepSeek V4.1 Flash.
-   Bei langen Antworten entscheidet der Output über die Rangfolge: $0.22, $0.52 bzw. $2.17 pro 1 Mio.
-   Skalieren und beschneiden Sie Bilder vorher. Die Token-Zahl wächst mit der Auflösung.
-   Wählen Sie Qwen3.8 27B für arabische Dokumente, Gemma 4 VL 26B für den niedrigsten Preis bei BroadNet und DeepSeek V4.1 Flash für langen Kontext oder eine Flatrate.

**Auf dieser Seite**

1.  Wie wird ein Bild in einer LLM-API abgerechnet?
2.  Wie viele Tokens ist ein Bild?
3.  Was kostet jedes Vision-Modell?
4.  Was kosten 1.000 Bilder?
5.  Was kostet eine Dokumentseite?
6.  Ist BroadNet die günstigste Vision-API?
7.  Welches Vision-Modell sollten Sie wählen?
8.  Wann schlägt eine Flatrate die Abrechnung pro Bild?
9.  Wie senken Sie die Kosten für Vision?
10.  Wo BroadNet Inference passt

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](https://broadrouter.com/de/glossary/vision-language-model/) 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:

```text
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](https://broadrouter.com/tools/image-token-calculator/) 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](https://broadrouter.com/de/models/gemma-4-vl-26b/) | $0.10 | $0.22 | 32.768 | Nicht angegeben | Ja |
| [Qwen3.8 27B](https://broadrouter.com/de/models/qwen3.8-27b/) | $0.175 | $2.17 | 262.144 | Ja | Nach Aufladung |
| [DeepSeek V4.1 Flash](https://broadrouter.com/de/models/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](https://broadrouter.com/tools/llm-api-cost-calculator/) 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](https://broadrouter.com/de/glossary/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](https://broadrouter.com/de/llm-api-pricing/gemma-4-26b-a4b-it/) und der [Preisseite für Qwen3-VL 235B](https://broadrouter.com/llm-api-pricing/qwen3-vl-235b-a22b-instruct/), oder lesen Sie die Seite zur [DeepInfra-Alternative](https://broadrouter.com/alternatives/deepinfra-alternative/). Das Ranking der [günstigsten LLM-APIs](https://broadrouter.com/de/llm-api-pricing/cheapest/) und der [LLM-API-Preisindex](https://broadrouter.com/data/llm-api-price-index/) 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](https://broadrouter.com/de/guides/read-arabic-invoices-with-vision/) und [ein LLM für Arabisch auswählen](https://broadrouter.com/de/blog/choosing-an-llm-for-arabic/).
-   **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](https://broadrouter.com/compare/gemma-4-vl-26b-vs-qwen3.8-27b/) und [DeepSeek V4.1 Flash vs. Gemma 4 VL 26B](https://broadrouter.com/compare/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](https://broadrouter.com/tools/flat-rate-vs-per-token-calculator/). Die vollständige Methode steht in [der Break-even-Rechnung](https://broadrouter.com/de/blog/flat-rate-vs-pay-per-token-llm-api/).

## 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](https://broadrouter.com/de/guides/reasoning-tokens-empty-response/).
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](https://broadrouter.com/de/privacy/) 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](https://broadrouter.com/de/blog/extract-data-from-documents-with-vision-llm/). [Starten Sie mit dem Startguthaben von $5](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-blog-cheapest-vision-llm-api&utm_content=body).

Kostenlose Tools zum Thema (auf Englisch)

-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.
-   [Flat-rate vs per-token LLM cost calculator](https://broadrouter.com/tools/flat-rate-vs-per-token-calculator/) Break-even between an unlimited plan and paying per token, per agent.
-   [Prompt caching savings calculator](https://broadrouter.com/tools/prompt-caching-calculator/) Bill with and without caching, by prefix share and hit rate.
-   [Prompt token diff](https://broadrouter.com/tools/prompt-token-diff/) Two prompt versions side by side: changed lines, exact token delta and the monthly cost difference.

[Kostenlose Tools (auf Englisch)](https://broadrouter.com/tools/)

## Begriffe in diesem Artikel

[Token](https://broadrouter.com/de/glossary/token/)

Ein Token ist die Texteinheit, die ein Sprachmodell liest und schreibt: ein Wort, ein Wortteil, ein Satzzeichen oder eine Bytefolge, die der Tokenizer des Modells erzeugt. LLM-APIs zählen, begrenzen und berechnen die Nutzung meist in Tokens.

[Tool Calling (Function Calling)](https://broadrouter.com/de/glossary/tool-calling/)

Tool Calling, auch Function Calling genannt, ist eine Funktion von LLM-APIs, bei der das Modell eine strukturierte Anfrage zurückgibt, eine vom Entwickler definierte Funktion mit JSON-Argumenten auszuführen. Die Anwendung führt die Funktion aus und sendet das Ergebnis zurück; das Modell selbst führt nie Code aus.

[LLM-Flatrate (Flat-rate LLM plan)](https://broadrouter.com/de/glossary/flat-rate-llm-plan/)

Eine LLM-Flatrate ist ein Plan, der für den Zugang zu einer Sprachmodell-API einen Festpreis pro Zeitraum, etwa pro Monat, berechnet statt pro Token. Solche Pläne begrenzen meist etwas anderes, etwa Parallelität, Geschwindigkeit, Modelle oder Nutzungsfenster. Die Limits zählen also so viel wie der Preis.

[Input- und Output-Tokens](https://broadrouter.com/de/glossary/input-and-output-tokens/)

Input-Tokens sind die Tokens, die ein Sprachmodell in einer Anfrage liest, einschließlich System-Prompt, Gesprächsverlauf, Tool-Definitionen und Bildern. Output-Tokens sind die Tokens, die es als Antwort erzeugt, einschließlich Reasoning. LLM-APIs berechnen beide meist getrennt, und Output ist in der Regel teurer.

[Bild-Tokens (Image Tokens)](https://broadrouter.com/de/glossary/image-tokens/)

Bild-Tokens sind die Input-Tokens, mit denen ein Vision-Language-Modell ein Bild im Prompt darstellt. Anbieter berechnen sie aus der Bildgröße, meist indem sie das Bild nach dem Skalieren in Patches oder Kacheln fester Größe zerlegen, und rechnen sie wie Text-Input-Tokens ab. Größere Bilder kosten also mehr.

[Prepaid-Guthaben (Prepaid Credit)](https://broadrouter.com/de/glossary/prepaid-credit/)

Prepaid-Guthaben ist Geld, das vor der Nutzung auf ein API-Konto eingezahlt wird. Jede Anfrage zieht ihre Kosten vom Guthaben ab, und wenn es aufgebraucht ist, stoppen abgerechnete Anfragen, bis Sie aufladen. So sind die Ausgaben auf das eingezahlte Geld begrenzt.

[Reasoning-Tokens](https://broadrouter.com/de/glossary/reasoning-tokens/)

Reasoning-Tokens sind Tokens, die ein Reasoning-Modell erzeugt, um ein Problem durchzuarbeiten, bevor es seine sichtbare Antwort schreibt. Sie werden meist als Output-Tokens berechnet, zählen zum Output-Limit und zum Kontextfenster und können von der API verborgen oder zusammengefasst werden.

[Vision-Language-Modell (VLM)](https://broadrouter.com/de/glossary/vision-language-model/)

Ein Vision-Language-Modell (VLM) ist ein Modell, das Bilder und Text zusammen als Eingabe nimmt und Text erzeugt. So kann es Bilder beschreiben, Fragen zu ihnen beantworten und Dokumente, Diagramme oder Screenshots lesen. VLMs heißen auch Image-Text-to-Text- oder multimodale Modelle.

## 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.

## Weiterlesen

-   [LLM-API-Preise erklärt: Input, gecachter Input, Output und Reasoning](https://broadrouter.com/de/blog/llm-api-pricing-explained/)
-   [LLM-API für Arabisch auswählen: Was Sie testen sollten](https://broadrouter.com/de/blog/choosing-an-llm-for-arabic/)
-   [Reasoning-Tokens: Warum Sie mehr Output zahlen, als Sie sehen](https://broadrouter.com/de/blog/reasoning-tokens-cost/)
-   [LLM-API: Flatrate oder Abrechnung pro Token? Die Break-even-Rechnung](https://broadrouter.com/de/blog/flat-rate-vs-pay-per-token-llm-api/)
-   [Text, Sprache oder Vision? Beginnen Sie mit der Aufgabe](https://broadrouter.com/de/blog/text-speech-vision/)
-   [LLM-API-Preisänderungen im Oktober 2026: 3 Erhöhungen, keine Senkung](https://broadrouter.com/de/blog/llm-api-price-changes-october-2026/)
-   [Wie oft ändern sich LLM-API-Preise? 3 Jahre archivierte Preisseiten](https://broadrouter.com/de/blog/how-often-llm-api-prices-change/)
-   [Anleitung: Arabische Rechnungen und Belege mit einem Vision-Modell auslesen](https://broadrouter.com/de/guides/read-arabic-invoices-with-vision/)
-   [Anleitung: Warum ein Reasoning-Modell eine leere Antwort liefert](https://broadrouter.com/de/guides/reasoning-tokens-empty-response/)

Testen Sie es mit Ihrem echten Workload. Neue Konten starten mit USD 5 Guthaben für Gemma und Transkription. DeepSeek, GLM und Qwen3.8 erfordern eine Aufladung.

[Loslegen](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-blog-cheapest-vision-llm-api&utm_content=page-cta) ·

**Quellen**

-   [Maschinenlesbare Preise von BroadNet Inference, pricing.json (abgerufen am 2026-11-14) (auf Englisch)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-blog-cheapest-vision-llm-api&utm_content=sources)
-   [API-Referenz von BroadNet Inference: Chat mit einem Bild, Bilder in Plänen (abgerufen am 2026-11-14) (auf Englisch)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-blog-cheapest-vision-llm-api&utm_content=sources#requests)
-   [Gemma-Dokumentation von Google, Bildverständnis und Token-Budgets für Bilder (abgerufen am 2026-11-14)](https://ai.google.dev/gemma/docs/capabilities/vision)
-   [Qwen3-VL-Repository, 32-fache Kompression und Einstellungen für das visuelle Token-Budget (abgerufen am 2026-11-14)](https://github.com/QwenLM/Qwen3-VL)
-   [Preise von DeepInfra: Preise pro Token für Gemma 4 und Qwen3-VL (abgerufen am 2026-11-14)](https://deepinfra.com/pricing)
