Un modelo no puede leer píxeles directamente. Lee la imagen como una serie de tokens y, en la mayoría de las APIs, usted paga por cada uno.
Cómo funciona
Los proveedores cortan la imagen en pequeños cuadrados y los cuentan, después de redimensionarla para que encaje en sus límites. Las reglas varían.
Anthropic. La documentación de Claude dice que cada parche de 28×28 píxeles es un “visual token” (token visual), así que una imagen cuesta ⌈width / 28⌉ × ⌈height / 28⌉ tokens. Las imágenes que superan un lado largo o un número de tokens máximo se reducen. En el nivel estándar el límite es de 1,568 px y 1,568 tokens; en el nivel de alta resolución (Claude 4.7 y posteriores) es de 2,576 px y 4,784 tokens.
| Imagen | Nivel estándar | Nivel de alta resolución |
|---|---|---|
| 200×200 | 64 | 64 |
| 1000×1000 | 1,296 | 1,296 |
| 1920×1080 | 1,560 (redimensionada a 1456×819) | 2,691 |
OpenAI. Los modelos más recientes cuentan parches de 32 píxeles, ceil(width/32) × ceil(height/32), aplican un presupuesto de parches por modelo y luego multiplican por un factor del modelo. El ejemplo de OpenAI para un modelo: una imagen de 1024×1024 son 1,024 parches, y 1,024 × 1.2 se redondea hacia arriba a 1,229 tokens. Los modelos anteriores, como GPT-4o, usan mosaicos de 512 píxeles: una base de 85 tokens más 170 por mosaico, o solo los tokens base con detail: low.
Así que la misma foto puede costar cantidades de tokens muy distintas según el modelo. Use la calculadora de tokens de imagen para comparar.
Por qué importa
- Costo. Una imagen de 1000×1000 son 1,296 tokens en Claude según la tabla de Anthropic. A escala, redimensionar las imágenes antes de enviarlas puede reducir notablemente el costo de entrada.
- Equilibrio con la precisión. Reducir una imagen ahorra tokens, pero puede volver ilegible la letra pequeña. Para OCR de facturas o formularios, pruebe el tamaño más pequeño que todavía se lea correctamente.
- Contexto. Los tokens de imagen llenan la ventana de contexto igual que el texto. En un chat de varios turnos, cada imagen reenviada se vuelve a cobrar.
En BroadNet Inference
La entrada de imágenes funciona en DeepSeek V4.1 Flash, Qwen3.8 27B y Gemma 4 VL 26B, enviada como una URL data: en base64 dentro del contenido del mensaje. La referencia de la API de BroadNet dice: “On a pay-as-you-go key an image counts as input tokens at the model’s input price, and a larger image uses more tokens. On a plan, images are part of the plan’s unlimited use.” (traducción: con una clave de pago por uso, una imagen cuenta como tokens de entrada al precio de entrada del modelo, y una imagen más grande usa más tokens. En un plan, las imágenes forman parte del uso ilimitado del plan). Por ejemplo, los tokens de imagen de Gemma 4 VL 26B se cobran a $0.10 por 1M de tokens de entrada. BroadNet no publica una fórmula de tokens por imagen, así que lea usage.prompt_tokens en la respuesta para ver cuánto costó una imagen. La guía de facturas en árabe tiene un ejemplo completo, y la API de LLM con visión más barata compara precios.