Un modèle ne lit pas directement les pixels. Il lit une image comme une suite de tokens, et sur la plupart des API, vous payez chacun d’eux.
Comment ça marche
Les fournisseurs redimensionnent l’image selon leurs limites, la découpent en petits carrés et les comptent. Les règles diffèrent.
Anthropic. La documentation de Claude indique que chaque patch de 28×28 pixels correspond à un « visual token » (token visuel) : une image coûte donc ⌈width / 28⌉ × ⌈height / 28⌉ tokens. Les images qui dépassent une longueur de côté maximale ou un nombre de tokens maximal sont réduites. Sur le niveau standard, la limite est de 1 568 px et 1 568 tokens ; sur le niveau haute résolution (Claude 4.7 et suivants), de 2 576 px et 4 784 tokens.
| Image | Niveau standard | Niveau haute résolution |
|---|---|---|
| 200×200 | 64 | 64 |
| 1000×1000 | 1 296 | 1 296 |
| 1920×1080 | 1 560 (redimensionnée en 1456×819) | 2 691 |
OpenAI. Les modèles récents comptent des patchs de 32 pixels, ceil(width/32) × ceil(height/32), appliquent un budget de patchs propre à chaque modèle, puis multiplient par un facteur du modèle. L’exemple chiffré d’OpenAI pour un modèle : une image de 1024×1024 donne 1 024 patchs, et 1 024 × 1,2 arrondi au supérieur donne 1 229 tokens. Les modèles plus anciens comme GPT-4o utilisent des tuiles de 512 pixels : une base de 85 tokens plus 170 par tuile, ou seulement les tokens de base avec detail: low.
La même photo peut donc coûter des nombres de tokens très différents selon le modèle. Pour comparer, utilisez le calculateur de tokens d’image.
Pourquoi c’est important
- Coût. Une image de 1000×1000 représente 1 296 tokens sur Claude d’après le tableau d’Anthropic. À grande échelle, redimensionner les images avant de les envoyer peut réduire sensiblement le coût d’entrée.
- Compromis sur la précision. Réduire une image économise des tokens mais peut rendre les petits caractères illisibles. Pour l’OCR de factures ou de formulaires, testez la plus petite taille qui se lit encore correctement.
- Contexte. Les tokens d’image remplissent la fenêtre de contexte comme du texte. Dans un chat à plusieurs tours, chaque image renvoyée est facturée de nouveau.
Sur BroadNet Inference
L’entrée d’images fonctionne sur DeepSeek V4.1 Flash, Qwen3.8 27B et Gemma 4 VL 26B, envoyée sous forme d’URL data: en base64 dans le contenu du message. La référence de l’API de BroadNet indique : « 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. » (traduction : « Avec une clé en paiement à l’usage, une image compte comme des tokens d’entrée au prix d’entrée du modèle, et une image plus grande utilise plus de tokens. Avec un forfait, les images font partie de l’usage illimité du forfait. ») Par exemple, les tokens d’image de Gemma 4 VL 26B sont facturés $0.10 par million de tokens d’entrée. BroadNet ne publie pas de formule de tokens par image : lisez usage.prompt_tokens dans la réponse pour savoir ce qu’une image a coûté. Le guide des factures en arabe donne un exemple complet, et l’API LLM de vision la moins chère compare les prix.