मॉडल सीधे पिक्सेल नहीं पढ़ सकता। वह इमेज को टोकन की एक कतार के रूप में पढ़ता है, और ज़्यादातर API पर आप उनमें से हर एक के पैसे देते हैं।
यह कैसे काम करता है
प्रोवाइडर इमेज को अपनी सीमाओं में फ़िट करने के लिए रीसाइज़ करते हैं, फिर उसे छोटे वर्गों में काटकर गिनते हैं। नियम अलग-अलग हैं।
Anthropic. Claude के डॉक्स कहते हैं कि हर 28×28 पिक्सेल का patch एक “visual token” (विज़ुअल टोकन) है, इसलिए एक इमेज की लागत ⌈width / 28⌉ × ⌈height / 28⌉ टोकन है। अधिकतम लंबे किनारे या टोकन गिनती से बड़ी इमेज छोटी कर दी जाती हैं। standard tier पर सीमा 1,568 px और 1,568 टोकन है; high-resolution tier (Claude 4.7 और बाद के) पर 2,576 px और 4,784 टोकन।
| इमेज | Standard tier | High-resolution tier |
|---|---|---|
| 200×200 | 64 | 64 |
| 1000×1000 | 1,296 | 1,296 |
| 1920×1080 | 1,560 (1456×819 पर रीसाइज़) | 2,691 |
OpenAI. नए मॉडल 32 पिक्सेल के patches गिनते हैं, ceil(width/32) × ceil(height/32), हर मॉडल का patch बजट लगाते हैं, फिर एक मॉडल factor से गुणा करते हैं। एक मॉडल के लिए OpenAI का हल किया हुआ उदाहरण: 1024×1024 की इमेज 1,024 patches है, और 1,024 × 1.2 ऊपर राउंड होकर 1,229 टोकन बनता है। GPT-4o जैसे पुराने मॉडल 512 पिक्सेल की tiles इस्तेमाल करते हैं: 85 टोकन का बेस और हर tile के 170, या detail: low पर सिर्फ़ बेस टोकन।
इसलिए एक ही फ़ोटो की टोकन गिनती अलग मॉडल पर बहुत अलग हो सकती है। तुलना के लिए इमेज टोकन कैलकुलेटर इस्तेमाल करें।
यह क्यों मायने रखता है
- लागत. Anthropic की तालिका के हिसाब से 1000×1000 की इमेज Claude पर 1,296 टोकन है। बड़े पैमाने पर, भेजने से पहले इमेज रीसाइज़ करने से इनपुट लागत अच्छी-ख़ासी घट सकती है।
- सटीकता का सौदा. इमेज छोटी करने से टोकन बचते हैं, लेकिन बारीक अक्षर पढ़ने लायक़ नहीं रह सकते। इनवॉइस या फ़ॉर्म के OCR के लिए वह सबसे छोटा साइज़ टेस्ट करें जो अब भी सही पढ़ा जाए।
- Context. इमेज टोकन टेक्स्ट की तरह context window भरते हैं। multi-turn चैट में, दोबारा भेजी गई हर इमेज का फिर से बिल बनता है।
BroadNet Inference पर
इमेज इनपुट DeepSeek V4.1 Flash, Qwen3.8 27B और Gemma 4 VL 26B पर काम करता है, मैसेज कंटेंट में base64 data: URL के रूप में भेजा जाता है। BroadNet का API रेफ़रंस कहता है: “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.” (अनुवाद: उपयोग के अनुसार भुगतान वाली key पर इमेज मॉडल की इनपुट कीमत पर इनपुट टोकन के रूप में गिनी जाती है, और बड़ी इमेज ज़्यादा टोकन लेती है। प्लान पर इमेज प्लान के अनलिमिटेड इस्तेमाल का हिस्सा हैं।) उदाहरण के लिए, Gemma 4 VL 26B के इमेज टोकन $0.10 प्रति 1M इनपुट टोकन पर बिल होते हैं। BroadNet प्रति इमेज टोकन का कोई फ़ॉर्मूला प्रकाशित नहीं करता, इसलिए किसी इमेज की लागत देखने के लिए जवाब में usage.prompt_tokens पढ़ें। अरबी इनवॉइस गाइड में पूरा उदाहरण है, और सबसे सस्ता vision LLM API कीमतों की तुलना करता है।