BroadRouter

最安の画像対応 LLM API:画像 1 枚・1 ページあたりのコストを計算

BroadNet Inference チーム · 約 5 分で読めます · 公開日 · 更新日

画像対応 LLM は画像を入力トークンとして課金するため、約 1,000 トークンの画像 1,000 枚のコストは 100 万トークンあたりの入力単価と同じです。BroadNet で最も安いのは Gemma 4 VL 26B で、100 万あたり入力 $0.10、出力 $0.22 です。DeepInfra は Google の Gemma 4 26B A4B を、入力はより安く、出力はより高く掲載しています。

画像 API の料金ページに「1 枚あたり」と書かれていることはほとんどありません。掲載されているのは 100 万トークンあたりの価格で、画像はトークンに変換されます。この記事では、BroadNet Inference の 3 つの画像対応モデルについて、トークン単価を画像 1 枚あたり・文書 1 ページあたりのコストに換算し、数字を動かす設定を示します。

LLM API では画像はどう課金されますか?

視覚言語モデルは画像をパッチに分割し、トークンに変換します。そのトークンは、テキストのプロンプトと合わせて入力単価で課金されます。回答は出力として課金されます。つまり:

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

BroadNet には画像ごとの別料金はありません。画像のトークン数はモデルの画像エンコーダーと解像度で決まるため、4,000 ピクセルのスマートフォン写真は、同じ写真をリサイズしたものより高くつきます。

画像 1 枚は何トークンですか?

モデルファミリーによって異なります:

  • Gemma 4 は画像ごとに固定のトークン予算を使います。Google の Gemma ドキュメントによると “70, 140, 280, 560, or 1120 tokens”(訳:70、140、280、560、1120 トークンのいずれか)です。予算が小さいほど画像は縮小され、処理も速くなります。Google は、予算が大きいほど細部が保たれるとして、画像タスクで最高の精度を得るにはそちらを推奨しています。
  • Qwen3-VL は圧縮率が 32 で、32 × 32 ピクセルのブロックごとにおよそ 1 トークンです。README では、画像ごとの視覚トークン予算を 256〜1,280 のような範囲に設定する方法が示されています。1,024 × 1,024 の画像は約 32 × 32 = 1,024 トークンです。

BroadNet は自社デプロイの画像設定を公開していないため、これらはおおよその規模として扱ってください。実際の画像を 1 枚送り、usage.prompt_tokens を読み、テキストだけのときの数を引けば、それが画像のトークンコストです。画像トークン計算ツールは、各プロバイダーが文書化しているルールを任意の画像サイズに適用します。

各画像対応モデルの料金はいくらですか?

BroadNet Inference の 100 万トークンあたりの価格です(2026-11-14 に同期):

モデル 入力 出力 コンテキスト 先に推論する 初回クレジット
Gemma 4 VL 26B $0.10 $0.22 32,768 記載なし 利用可
Qwen3.8 27B $0.175 $2.17 262,144 はい チャージ後
DeepSeek V4.1 Flash $0.175 $0.52 1,048,576 はい チャージ後

画像 1,000 枚でいくらかかりますか?

画像 1 枚と短いプロンプトで約 1,000 入力トークンになると仮定します。すると画像 1,000 枚は入力 100 万トークンになり、画像 1,000 枚あたりの入力コストは 100 万トークンあたりの価格と同じです:

モデル 画像 1,000 枚あたりの入力コスト 回答 100 万トークンあたりの出力コスト
Gemma 4 VL 26B $0.10 $0.22
Qwen3.8 27B $0.175 $2.17
DeepSeek V4.1 Flash $0.175 $0.52

自分の量は無料の LLM API コスト計算ツールで計算してください。順位を変える要因が 2 つあります:

  1. **回答の長さ。**1 語のラベルならどこでも安く済みます。推論モデルで 300 トークンの JSON を抽出すると、さらに数百の推論トークンが付き、出力単価で課金されることがあります。Qwen3.8 27B の出力単価(100 万あたり $2.17)は DeepSeek V4.1 Flash($0.52)の数倍なので、回答が長ければ DeepSeek のほうが安くなります。
  2. **画像のサイズ。**画像が 1 枚 2,000 トークンなら、入力の列は 2 倍になります。Gemma の 280 トークンの予算でタスクに足りるなら、入力コストはおよそ 4 分の 1 に下がります。

文書 1 ページあたりはいくらですか?

スキャンした A4 ページを約 1,024 × 1,024 ピクセルでレンダリングすると、Qwen 系のエンコーダーで 1,000 トークン前後になります。大まかなルールは 1,000 ページ ≈ 入力 100 万トークンで、これにプロンプトと回答が加わります。小さな文字には高い解像度、つまり多くのトークンが必要になることがあります。

ページ処理の実践的なコツ:

  • テキスト PDF は画像ではなく抽出したテキストとして送ってください。テキストは、テキストを写した画像よりはるかに少ないトークンで済みます。
  • 請求書の合計欄のように、必要な領域だけを切り出してください。
  • ページごとの項目が必要なら 1 リクエストに 1 ページを送り、1 回の失敗で文書全体が無駄にならないようにしてください。

BroadNet は最安の画像 API ですか?

すべての項目でそうとは限りません。以下は、DeepInfra の同じファミリーのオープンな画像対応モデルで、2026 年 11 月 14 日の料金ページから取った 100 万トークンあたりの価格です:

DeepInfra のモデル 入力 出力
gemma-4-26B-A4B-it USD 0.07 USD 0.34
Qwen3-VL-30B-A3B-Instruct USD 0.15 USD 0.60
Qwen3-VL-235B-A22B-Instruct USD 0.20 USD 0.88

DeepInfra の Gemma 4 の入力単価は BroadNet の $0.10 より安く、出力単価は BroadNet の $0.22 より高くなっています。そのため、1 語で答える画像分類なら DeepInfra のほうが安く、長い JSON の抽出なら BroadNet のほうが安くなることがあります。ほかのホストは Gemma 4 26B A4B の料金ページと Qwen3-VL 235B の料金ページで比較するか、DeepInfra の代替のページをお読みください。最安の LLM API のランキングと LLM API 価格インデックスで、これらの価格を市場全体の中で確認できます。

どの画像対応モデルを選ぶべきですか?

  • **BroadNet の最安価格、単純なタスク:**Gemma 4 VL 26B。ラベル、キャプション、「署名はあるか?」など。$5 の初回クレジットで使えます。コンテキストが 32,768 トークンなので、1 リクエストに入る画像の数は限られます。
  • **アラビア語の文書やスクリーンショット:**Qwen3.8 27B。BroadNet がアラビア語でテストしたモデルです。画像対応モデルでアラビア語の請求書を読むとアラビア語向け LLM の選び方をご覧ください。
  • **長い出力、1 リクエストに多数の画像、または非常に大量の処理:**DeepSeek V4.1 Flash。1,048,576 トークンのコンテキストに多くのページを一度に入れられ、定額プランでは画像も無制限の利用に含まれます。

並列比較のページ:Gemma 4 VL 26B と Qwen3.8 27B の比較、DeepSeek V4.1 Flash と Gemma 4 VL 26B の比較。

定額プランが画像単位の課金より有利になるのはいつですか?

Full Moon のセッションは月 $60 で、DeepSeek V4.1 Flash を同時に 1 リクエストで無制限に使えます。画像 1 枚あたり約 1,000 トークンなら、DeepSeek V4.1 Flash では画像 1,000 枚ごとに入力で $0.175 かかるため、入力分だけで月に $60 ÷ $0.175 千枚でプランの価格に達します(回答分は別)。1 つのワーカーが 1 日中画像を処理するなら、1 時間の Meteor セッション($1)でスループットを測って比較するか、定額 vs トークン課金計算ツールを使ってください。方法の詳細は損益分岐の計算にあります。

画像処理のコストを下げるには?

  1. 正しく読み取れる最小の解像度にリサイズしてください。20 件のサンプルで 3 つのサイズを試します。
  2. 文章ではなく、キー名付きの短い JSON を求めてください。
  3. 単純な抽出では、推論モデルの reasoning_effort を low にし、回答が途中で切れないよう max_tokens は 1,000 以上にしてください。回答が空で返る理由。
  4. data URL では正しい MIME タイプを使ってください(PNG なら image/png)。
  5. 画像ごとに prompt_tokens を記録し、大きすぎるアップロードを見つけてください。

BroadNet Inference の位置づけ

BroadNet は 1 つのキーで 3 つの画像対応モデルを提供しており、トークン課金の Gemma から定額プランまで選べます。画像ごとの料金はなく、送った画像はゼロデータ保持です。請求書、レシート、スクリーンショット、アラビア語の文書に向いています。DeepInfra の表のとおり、入力の多い処理では最安のホストではありません。また画像生成は提供しておらず、画像理解のみです。抽出パイプライン自体は画像対応 LLM で請求書のデータを JSON に抽出するをご覧ください。$5 の初回クレジットで始める。

よくある質問

画像対応 LLM で画像 1 枚は何トークンですか?

モデルと解像度によります。Gemma 4 は画像 1 枚あたり 70〜1,120 トークンの予算を使います。Qwen の VL モデルは 32 × 32 ピクセルのブロックごとにおよそ 1 トークンです。実際の数は usage ブロックの prompt_tokens で確認してください。

BroadNet で一番安い画像対応 LLM API はどれですか?

Gemma 4 VL 26B で、100 万トークンあたり入力 $0.10、出力 $0.22 です。無料の初回クレジットでも使えます。

画像 1 枚ごとの料金はかかりますか?

かかりません。BroadNet の従量課金キーでは、画像はモデルの入力単価で入力トークンとして数えられ、大きな画像ほど多くのトークンを使います。

無制限プランに画像は含まれますか?

含まれます。DeepSeek V4.1 Flash のプランでは、画像も長いプロンプトも無制限の利用に含まれます。

Gemma 4 の画像処理は BroadNet より DeepInfra のほうが安いですか?

入力の多い処理ならそうです。2026 年 11 月 14 日時点で、DeepInfra は gemma-4-26B-A4B-it を 100 万トークンあたり入力 USD 0.07、出力 USD 0.34 で掲載していました。BroadNet は入力 $0.10、出力 $0.22 なので、回答が長い場合は BroadNet のほうが安くなります。

アラビア語の請求書にはどの画像対応モデルが最適ですか?

Qwen3.8 27B は BroadNet がアラビア語でテストしたモデルで、流暢に書け、湾岸方言とエジプト方言も理解します。ご自身の文書でテストしてください。

Markdown で読むChatGPT に聞くClaude に聞くPerplexity に聞く