Um modelo não lê pixels diretamente. Ele lê uma imagem como uma sequência de tokens, e na maioria das APIs você paga por cada um deles.
Como funciona
Os provedores cortam a imagem em pequenos quadrados e os contam, depois de redimensioná-la para caber nos seus limites. As regras variam.
Anthropic. A documentação do Claude diz que cada patch de 28×28 pixels é um “visual token” (token visual), então uma imagem custa ⌈width / 28⌉ × ⌈height / 28⌉ tokens. Imagens acima de um lado maior máximo ou de uma contagem máxima de tokens são reduzidas. No tier padrão, o teto é 1.568 px e 1.568 tokens; no tier de alta resolução (Claude 4.7 e posteriores), é 2.576 px e 4.784 tokens.
| Imagem | Tier padrão | Tier de alta resolução |
|---|---|---|
| 200×200 | 64 | 64 |
| 1000×1000 | 1.296 | 1.296 |
| 1920×1080 | 1.560 (redimensionada para 1456×819) | 2.691 |
OpenAI. Os modelos mais novos contam patches de 32 pixels, ceil(width/32) × ceil(height/32), aplicam um orçamento de patches por modelo e depois multiplicam por um fator do modelo. O exemplo resolvido da OpenAI para um modelo: uma imagem 1024×1024 dá 1.024 patches, e 1.024 × 1,2 arredondado para cima dá 1.229 tokens. Modelos mais antigos, como o GPT-4o, usam tiles de 512 pixels: uma base de 85 tokens mais 170 por tile, ou só os tokens de base com detail: low.
Ou seja, a mesma foto pode custar contagens de tokens muito diferentes em modelos diferentes. Use a calculadora de tokens de imagem para comparar.
Por que importa
- Custo. Pela tabela da Anthropic, uma imagem 1000×1000 dá 1.296 tokens no Claude. Em escala, redimensionar as imagens antes de enviá-las pode reduzir bastante o custo de entrada.
- Troca com a precisão. Reduzir uma imagem economiza tokens, mas pode deixar letras pequenas ilegíveis. Para OCR de notas fiscais ou formulários, teste o menor tamanho que ainda é lido corretamente.
- Contexto. Tokens de imagem ocupam a janela de contexto como texto. Em um chat com vários turnos, cada imagem reenviada é cobrada de novo.
Na BroadNet Inference
A entrada de imagens funciona no DeepSeek V4.1 Flash, no Qwen3.8 27B e no Gemma 4 VL 26B, enviada como URL data: em base64 no conteúdo da mensagem. A referência da API da BroadNet diz: “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.” (tradução: em uma chave de pagamento por uso, uma imagem conta como tokens de entrada ao preço de entrada do modelo, e uma imagem maior usa mais tokens. Em um plano, as imagens fazem parte do uso ilimitado do plano). Por exemplo, os tokens de imagem do Gemma 4 VL 26B são cobrados a $0.10 por 1M de tokens de entrada. A BroadNet não publica uma fórmula de tokens por imagem, então leia usage.prompt_tokens na resposta para ver quanto uma imagem custou. O guia de notas fiscais em árabe tem um exemplo completo, e a API de LLM com visão mais barata compara os preços.