Модель не умеет читать пиксели напрямую. Она читает изображение как последовательность токенов, и в большинстве API вы платите за каждый из них.
Как это работает
Провайдеры масштабируют изображение под свои ограничения, режут его на маленькие квадраты и считают их. Правила у всех разные.
Anthropic. Документация Claude говорит, что каждый патч 28×28 пикселей — это один “visual token” (перевод: «визуальный токен»), поэтому изображение стоит ⌈width / 28⌉ × ⌈height / 28⌉ токенов. Изображения, превышающие максимум по длинной стороне или по числу токенов, уменьшаются. На стандартном уровне предел — 1 568 px и 1 568 токенов; на уровне высокого разрешения (Claude 4.7 и новее) — 2 576 px и 4 784 токена.
| Изображение | Стандартный уровень | Высокое разрешение |
|---|---|---|
| 200×200 | 64 | 64 |
| 1000×1000 | 1 296 | 1 296 |
| 1920×1080 | 1 560 (уменьшено до 1456×819) | 2 691 |
OpenAI. Новые модели считают патчи по 32 пикселя, ceil(width/32) × ceil(height/32), применяют бюджет патчей конкретной модели, а затем умножают на коэффициент модели. Пример OpenAI для одной из моделей: изображение 1024×1024 — это 1 024 патча, а 1 024 × 1,2 с округлением вверх дают 1 229 токенов. Старые модели, например GPT-4o, используют плитки по 512 пикселей: базовые 85 токенов плюс 170 за каждую плитку, или только базовые токены при detail: low.
Поэтому одна и та же фотография на разных моделях может стоить совсем разное число токенов. Сравнить поможет калькулятор токенов изображений.
Почему это важно
- Стоимость. Изображение 1000×1000 по таблице Anthropic занимает в Claude 1 296 токенов. При больших объёмах уменьшение картинок перед отправкой заметно снижает стоимость входа.
- Компромисс с точностью. Уменьшенное изображение экономит токены, но мелкий текст может стать нечитаемым. Для OCR счетов и анкет найдите минимальный размер, при котором текст всё ещё читается правильно.
- Контекст. Токены изображений заполняют контекстное окно так же, как текст. В многоходовом диалоге каждое повторно отправленное изображение оплачивается снова.
В BroadNet Inference
Изображения на вход принимают DeepSeek V4.1 Flash, Qwen3.8 27B и Gemma 4 VL 26B; картинка передаётся в содержимом сообщения как base64 data: URL. Справочник API BroadNet говорит: “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.” (перевод: «На ключе с оплатой по факту изображение считается входными токенами по цене входа модели, и чем больше изображение, тем больше токенов. На тарифе изображения входят в безлимитное использование тарифа».) Например, токены изображений для Gemma 4 VL 26B тарифицируются по $0.10 за 1 млн входных токенов. BroadNet не публикует формулу пересчёта изображения в токены, поэтому смотрите usage.prompt_tokens в ответе, чтобы узнать, во сколько обошлась картинка. Полный пример есть в руководстве по арабским счетам, а сравнение цен — в статье самый дешёвый vision LLM API.