视觉 API 的价格页很少写“每张图片”多少钱。它们列的是每百万 token 的价格,而图片会变成 token。本文把这些 token 价格换算成 BroadNet Inference 上三个视觉模型的每张图片成本和每页文档成本,并说明哪些设置会影响这个数字。
大模型 API 怎样给图片计费?
视觉语言模型把图片切成小块(patch),再转成 token。你按输入价格为这些 token 付费,和文本提示词一起计算。回答按输出计费。所以:
cost per image ≈ (image tokens + prompt tokens) × input price / 1M
+ answer tokens × output price / 1M
BroadNet 没有单独的图片费用。图片的 token 数取决于模型的图像编码器和分辨率,所以一张 4,000 像素的手机照片,比缩小后的同一张照片更贵。
一张图片算多少 token?
取决于模型家族:
- Gemma 4 对每张图片使用固定的 token 预算:据 Google 的 Gemma 文档,为 “70, 140, 280, 560, or 1120 tokens”(译文:70、140、280、560 或 1120 个 token)。预算越低,图片缩得越小,运行越快;Google 表示,更高的预算能保留细节,并推荐在视觉任务上用它获得最佳准确率。
- Qwen3-VL 的压缩比为 32,大约每 32 × 32 像素块对应一个 token,它的 README 展示了如何把每张图片的视觉 token 预算设为 256 到 1,280 这样的范围。一张 1,024 × 1,024 的图片约为 32 × 32 = 1,024 个 token。
BroadNet 没有公布其部署的图片设置,所以请把这些数字当作数量级参考。发送一张你的真实图片,读取 usage.prompt_tokens,再减去纯文本时的 token 数,就是你的图片 token 成本。图片 token 计算器按各服务商文档中的规则,计算任意尺寸图片的 token 数。
每个视觉模型要多少钱?
BroadNet Inference 每百万 token 价格,同步于 2026-11-14:
| 模型 | 输入 | 输出 | 上下文 | 先思考再回答 | 初始额度 |
|---|---|---|---|---|---|
| Gemma 4 VL 26B | $0.10 | $0.22 | 32,768 | 未列出 | 可用 |
| Qwen3.8 27B | $0.175 | $2.17 | 262,144 | 是 | 充值后 |
| DeepSeek V4.1 Flash | $0.175 | $0.52 | 1,048,576 | 是 | 充值后 |
1,000 张图片要多少钱?
假设每张图片加上简短提示词约为 1,000 个输入 token。那么 1,000 张图片就是 100 万输入 token,每 1,000 张图片的输入成本等于每百万 token 的价格:
| 模型 | 每 1,000 张图片的输入成本 | 每百万回答 token 的输出成本 |
|---|---|---|
| Gemma 4 VL 26B | $0.10 | $0.22 |
| Qwen3.8 27B | $0.175 | $2.17 |
| DeepSeek V4.1 Flash | $0.175 | $0.52 |
用免费的大模型 API 成本计算器代入你自己的用量。有两件事会改变排名:
- **回答长度。**一个词的标签在哪里都便宜。在思考模型上,一个 300 token 的 JSON 抽取结果可能还附带几百个思考 token,按输出价格计费。Qwen3.8 27B 的输出价格(每百万 $2.17)是 DeepSeek V4.1 Flash($0.52)的好几倍,所以回答较长时 DeepSeek 更便宜。
- **图片尺寸。**如果每张图片有 2,000 个 token,输入那一列就要翻倍。如果 Gemma 的 280 token 预算足以完成你的任务,输入成本会降到大约四分之一。
一页文档要多少钱?
一页扫描的 A4 纸,按约 1,024 × 1,024 像素渲染,在 Qwen 类编码器上约为 1,000 个 token。所以粗略的规则是 1,000 页 ≈ 100 万输入 token,还没算提示词和回答。小字号可能需要更高的分辨率,也就需要更多 token。
处理文档页的实用建议:
- 文本型 PDF 请提取文字后发送,而不是发图片。文字的 token 远少于文字的截图。
- 只裁剪你需要的区域,例如发票上的合计栏。
- 需要按页提取字段时,每个请求发一页,这样一次失败不会浪费整份文档。
BroadNet 是最便宜的视觉 API 吗?
不是每一项都最便宜。下面是 DeepInfra 上同一家族的开放视觉模型,取自其 2026 年 11 月 14 日的价格页,单位为每百万 token:
| DeepInfra 上的模型 | 输入 | 输出 |
|---|---|---|
| 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 的 Gemma 4 输入价格低于 BroadNet 的 $0.10,输出价格则高于 BroadNet 的 $0.22。所以对于只回答一个词的图片分类,DeepInfra 更便宜;对于较长的 JSON 抽取,BroadNet 可能更便宜。在 Gemma 4 26B A4B 价格页和 Qwen3-VL 235B 价格页上比较更多托管商,或阅读 DeepInfra 替代方案页面。最便宜的大模型 API 排名和大模型 API 价格指数把这些价格放在整个市场中来看。
应该选哪个视觉模型?
- **BroadNet 最低价,简单任务:**Gemma 4 VL 26B。标签、图片描述、“有没有签名?”。它可以用 $5 初始额度调用。它的 32,768 token 上下文限制了一个请求能放下多少张图片。
- **阿拉伯语文档和截图:**Qwen3.8 27B,BroadNet 在阿拉伯语上测试过的模型。参见用视觉模型读取阿拉伯语发票和如何为阿拉伯语选择大模型。
- **长输出、单个请求多张图片,或超大用量:**DeepSeek V4.1 Flash。它 1,048,576 token 的上下文一次能放下很多页,而在固定价格套餐中,图片也属于不限量使用的范围。
并排对比页面:Gemma 4 VL 26B 与 Qwen3.8 27B 对比和 DeepSeek V4.1 Flash 与 Gemma 4 VL 26B 对比。
什么时候固定价格套餐比按张计价更划算?
一个 Full Moon 会话每月 $60,可不限量使用 DeepSeek V4.1 Flash,同一时间一个请求。按每张图片约 1,000 个 token 计算,在 DeepSeek V4.1 Flash 上每 1,000 张图片的输入费用为 $0.175,所以每月达到 $60 ÷ $0.175 千张图片时,仅输入费用就达到套餐价格,还没算回答。如果一个 worker 全天处理图片,可以先用一小时的 Meteor 会话($1)测出它的吞吐量再比较,或者使用固定价格与按 token 计费计算器。完整方法见盈亏平衡计算。
如何降低视觉成本?
- 把图片缩到仍能正确识别的最小分辨率。用 20 个样本测试三种尺寸。
- 要求输出带命名键的简短 JSON,而不是大段文字。
- 做简单抽取时,在思考模型上把
reasoning_effort设为low,并把max_tokens保持在 1,000 或以上,以免回答被截断。参见为什么回答会返回空。 - 在 data URL 中使用正确的 MIME 类型(PNG 用
image/png)。 - 为每张图片记录
prompt_tokens,以发现过大的上传。
BroadNet Inference 的情况
BroadNet 用一个密钥提供三个视觉模型,从按 token 计费的 Gemma 到固定价格套餐都有,不收按张的图片费,并对你发送的图片实行零数据保留。它适合发票、收据、截图和阿拉伯语文档。如 DeepInfra 表格所示,对以输入为主的任务,它不是最便宜的托管商;它也不提供图片生成,只提供图片理解。抽取流程本身见用视觉大模型把发票数据提取为 JSON。用 $5 的初始额度开始。
