模型无法直接读取像素。它把图片读成一串 token,而在大多数 API 上,每个 token 都要付费。
原理
服务商先把图片缩放到符合其限制的尺寸,再切成小方块计数。各家的规则不同。
Anthropic。 Claude 的文档说,每个 28×28 像素的图块是一个 “visual token”(视觉 token),所以一张图片的 token 数是 ⌈width / 28⌉ × ⌈height / 28⌉。长边或 token 数超过上限的图片会被缩小。标准档的上限是 1,568 px 和 1,568 个 token;高分辨率档(Claude 4.7 及之后)是 2,576 px 和 4,784 个 token。
| 图片 | 标准档 | 高分辨率档 |
|---|---|---|
| 200×200 | 64 | 64 |
| 1000×1000 | 1,296 | 1,296 |
| 1920×1080 | 1,560(缩放到 1456×819) | 2,691 |
OpenAI。 较新的模型按 32 像素图块计数,即 ceil(width/32) × ceil(height/32),再套用各模型的图块预算,然后乘以模型系数。OpenAI 针对某个模型给出的示例:1024×1024 的图片是 1,024 个图块,1,024 × 1.2 向上取整为 1,229 个 token。GPT-4o 等较老的模型使用 512 像素的图块:基础 85 个 token,每个图块再加 170 个;在 detail: low 时只计基础 token。
所以同一张照片在不同模型上的 token 数可能差别很大。可以用图像 token 计算器对比。
为什么重要
- 费用。 按 Anthropic 的表格,一张 1000×1000 的图片在 Claude 上是 1,296 个 token。量大时,发送前先缩小图片可以明显降低输入费用。
- 准确率的取舍。 缩小图片能省 token,但小字可能就认不出来了。对发票或表单做 OCR 时,请测试仍能正确识别的最小尺寸。
- 上下文。 图像 token 和文本一样占用上下文窗口。在多轮对话中,每次重新发送的图片都会再计费一次。
在 BroadNet Inference 上
DeepSeek V4.1 Flash、Qwen3.8 27B 和 Gemma 4 VL 26B 支持图片输入,以 base64 data: URL 的形式放在消息内容中发送。BroadNet 的 API 参考写道:“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.”(译文:在按量付费密钥上,图片按模型的输入价格计为输入 token,图片越大用的 token 越多。在套餐上,图片属于套餐的不限量使用。)例如,Gemma 4 VL 26B 的图像 token 按每百万输入 token $0.10 计费。BroadNet 没有公布按图片计算 token 的公式,所以请查看响应中的 usage.prompt_tokens,了解一张图片花了多少。阿拉伯语发票指南有完整示例,最便宜的视觉大模型 API 对比了价格。