BroadRouter

图像 token(image tokens)

更新于

图像 token 是视觉语言模型用来在提示词中表示一张图片的输入 token。服务商根据图片尺寸计算其数量,通常是先缩放、再切成固定大小的图块,并像文本输入 token 一样计费,所以图片越大越贵。

又称: 图像 token、图片 token、图片 token 计算、图片输入费用、视觉 token、image tokens、image token cost、vision tokens、image input tokens

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。

常见问题

图片越大一定越贵吗?

有上限。OpenAI 和 Anthropic 都写明会把超过最大尺寸的图片缩小,所以超过这个点后 token 数不再增加。在上限以内,像素越多,图块越多,token 也越多。

图像 token 计入上下文窗口吗?

计入。它们是输入 token,所以一次请求里放很多大图会占满上下文窗口,而且之后每一轮重新发送这些图片时都会抬高费用。

有图像 token 计算器吗?

有。我们的图像 token 计算器会按各服务商公布的规则,根据你的图片尺寸算出 token 数。

以 Markdown 格式阅读问 ChatGPT问 Claude问 Perplexity