Preisseiten von Vision-APIs nennen selten einen Preis „pro Bild“. Sie listen einen Preis pro Million Tokens, und das Bild wird zu Tokens. Dieser Beitrag rechnet diese Token-Preise für die drei Vision-Modelle bei BroadNet Inference in Kosten pro Bild und pro Dokumentseite um und zeigt, welche Einstellungen die Zahl verändern.
Wie wird ein Bild in einer LLM-API abgerechnet?
Ein Vision-Language-Modell zerlegt das Bild in Patches und wandelt sie in Tokens um. Diese Tokens bezahlen Sie zum Input-Preis, zusammen mit Ihrem Text-Prompt. Die Antwort wird als Output abgerechnet. Also:
cost per image ≈ (image tokens + prompt tokens) × input price / 1M
+ answer tokens × output price / 1M
Bei BroadNet gibt es keine separate Bildgebühr. Die Zahl der Bild-Tokens hängt vom Bild-Encoder des Modells und von der Auflösung ab; ein Handyfoto mit 4.000 Pixeln kostet also mehr als dasselbe Foto verkleinert.
Wie viele Tokens ist ein Bild?
Das hängt von der Modellfamilie ab:
- Gemma 4 arbeitet mit einem festen Token-Budget pro Bild: „70, 140, 280, 560, or 1120 tokens“ (Übersetzung: „70, 140, 280, 560 oder 1120 Tokens“), laut der Gemma-Dokumentation von Google. Niedrigere Budgets verkleinern das Bild und laufen schneller; höhere Budgets erhalten laut Google feine Details und werden für die beste Genauigkeit bei visuellen Aufgaben empfohlen.
- Qwen3-VL hat ein Kompressionsverhältnis von 32, also etwa ein Token pro Block von 32 × 32 Pixeln, und sein README zeigt, wie Sie das visuelle Token-Budget pro Bild auf einen Bereich wie 256 bis 1.280 setzen. Ein Bild mit 1.024 × 1.024 Pixeln ergibt etwa 32 × 32 = 1.024 Tokens.
BroadNet veröffentlicht die Bildeinstellungen seiner Deployments nicht; verstehen Sie diese Werte also als Größenordnungen. Senden Sie eines Ihrer echten Bilder, lesen Sie usage.prompt_tokens ab und ziehen Sie die Zahl für den reinen Text ab. Das sind Ihre Bild-Token-Kosten. Der Bild-Token-Rechner wendet die dokumentierte Regel jedes Anbieters auf jede Bildgröße an.
Was kostet jedes Vision-Modell?
Preise von BroadNet Inference pro 1 Mio. Tokens, synchronisiert 2026-11-14:
| Modell | Input | Output | Kontext | Denkt vor der Antwort | Startguthaben |
|---|---|---|---|---|---|
| Gemma 4 VL 26B | $0.10 | $0.22 | 32.768 | Nicht angegeben | Ja |
| Qwen3.8 27B | $0.175 | $2.17 | 262.144 | Ja | Nach Aufladung |
| DeepSeek V4.1 Flash | $0.175 | $0.52 | 1.048.576 | Ja | Nach Aufladung |
Was kosten 1.000 Bilder?
Angenommen, jedes Bild plus kurzer Prompt ergibt etwa 1.000 Input-Tokens. Dann sind 1.000 Bilder 1 Mio. Input-Tokens, und die Input-Kosten pro 1.000 Bilder entsprechen dem Preis pro 1 Mio.:
| Modell | Input-Kosten pro 1.000 Bilder | Output-Kosten pro 1 Mio. Antwort-Tokens |
|---|---|---|
| Gemma 4 VL 26B | $0.10 | $0.22 |
| Qwen3.8 27B | $0.175 | $2.17 |
| DeepSeek V4.1 Flash | $0.175 | $0.52 |
Rechnen Sie Ihre eigenen Mengen mit dem kostenlosen LLM-API-Kostenrechner durch. Zwei Dinge verändern die Rangfolge:
- Länge der Antwort. Ein einzelnes Label ist überall günstig. Ein JSON-Extrakt mit 300 Tokens kann bei einem Reasoning-Modell mehrere hundert zusätzliche Reasoning-Tokens mitbringen, abgerechnet zum Output-Preis. Der Output-Preis von Qwen3.8 27B ($2.17 pro 1 Mio.) ist ein Mehrfaches des Preises von DeepSeek V4.1 Flash ($0.52); bei langen Antworten kostet DeepSeek also weniger.
- Bildgröße. Wenn Ihre Bilder je 2.000 Tokens ergeben, verdoppeln Sie die Input-Spalte. Wenn das 280-Token-Budget von Gemma für Ihre Aufgabe reicht, sinken die Input-Kosten auf etwa ein Viertel.
Was kostet eine Dokumentseite?
Eine gescannte A4-Seite, gerendert mit etwa 1.024 × 1.024 Pixeln, landet bei einem Encoder im Stil von Qwen bei etwa 1.000 Tokens. Als Faustregel gilt also 1.000 Seiten ≈ 1 Mio. Input-Tokens, vor Prompt und Antwort. Kleingedrucktes braucht unter Umständen mehr Auflösung und damit mehr Tokens.
Praktische Tipps für Seiten:
- Senden Sie Text-PDFs als extrahierten Text, nicht als Bilder. Text ergibt weit weniger Tokens als ein Bild von Text.
- Schneiden Sie auf den Bereich zu, den Sie brauchen, etwa das Summenfeld einer Rechnung.
- Senden Sie eine Seite pro Anfrage, wenn Sie Felder pro Seite brauchen; so kostet ein Fehlschlag nicht das ganze Dokument.
Ist BroadNet die günstigste Vision-API?
Nicht bei jedem Posten. Hier dieselbe Familie offener Vision-Modelle bei DeepInfra, laut dessen Preisseite vom 14. November 2026, pro 1 Mio. Tokens:
| Modell bei DeepInfra | Input | Output |
|---|---|---|
| gemma-4-26B-A4B-it | 0,07 USD | 0,34 USD |
| Qwen3-VL-30B-A3B-Instruct | 0,15 USD | 0,60 USD |
| Qwen3-VL-235B-A22B-Instruct | 0,20 USD | 0,88 USD |
Der Input-Preis von DeepInfra für Gemma 4 liegt unter den $0.10 von BroadNet, sein Output-Preis über den $0.22 von BroadNet. Für Bildklassifikation mit Ein-Wort-Antworten ist DeepInfra also günstiger; bei langen JSON-Extrakten kann BroadNet günstiger sein. Vergleichen Sie weitere Hosts auf der Preisseite für Gemma 4 26B A4B und der Preisseite für Qwen3-VL 235B, oder lesen Sie die Seite zur DeepInfra-Alternative. Das Ranking der günstigsten LLM-APIs und der LLM-API-Preisindex ordnen diese Preise in den Markt ein.
Welches Vision-Modell sollten Sie wählen?
- Niedrigster Preis bei BroadNet, einfache Aufgaben: Gemma 4 VL 26B. Labels, Bildunterschriften, „Gibt es eine Unterschrift?“. Es funktioniert mit dem Startguthaben von $5. Sein Kontext von 32.768 Tokens begrenzt, wie viele Bilder in eine Anfrage passen.
- Arabische Dokumente und Screenshots: Qwen3.8 27B, das Modell, das BroadNet auf Arabisch getestet hat. Siehe Arabische Rechnungen mit Vision auslesen und ein LLM für Arabisch auswählen.
- Lange Ausgaben, viele Bilder pro Anfrage oder sehr hohes Volumen: DeepSeek V4.1 Flash. Sein Kontext von 1.048.576 Tokens fasst viele Seiten auf einmal, und in einer Flatrate gehören Bilder zur unbegrenzten Nutzung.
Direkte Vergleiche: Gemma 4 VL 26B vs. Qwen3.8 27B und DeepSeek V4.1 Flash vs. Gemma 4 VL 26B.
Wann schlägt eine Flatrate die Abrechnung pro Bild?
Eine Full-Moon-Session kostet $60 pro Monat für unbegrenztes DeepSeek V4.1 Flash, jeweils eine Anfrage gleichzeitig. Bei etwa 1.000 Tokens pro Bild kosten je 1.000 Bilder bei DeepSeek V4.1 Flash $0.175 Input; allein der Input erreicht den Planpreis also bei $60 ÷ $0.175 Tausend Bildern pro Monat, ohne Antworten. Wenn ein einzelner Worker den ganzen Tag Bilder verarbeitet, messen Sie seinen Durchsatz mit einer einstündigen Meteor-Session ($1) und vergleichen Sie, oder nutzen Sie den Rechner Flatrate vs. pro Token. Die vollständige Methode steht in der Break-even-Rechnung.
Wie senken Sie die Kosten für Vision?
- Skalieren Sie auf die kleinste Auflösung, die noch korrekt gelesen wird. Testen Sie drei Größen an 20 Beispielen.
- Fordern Sie kurzes JSON mit benannten Schlüsseln an, keinen Fließtext.
- Setzen Sie bei Reasoning-Modellen für einfache Extraktion
reasoning_effortauflow, und halten Siemax_tokensbei 1.000 oder mehr, damit die Antwort nicht abgeschnitten wird. Siehe warum Antworten leer zurückkommen. - Verwenden Sie den korrekten MIME-Typ in der Data-URL (
image/pngfür PNG). - Protokollieren Sie
prompt_tokenspro Bild, um übergroße Uploads zu erkennen.
Wo BroadNet Inference passt
BroadNet bietet drei Vision-Modelle mit einem Schlüssel, von Gemma pro Token bis zur Flatrate, ohne Gebühr pro Bild und mit Zero Data Retention für die gesendeten Bilder. Es eignet sich für Rechnungen, Belege, Screenshots und arabische Dokumente. Für Input-lastige Arbeit ist es nicht der günstigste Host, wie die Tabelle zu DeepInfra zeigt, und es bietet keine Bildgenerierung, nur Bildverständnis. Für die Extraktions-Pipeline selbst siehe Rechnungsdaten mit einem Vision-LLM als JSON extrahieren. Starten Sie mit dem Startguthaben von $5.
