Ein Modell kann Pixel nicht direkt lesen. Es liest ein Bild als Folge von Tokens, und bei den meisten APIs zahlen Sie für jedes davon.
So funktioniert es
Anbieter skalieren das Bild auf ihre Grenzen, zerlegen es in kleine Quadrate und zählen diese. Die Regeln unterscheiden sich.
Anthropic. Laut der Dokumentation von Claude ist jeder Patch von 28×28 Pixeln ein „visual token“ (visuelles Token), ein Bild kostet also ⌈width / 28⌉ × ⌈height / 28⌉ Tokens. Bilder über einer maximalen Kantenlänge oder Token-Zahl werden herunterskaliert. In der Standardstufe liegt die Grenze bei 1.568 px und 1.568 Tokens, in der hochauflösenden Stufe (Claude 4.7 und neuer) bei 2.576 px und 4.784 Tokens.
| Bild | Standardstufe | Hochauflösende Stufe |
|---|---|---|
| 200×200 | 64 | 64 |
| 1000×1000 | 1.296 | 1.296 |
| 1920×1080 | 1.560 (skaliert auf 1456×819) | 2.691 |
OpenAI. Neuere Modelle zählen Patches von 32 Pixeln, ceil(width/32) × ceil(height/32), wenden ein Patch-Budget pro Modell an und multiplizieren dann mit einem Modellfaktor. Das Rechenbeispiel von OpenAI für ein Modell: Ein Bild mit 1024×1024 ergibt 1.024 Patches, und 1.024 × 1,2 ergibt aufgerundet 1.229 Tokens. Ältere Modelle wie GPT-4o nutzen Kacheln von 512 Pixeln: eine Basis von 85 Tokens plus 170 pro Kachel, oder nur die Basis-Tokens bei detail: low.
Dasselbe Foto kann also je nach Modell sehr unterschiedlich viele Tokens kosten. Zum Vergleichen nutzen Sie den Bild-Token-Rechner.
Warum es wichtig ist
- Kosten. Ein Bild mit 1000×1000 sind laut der Tabelle von Anthropic 1.296 Tokens bei Claude. In großem Maßstab kann es die Input-Kosten spürbar senken, Bilder vor dem Senden zu verkleinern.
- Abwägung bei der Genauigkeit. Ein kleineres Bild spart Tokens, kann aber Kleingedrucktes unlesbar machen. Testen Sie für OCR von Rechnungen oder Formularen die kleinste Größe, die noch korrekt gelesen wird.
- Kontext. Bild-Tokens füllen das Kontextfenster wie Text. In einem Chat über mehrere Runden wird jedes erneut gesendete Bild wieder berechnet.
Bei BroadNet Inference
Bild-Input funktioniert bei DeepSeek V4.1 Flash, Qwen3.8 27B und Gemma 4 VL 26B, gesendet als base64-data:-URL im Nachrichteninhalt. In der API-Referenz von BroadNet heißt es: „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.“ (Übersetzung: „Bei einem Pay-as-you-go-Schlüssel zählt ein Bild als Input-Tokens zum Input-Preis des Modells, und ein größeres Bild verbraucht mehr Tokens. In einem Plan gehören Bilder zur unbegrenzten Nutzung des Plans.“) Bild-Tokens von Gemma 4 VL 26B werden zum Beispiel mit $0.10 pro 1M Input-Tokens berechnet. BroadNet veröffentlicht keine Token-Formel pro Bild; lesen Sie daher usage.prompt_tokens in der Antwort, um zu sehen, was ein Bild gekostet hat. Die Anleitung für arabische Rechnungen enthält ein vollständiges Beispiel, und die günstigste Vision-LLM-API vergleicht die Preise.