BroadRouter

Image tokens

Na-update

Ang image tokens ay mga input token na ginagamit ng vision language model para i-represent ang isang larawan sa prompt. Kinukuwenta ito ng mga provider mula sa laki ng larawan, kadalasan sa paghati nito sa mga patch o tile na pare-pareho ang laki pagkatapos i-resize, at sinisingil gaya ng text input token, kaya mas mahal ang mas malalaking larawan.

Tinatawag ding: image token cost, vision tokens, image input tokens, token ng larawan, presyo ng larawan sa API

Hindi direktang nababasa ng model ang mga pixel. Binabasa nito ang larawan bilang sunod-sunod na token, at sa karamihan ng API, binabayaran mo ang bawat isa.

Paano ito gumagana

Hinahati ng mga provider ang larawan sa maliliit na parisukat at binibilang ang mga ito, pagkatapos itong i-resize para magkasya sa kanilang mga limit. Magkakaiba ang mga rule.

Anthropic. Ayon sa docs ng Claude, isang “visual token” ang bawat 28×28-pixel na patch, kaya ⌈width / 28⌉ × ⌈height / 28⌉ token ang gastos ng isang larawan. Pinaliliit ang mga larawang lampas sa maximum na haba ng mahabang gilid o bilang ng token. Sa standard tier, 1,568 px at 1,568 token ang cap; sa high-resolution tier (Claude 4.7 pataas), 2,576 px at 4,784 token.

Larawan Standard tier High-resolution tier
200×200 64 64
1000×1000 1,296 1,296
1920×1080 1,560 (ni-resize sa 1456×819) 2,691

OpenAI. Binibilang ng mas bagong mga model ang 32-pixel na patch, ceil(width/32) × ceil(height/32), nag-a-apply ng patch budget kada model, saka pinararami sa model factor. Halimbawang kuwenta ng OpenAI para sa isang model: 1,024 patch ang 1024×1024 na larawan, at ang 1,024 × 1.2 ay ni-round up sa 1,229 token. Gumagamit ang mas lumang mga model gaya ng GPT-4o ng 512-pixel na tile: base na 85 token plus 170 kada tile, o base token lang sa detail: low.

Kaya puwedeng magkaibang-magkaiba ang bilang ng token ng iisang litrato sa magkaibang model. Gamitin ang image token calculator para magkumpara.

Bakit ito mahalaga

  • Gastos. 1,296 token ang 1000×1000 na larawan sa Claude ayon sa table ng Anthropic. Sa malakihang paggamit, kapansin-pansing makakababa ng input cost ang pag-resize ng larawan bago ito ipadala.
  • Trade-off sa accuracy. Nakakatipid ng token ang pagpapaliit ng larawan pero puwedeng hindi na mabasa ang maliliit na titik. Para sa OCR ng mga invoice o form, i-test ang pinakamaliit na laki na tama pa ring nababasa.
  • Context. Pinupuno ng image tokens ang context window gaya ng text. Sa multi-turn na chat, sinisingil ulit ang bawat larawang ipinadala ulit.

Sa BroadNet Inference

Gumagana ang image input sa DeepSeek V4.1 Flash, Qwen3.8 27B at Gemma 4 VL 26B, na ipinapadala bilang base64 na data: URL sa content ng mensahe. Sabi ng API reference ng BroadNet: “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.” (Salin ng BroadRouter: “Sa pay-as-you-go na key, binibilang ang larawan bilang input token sa input price ng model, at mas maraming token ang ginagamit ng mas malaking larawan. Sa isang plan, bahagi ng unlimited na paggamit ng plan ang mga larawan.”) Halimbawa, sinisingil ang image tokens ng Gemma 4 VL 26B nang $0.10 kada 1M input token. Walang inilalathalang formula ang BroadNet para sa token kada larawan, kaya basahin ang usage.prompt_tokens sa response para makita kung magkano ang nagastos sa larawan. May buong halimbawa ang gabay sa Arabic invoice, at ikinukumpara ng cheapest vision LLM API ang mga presyo.

Mga tanong

Laging mas mahal ba ang mas malaking larawan?

Hanggang sa isang limit. Parehong idinodokumento ng OpenAI at Anthropic na pinaliliit nila ang mga larawang lampas sa maximum na laki, kaya humihinto ang pagtaas ng bilang ng token pagdating doon. Sa ilalim nito, mas maraming pixel ay mas maraming patch at mas maraming token.

Kasama ba ang image tokens sa context window?

Oo. Input token ang mga ito, kaya puwedeng maubos ng maraming malalaking larawan sa iisang request ang context window at tumaas ang gastos ng bawat susunod na turn na nagpapadala ulit sa mga ito.

May image token calculator ba?

Mayroon. Ina-apply ng aming image token calculator ang inilathalang rule ng bawat provider sa sukat ng larawan mo at ipinapakita ang bilang ng token.

Basahin bilang MarkdownTanungin ang ChatGPTTanungin ang ClaudeTanungin ang Perplexity