विज़न API के प्राइसिंग पेज शायद ही “प्रति इमेज” लिखते हैं। वे प्रति 10 लाख टोकन की कीमत देते हैं, और इमेज टोकन में बदल जाती है। यह पोस्ट BroadNet Inference के तीन विज़न मॉडल के लिए उन टोकन कीमतों को प्रति इमेज और प्रति डॉक्यूमेंट पेज की लागत में बदलती है, और बताती है कि कौन-सी सेटिंग संख्या बदलती हैं।
LLM API में इमेज कैसे बिल होती है?
विज़न लैंग्वेज मॉडल इमेज को पैच में बाँटकर टोकन में बदलता है। आप उन टोकन का भुगतान इनपुट कीमत पर करते हैं, अपने टेक्स्ट प्रॉम्प्ट के साथ। जवाब आउटपुट के रूप में बिल होता है। यानी:
cost per image ≈ (image tokens + prompt tokens) × input price / 1M
+ answer tokens × output price / 1M
BroadNet पर इमेज की कोई अलग फ़ीस नहीं है। इमेज के टोकन की संख्या मॉडल के इमेज एनकोडर और रिज़ॉल्यूशन पर निर्भर है, इसलिए 4,000 पिक्सेल की फ़ोन फ़ोटो उसी फ़ोटो के छोटे किए गए वर्ज़न से महँगी पड़ती है।
एक इमेज कितने टोकन की होती है?
यह मॉडल परिवार पर निर्भर है:
- Gemma 4 हर इमेज के लिए एक तय टोकन बजट पर काम करता है: Google के Gemma डॉक्स के मुताबिक़ “70, 140, 280, 560, or 1120 tokens” (अनुवाद: 70, 140, 280, 560 या 1120 टोकन)। कम बजट इमेज को छोटा करके तेज़ चलता है; Google कहता है कि ज़्यादा बजट बारीक़ी बनाए रखता है, और विज़ुअल टास्क पर सबसे अच्छी सटीकता के लिए उसी की सिफ़ारिश करता है।
- Qwen3-VL का कम्प्रेशन अनुपात 32 है, यानी हर 32 × 32 पिक्सेल ब्लॉक पर लगभग एक टोकन, और उसका README बताता है कि प्रति इमेज विज़ुअल टोकन बजट को 256 से 1,280 जैसे दायरे पर कैसे सेट करें। 1,024 × 1,024 की इमेज लगभग 32 × 32 = 1,024 टोकन की होती है।
BroadNet अपनी डिप्लॉयमेंट की इमेज सेटिंग प्रकाशित नहीं करता, इसलिए इन्हें सिर्फ़ मोटा अंदाज़ा मानें। अपनी एक असली इमेज भेजें और usage.prompt_tokens पढ़ें, फिर सिर्फ़ टेक्स्ट वाली संख्या घटाएँ। यही आपकी इमेज की टोकन लागत है। इमेज टोकन कैलकुलेटर किसी भी इमेज साइज़ पर हर प्रोवाइडर का डॉक्यूमेंटेड नियम लगाता है।
हर विज़न मॉडल की कीमत क्या है?
BroadNet Inference की कीमतें प्रति 1M टोकन, 2026-11-14 को सिंक:
| मॉडल | इनपुट | आउटपुट | कॉन्टेक्स्ट | पहले रीज़निंग करता है | शुरुआती क्रेडिट |
|---|---|---|---|---|---|
| Gemma 4 VL 26B | $0.10 | $0.22 | 32,768 | लिस्टेड नहीं | हाँ |
| Qwen3.8 27B | $0.175 | $2.17 | 262,144 | हाँ | टॉप-अप के बाद |
| DeepSeek V4.1 Flash | $0.175 | $0.52 | 1,048,576 | हाँ | टॉप-अप के बाद |
1,000 इमेज की लागत कितनी है?
मान लें कि हर इमेज और उसका छोटा प्रॉम्प्ट मिलाकर लगभग 1,000 इनपुट टोकन बनते हैं। तब 1,000 इमेज यानी 1M इनपुट टोकन, और 1,000 इमेज की इनपुट लागत प्रति 1M की कीमत के बराबर:
| मॉडल | प्रति 1,000 इमेज इनपुट लागत | प्रति 1M जवाबी टोकन आउटपुट लागत |
|---|---|---|
| Gemma 4 VL 26B | $0.10 | $0.22 |
| Qwen3.8 27B | $0.175 | $2.17 |
| DeepSeek V4.1 Flash | $0.175 | $0.52 |
अपने वॉल्यूम मुफ़्त LLM API कॉस्ट कैलकुलेटर में डालकर देखें। दो चीज़ें रैंकिंग बदलती हैं:
- जवाब की लंबाई। एक शब्द का लेबल हर जगह सस्ता है। रीज़निंग मॉडल पर 300 टोकन का JSON एक्सट्रैक्ट कुछ सौ और रीज़निंग टोकन ला सकता है, जो आउटपुट कीमत पर बिल होते हैं। Qwen3.8 27B की आउटपुट कीमत (प्रति 1M $2.17) DeepSeek V4.1 Flash ($0.52) की कई गुना है, इसलिए लंबे जवाबों में DeepSeek सस्ता पड़ता है।
- इमेज का साइज़। अगर आपकी हर इमेज 2,000 टोकन की बनती है, तो इनपुट कॉलम दोगुना कर दें। अगर आपके टास्क के लिए Gemma का 280 टोकन वाला बजट काफ़ी है, तो इनपुट लागत लगभग एक-चौथाई रह जाती है।
एक डॉक्यूमेंट पेज की लागत कितनी है?
लगभग 1,024 × 1,024 पिक्सेल पर रेंडर किया गया स्कैन A4 पेज Qwen जैसे एनकोडर पर क़रीब 1,000 टोकन का होता है। इसलिए मोटा नियम है 1,000 पेज ≈ 1M इनपुट टोकन, प्रॉम्प्ट और जवाब से पहले। बारीक़ छपाई के लिए ज़्यादा रिज़ॉल्यूशन, और ज़्यादा टोकन, लग सकते हैं।
पेज के लिए व्यावहारिक सुझाव:
- टेक्स्ट वाले PDF इमेज की जगह निकाले गए टेक्स्ट के रूप में भेजें। टेक्स्ट की तस्वीर से टेक्स्ट में कहीं कम टोकन लगते हैं।
- सिर्फ़ ज़रूरी हिस्से तक क्रॉप करें, जैसे इनवॉइस पर टोटल वाला बॉक्स।
- जब हर पेज के फ़ील्ड चाहिए, तो एक अनुरोध में एक पेज भेजें, ताकि किसी ग़लती की क़ीमत पूरा डॉक्यूमेंट न चुकाए।
क्या BroadNet सबसे सस्ता विज़न API है?
हर मद में नहीं। 14 नवंबर 2026 के उसके प्राइसिंग पेज से, DeepInfra पर इसी परिवार के ओपन विज़न मॉडल, प्रति 1M टोकन:
| DeepInfra पर मॉडल | इनपुट | आउटपुट |
|---|---|---|
| gemma-4-26B-A4B-it | USD 0.07 | USD 0.34 |
| Qwen3-VL-30B-A3B-Instruct | USD 0.15 | USD 0.60 |
| Qwen3-VL-235B-A22B-Instruct | USD 0.20 | USD 0.88 |
DeepInfra की Gemma 4 इनपुट कीमत BroadNet के $0.10 से कम है, और उसकी आउटपुट कीमत BroadNet के $0.22 से ज़्यादा। इसलिए एक शब्द वाले जवाबों के साथ इमेज क्लासिफ़िकेशन के लिए DeepInfra सस्ता है; लंबे JSON एक्सट्रैक्ट के लिए BroadNet सस्ता पड़ सकता है। ज़्यादा होस्ट की तुलना Gemma 4 26B A4B प्राइस पेज और Qwen3-VL 235B प्राइस पेज पर करें, या DeepInfra का विकल्प पेज पढ़ें। सबसे सस्ते LLM API की रैंकिंग और LLM API प्राइस इंडेक्स इन कीमतों को बाज़ार के संदर्भ में रखते हैं।
कौन-सा विज़न मॉडल चुनें?
- BroadNet की सबसे कम कीमत, आसान टास्क: Gemma 4 VL 26B। लेबल, कैप्शन, “क्या इस पर हस्ताक्षर है?”। यह $5 के शुरुआती क्रेडिट पर चलता है। इसका 32,768 टोकन का कॉन्टेक्स्ट सीमित करता है कि एक अनुरोध में कितनी इमेज आ सकती हैं।
- अरबी डॉक्यूमेंट और स्क्रीनशॉट: Qwen3.8 27B, वह मॉडल जिसे BroadNet ने अरबी में टेस्ट किया। देखें विज़न से अरबी इनवॉइस पढ़ें और अरबी के लिए LLM चुनना।
- लंबे आउटपुट, एक अनुरोध में कई इमेज, या बहुत ज़्यादा वॉल्यूम: DeepSeek V4.1 Flash। इसका 1,048,576 टोकन का कॉन्टेक्स्ट एक साथ कई पेज ले लेता है, और फ़्लैट प्लान पर इमेज अनलिमिटेड उपयोग का हिस्सा हैं।
आमने-सामने तुलना वाले पेज: Gemma 4 VL 26B बनाम Qwen3.8 27B और DeepSeek V4.1 Flash बनाम Gemma 4 VL 26B।
फ़्लैट प्लान कब प्रति इमेज कीमत से बेहतर है?
Full Moon सेशन की कीमत अनलिमिटेड DeepSeek V4.1 Flash के लिए $60 प्रति माह है, एक समय में एक अनुरोध। लगभग 1,000 टोकन प्रति इमेज पर, DeepSeek V4.1 Flash पर हर 1,000 इमेज का इनपुट $0.175 का पड़ता है, इसलिए सिर्फ़ इनपुट ही, जवाबों से पहले, $60 ÷ $0.175 हज़ार इमेज प्रति माह पर प्लान की कीमत तक पहुँच जाता है। अगर एक वर्कर पूरे दिन इमेज प्रोसेस करता है, तो एक घंटे के Meteor सेशन ($1) पर उसका थ्रूपुट मापें और तुलना करें, या फ़्लैट रेट बनाम प्रति-टोकन कैलकुलेटर इस्तेमाल करें। पूरा तरीक़ा ब्रेक-ईवन के हिसाब में है।
विज़न की लागत कैसे घटाएँ?
- उस सबसे छोटे रिज़ॉल्यूशन तक साइज़ घटाएँ जिस पर इमेज अब भी सही पढ़ी जाए। 20 सैंपल पर तीन साइज़ टेस्ट करें।
- गद्य की जगह नाम वाली key के साथ छोटा JSON माँगें।
- आसान एक्सट्रैक्शन के लिए रीज़निंग मॉडल पर
reasoning_effortकोlowपर सेट करें, औरmax_tokens1,000 या उससे ज़्यादा रखें ताकि जवाब कटे नहीं। जवाब ख़ाली क्यों आते हैं। - data URL में सही MIME टाइप इस्तेमाल करें (PNG के लिए
image/png)। - ज़रूरत से बड़े अपलोड पकड़ने के लिए हर इमेज का
prompt_tokensलॉग करें।
BroadNet Inference कहाँ आता है
BroadNet एक ही key पर तीन विज़न मॉडल देता है, प्रति टोकन वाले Gemma से फ़्लैट प्लान तक, बिना प्रति इमेज फ़ीस के और आपकी भेजी इमेज के लिए ज़ीरो डेटा रिटेंशन के साथ। यह इनवॉइस, रसीदों, स्क्रीनशॉट और अरबी डॉक्यूमेंट के लिए ठीक है। जैसा DeepInfra वाली तालिका दिखाती है, इनपुट-भारी काम के लिए यह सबसे सस्ता होस्ट नहीं है, और यह इमेज बनाना नहीं, सिर्फ़ इमेज समझना देता है। एक्सट्रैक्शन पाइपलाइन के लिए देखें विज़न LLM से इनवॉइस का डेटा JSON में निकालें। $5 के शुरुआती क्रेडिट से शुरू करें।
