Un modello non legge direttamente i pixel. Legge un’immagine come una sequenza di token, e sulla maggior parte delle API paghi ciascuno di essi.
Come funziona
I provider tagliano l’immagine in piccoli quadrati e li contano, dopo averla ridimensionata per rientrare nei loro limiti. Le regole cambiano da provider a provider.
Anthropic. La documentazione di Claude dice che ogni patch da 28×28 pixel è un “visual token” (token visivo), quindi un’immagine costa ⌈width / 28⌉ × ⌈height / 28⌉ token. Le immagini che superano un lato lungo massimo o un numero massimo di token vengono ridimensionate. Nel tier standard il tetto è 1.568 px e 1.568 token; nel tier ad alta risoluzione (Claude 4.7 e successivi) è 2.576 px e 4.784 token.
| Immagine | Tier standard | Tier ad alta risoluzione |
|---|---|---|
| 200×200 | 64 | 64 |
| 1000×1000 | 1.296 | 1.296 |
| 1920×1080 | 1.560 (ridimensionata a 1456×819) | 2.691 |
OpenAI. I modelli più recenti contano patch da 32 pixel, ceil(width/32) × ceil(height/32), applicano un budget di patch per modello e poi moltiplicano per un fattore del modello. L’esempio svolto di OpenAI per un modello: un’immagine 1024×1024 vale 1.024 patch, e 1.024 × 1,2 arrotondato per eccesso dà 1.229 token. I modelli più vecchi come GPT-4o usano tile da 512 pixel: una base di 85 token più 170 per tile, oppure solo i token di base con detail: low.
Quindi la stessa foto può costare un numero di token molto diverso su modelli diversi. Usa il calcolatore di token immagine per confrontarli.
Perché è importante
- Costo. Secondo la tabella di Anthropic, un’immagine 1000×1000 vale 1.296 token su Claude. Su larga scala, ridimensionare le immagini prima di inviarle può ridurre in modo sensibile il costo di input.
- Compromesso sull’accuratezza. Rimpicciolire un’immagine fa risparmiare token ma può rendere illeggibili i caratteri piccoli. Per l’OCR di fatture o moduli, prova la dimensione più piccola che viene ancora letta correttamente.
- Contesto. I token immagine riempiono la finestra di contesto come il testo. In una chat a più turni, ogni immagine reinviata viene fatturata di nuovo.
Su BroadNet Inference
L’input di immagini funziona su DeepSeek V4.1 Flash, Qwen3.8 27B e Gemma 4 VL 26B, inviate come URL data: in base64 nel contenuto del messaggio. Il riferimento API di BroadNet dice: “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.” (traduzione: con una chiave a consumo un’immagine conta come token di input al prezzo di input del modello, e un’immagine più grande usa più token. Con un piano, le immagini rientrano nell’uso illimitato del piano). Per esempio, i token immagine di Gemma 4 VL 26B sono fatturati a $0.10 per 1M di token di input. BroadNet non pubblica una formula di token per immagine, quindi leggi usage.prompt_tokens nella risposta per vedere quanto è costata un’immagine. La guida alle fatture in arabo ha un esempio completo, e l’API LLM vision più economica confronta i prezzi.