モデルはピクセルを直接読めません。画像をトークンの列として読み、ほとんどの API ではその 1 つ 1 つに料金がかかります。
仕組み
プロバイダーは、画像を上限に合わせてリサイズした後、小さな正方形に切り分けて数えます。ルールはプロバイダーごとに異なります。
Anthropic。 Claude のドキュメントによると、28×28 ピクセルのパッチ 1 つが 1 つの “visual token”(訳:視覚トークン)なので、画像 1 枚のトークン数は ⌈width / 28⌉ × ⌈height / 28⌉ です。長辺またはトークン数が上限を超える画像は縮小されます。標準ティアの上限は 1,568 px と 1,568 トークン、高解像度ティア(Claude 4.7 以降)は 2,576 px と 4,784 トークンです。
| 画像 | 標準ティア | 高解像度ティア |
|---|---|---|
| 200×200 | 64 | 64 |
| 1000×1000 | 1,296 | 1,296 |
| 1920×1080 | 1,560(1456×819 にリサイズ) | 2,691 |
OpenAI。 新しいモデルは 32 ピクセルのパッチを ceil(width/32) × ceil(height/32) で数え、モデルごとのパッチ上限を適用してから、モデル係数をかけます。OpenAI があるモデルについて示した計算例では、1024×1024 の画像は 1,024 パッチで、1,024 × 1.2 を切り上げて 1,229 トークンです。GPT-4o などの古いモデルは 512 ピクセルのタイルを使い、基本の 85 トークンにタイルごとに 170 を足します。detail: low では基本トークンだけです。
つまり、同じ写真でもモデルによってトークン数は大きく変わります。比較には画像トークン計算ツールを使ってください。
なぜ重要か
- 料金。 Anthropic の表によると、1000×1000 の画像は Claude で 1,296 トークンです。大量に送るなら、送信前に画像を縮小するだけで入力コストを目に見えて下げられます。
- 精度とのトレードオフ。 画像を縮小するとトークンは減りますが、小さな文字が読めなくなることがあります。請求書や帳票の OCR では、正しく読める最小のサイズをテストしてください。
- コンテキスト。 画像トークンもテキストと同じようにコンテキストウィンドウを消費します。マルチターンのチャットでは、再送した画像のたびに再び課金されます。
BroadNet Inference の場合
画像入力は DeepSeek V4.1 Flash、Qwen3.8 27B、Gemma 4 VL 26B で使え、メッセージの content に base64 の data: URL として送ります。BroadNet の API リファレンスには “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.”(訳:従量課金のキーでは、画像はモデルの入力単価で入力トークンとして数えられ、大きい画像ほど多くのトークンを使う。プランでは、画像はプランの無制限利用に含まれる)とあります。たとえば Gemma 4 VL 26B の画像トークンは、100 万入力トークンあたり $0.10 で課金されます。BroadNet は画像ごとのトークン計算式を公開していないため、画像にいくらかかったかは応答の usage.prompt_tokens で確認してください。アラビア語の請求書ガイドに完全な例があり、最安のビジョン LLM API で料金を比較しています。