Model tidak boleh membaca piksel secara terus. Ia membaca imej sebagai satu siri token, dan pada kebanyakan API anda membayar untuk setiap satu.
Cara ia berfungsi
Penyedia memotong imej kepada petak kecil dan mengiranya, selepas mengubah saiznya supaya muat dalam had mereka. Peraturannya berbeza.
Anthropic. Dokumentasi Claude menyatakan setiap patch 28×28 piksel ialah satu “visual token”, jadi kos sesuatu imej ialah ⌈width / 28⌉ × ⌈height / 28⌉ token. Imej yang melebihi had sisi panjang maksimum atau bilangan token dikecilkan. Pada peringkat standard, hadnya 1,568 px dan 1,568 token; pada peringkat resolusi tinggi (Claude 4.7 dan kemudian), 2,576 px dan 4,784 token.
| Imej | Peringkat standard | Peringkat resolusi tinggi |
|---|---|---|
| 200×200 | 64 | 64 |
| 1000×1000 | 1,296 | 1,296 |
| 1920×1080 | 1,560 (saiz diubah kepada 1456×819) | 2,691 |
OpenAI. Model yang lebih baharu mengira patch 32 piksel, ceil(width/32) × ceil(height/32), menggunakan bajet patch bagi setiap model, kemudian mendarab dengan faktor model. Contoh pengiraan OpenAI untuk satu model: imej 1024×1024 ialah 1,024 patch, dan 1,024 × 1.2 dibundarkan ke atas kepada 1,229 token. Model lama seperti GPT-4o menggunakan jubin 512 piksel: asas 85 token ditambah 170 bagi setiap jubin, atau hanya token asas pada detail: low.
Jadi foto yang sama boleh menelan bilangan token yang sangat berbeza pada model berlainan. Gunakan kalkulator token imej untuk membandingkan.
Mengapa ia penting
- Kos. Imej 1000×1000 ialah 1,296 token pada Claude menurut jadual Anthropic. Pada skala besar, mengubah saiz imej sebelum menghantarnya boleh mengurangkan kos input dengan ketara.
- Pertukaran ketepatan. Mengecilkan imej menjimatkan token tetapi boleh menjadikan tulisan kecil tidak boleh dibaca. Untuk OCR invois atau borang, uji saiz terkecil yang masih dibaca dengan betul.
- Konteks. Token imej memenuhi tetingkap konteks seperti teks. Dalam chat berbilang giliran, setiap imej yang dihantar semula dibilkan sekali lagi.
Di BroadNet Inference
Input imej berfungsi pada DeepSeek V4.1 Flash, Qwen3.8 27B dan Gemma 4 VL 26B, dihantar sebagai URL data: base64 dalam kandungan mesej. Rujukan API BroadNet menyatakan: “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.” (Terjemahan BroadRouter: “Pada kunci bayar ikut guna, imej dikira sebagai token input pada harga input model, dan imej yang lebih besar menggunakan lebih banyak token. Pada pelan, imej termasuk dalam penggunaan tanpa had pelan itu.”) Sebagai contoh, token imej Gemma 4 VL 26B dibilkan pada $0.10 setiap 1M token input. BroadNet tidak menerbitkan formula token bagi setiap imej, jadi baca usage.prompt_tokens dalam respons untuk melihat kos sesuatu imej. Panduan invois Arab mempunyai contoh penuh, dan API LLM vision paling murah membandingkan harga.