Страницы цен vision API редко пишут «за изображение». Они указывают цену за миллион токенов, а изображение превращается в токены. В этой статье цены за токены пересчитаны в стоимость изображения и страницы документа для трёх vision-моделей на BroadNet Inference и показано, какие настройки меняют итог.
Как тарифицируется изображение в LLM API?
Визуально-языковая модель разбивает изображение на фрагменты (патчи) и превращает их в токены. Вы платите за эти токены по цене входа вместе с текстовым промптом. Ответ тарифицируется как выход. Итак:
cost per image ≈ (image tokens + prompt tokens) × input price / 1M
+ answer tokens × output price / 1M
Отдельной платы за изображение на BroadNet нет. Число токенов изображения зависит от кодировщика изображений модели и от разрешения, поэтому фото с телефона шириной 4 000 пикселей стоит дороже, чем то же фото после уменьшения.
Сколько токенов занимает одно изображение?
Зависит от семейства моделей:
- Gemma 4 работает с фиксированным бюджетом токенов на изображение: “70, 140, 280, 560, or 1120 tokens” (перевод: «70, 140, 280, 560 или 1120 токенов»), согласно документации Gemma от Google. Меньшие бюджеты уменьшают изображение и работают быстрее; по словам Google, большие бюджеты сохраняют мелкие детали, и их рекомендуют для максимальной точности в визуальных задачах.
- Qwen3-VL имеет коэффициент сжатия 32, то есть примерно один токен на блок 32 × 32 пикселя, а в его README показано, как задать бюджет визуальных токенов на изображение в диапазоне, например, от 256 до 1 280. Изображение 1 024 × 1 024 — это около 32 × 32 = 1 024 токенов.
BroadNet не публикует настройки изображений для своих развёртываний, поэтому считайте эти цифры порядком величины. Отправьте одно из своих реальных изображений и посмотрите usage.prompt_tokens, затем вычтите число токенов того же запроса только с текстом. Это и есть токены вашего изображения. Калькулятор токенов изображения применяет задокументированное правило каждого провайдера к любому размеру изображения.
Сколько стоит каждая vision-модель?
Цены BroadNet Inference за 1 млн токенов, синхронизировано 2026-11-14:
| Модель | Вход | Выход | Контекст | Сначала рассуждает | Стартовый грант |
|---|---|---|---|---|---|
| Gemma 4 VL 26B | $0.10 | $0.22 | 32 768 | Не указано | Да |
| Qwen3.8 27B | $0.175 | $2.17 | 262 144 | Да | После пополнения |
| DeepSeek V4.1 Flash | $0.175 | $0.52 | 1 048 576 | Да | После пополнения |
Сколько стоят 1 000 изображений?
Допустим, каждое изображение вместе с коротким промптом даёт около 1 000 входных токенов. Тогда 1 000 изображений — это 1 млн входных токенов, и стоимость входа на 1 000 изображений равна цене за 1 млн:
| Модель | Стоимость входа на 1 000 изображений | Стоимость выхода на 1 млн токенов ответа |
|---|---|---|
| Gemma 4 VL 26B | $0.10 | $0.22 |
| Qwen3.8 27B | $0.175 | $2.17 |
| DeepSeek V4.1 Flash | $0.175 | $0.52 |
Посчитайте свои объёмы в бесплатном калькуляторе стоимости LLM API. Порядок меняют две вещи:
- Длина ответа. Метка из одного слова дешёвая везде. JSON-извлечение на 300 токенов у модели с рассуждениями может нести ещё несколько сотен токенов рассуждений, которые тарифицируются по цене выхода. Цена выхода у Qwen3.8 27B ($2.17 за 1 млн) в несколько раз выше, чем у DeepSeek V4.1 Flash ($0.52), поэтому при длинных ответах DeepSeek обходится дешевле.
- Размер изображения. Если ваши изображения занимают по 2 000 токенов, удвойте столбец входа. Если для вашей задачи хватает бюджета Gemma в 280 токенов, стоимость входа падает примерно до четверти.
Сколько стоит одна страница документа?
Отсканированная страница A4, отрисованная примерно в 1 024 × 1 024 пикселя, на кодировщике в стиле Qwen даёт около 1 000 токенов. Отсюда грубое правило: 1 000 страниц ≈ 1 млн входных токенов, без учёта промпта и ответа. Мелкому шрифту может понадобиться большее разрешение, а значит, и больше токенов.
Практические советы по страницам:
- Отправляйте текстовые PDF как извлечённый текст, а не как изображения. Текст занимает гораздо меньше токенов, чем картинка с текстом.
- Обрезайте до нужной области, например блока с итогами в счёте.
- Отправляйте по одной странице на запрос, когда нужны поля с каждой страницы, чтобы сбой не стоил вам всего документа.
BroadNet — самый дешёвый vision API?
Не по всем позициям. Вот то же семейство открытых vision-моделей у DeepInfra, по её странице цен на 14 ноября 2026 г., за 1 млн токенов:
| Модель у DeepInfra | Вход | Выход |
|---|---|---|
| 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 |
Цена входа Gemma 4 у DeepInfra ниже, чем $0.10 у BroadNet, а цена выхода выше, чем $0.22 у BroadNet. Поэтому для классификации изображений с ответами из одного слова дешевле DeepInfra, а для длинных JSON-извлечений дешевле может оказаться BroadNet. Сравните больше хостов на странице цен Gemma 4 26B A4B и странице цен Qwen3-VL 235B или прочитайте страницу альтернативы DeepInfra. Рейтинг самых дешёвых LLM API и индекс цен LLM API показывают эти цены в контексте рынка.
Какую vision-модель выбрать?
- Самая низкая цена на BroadNet, простые задачи: Gemma 4 VL 26B. Метки, подписи, «есть ли подпись на документе?». Работает на стартовом гранте $5. Её контекст в 32 768 токенов ограничивает число изображений в одном запросе.
- Документы и скриншоты на арабском: Qwen3.8 27B, модель, которую BroadNet тестировала на арабском. См. чтение арабских счетов с помощью vision-модели и статью Как выбрать LLM для арабского.
- Длинные ответы, много изображений в одном запросе или очень большой объём: DeepSeek V4.1 Flash. Её контекст в 1 048 576 токенов вмещает много страниц сразу, а на фиксированном тарифе изображения входят в безлимитное использование.
Сравнения бок о бок: Gemma 4 VL 26B или Qwen3.8 27B и DeepSeek V4.1 Flash или Gemma 4 VL 26B.
Когда фиксированный тариф выгоднее оплаты за изображения?
Сессия Full Moon стоит $60 в месяц за безлимитный DeepSeek V4.1 Flash, один запрос за раз. При примерно 1 000 токенов на изображение каждые 1 000 изображений стоят $0.175 за вход на DeepSeek V4.1 Flash, поэтому один только вход достигает цены тарифа на $60 ÷ $0.175 тысяч изображений в месяц, без учёта ответов. Если один воркер обрабатывает изображения весь день, измерьте его пропускную способность на часовой сессии Meteor ($1) и сравните или воспользуйтесь калькулятором фиксированного тарифа и оплаты за токены. Полный метод — в расчёте точки безубыточности.
Как снизить расходы на vision?
- Уменьшайте изображения до минимального разрешения, при котором они ещё читаются правильно. Проверьте три размера на 20 образцах.
- Просите короткий JSON с именованными ключами, а не текст.
- Для простого извлечения на моделях с рассуждениями ставьте
reasoning_effortвlowи держитеmax_tokensна уровне 1 000 или больше, чтобы ответ не обрезался. Почему ответы приходят пустыми. - Указывайте правильный MIME-тип в data URL (
image/pngдля PNG). - Логируйте
prompt_tokensдля каждого изображения, чтобы ловить слишком большие загрузки.
Место BroadNet Inference
BroadNet предлагает три vision-модели на одном ключе, от Gemma с оплатой за токены до фиксированного тарифа, без платы за изображение и с нулевым хранением данных для отправленных изображений. Она подходит для счетов, чеков, скриншотов и документов на арабском. Это не самый дешёвый хост для задач, где основной объём — вход, как показывает таблица DeepInfra, и она не генерирует изображения, а только понимает их. О самом конвейере извлечения читайте в статье Извлечение данных из счетов в JSON с помощью vision LLM. Начните со стартового гранта $5.
