BroadRouter
شروع کریں

سب سے سستا وژن LLM API: فی تصویر اور فی صفحہ لاگت کا حساب

BroadNet Inference ٹیم · 5 منٹ کی پڑھائی · شائع شدہ · اپ ڈیٹ

وژن LLM تصویر کو ان پٹ ٹوکن کے طور پر بل کرتا ہے، اس لیے تقریباً 1,000 ٹوکن والی 1,000 تصاویر کی لاگت فی 1M ٹوکن ان پٹ قیمت کے برابر ہوتی ہے۔ BroadNet پر سب سے سستا Gemma 4 VL 26B ہے، فی 1M $0.10 ان پٹ اور $0.22 آؤٹ پٹ۔ DeepInfra پر Google کا Gemma 4 26B A4B کم ان پٹ اور زیادہ آؤٹ پٹ قیمت پر درج ہے۔

وژن API کے قیمتوں کے صفحات شاذ ہی “فی تصویر” لکھتے ہیں۔ وہ فی دس لاکھ ٹوکن قیمت دیتے ہیں، اور تصویر ٹوکن میں بدل جاتی ہے۔ یہ پوسٹ BroadNet Inference کے تین وژن ماڈلز کے لیے ان ٹوکن قیمتوں کو فی تصویر اور فی دستاویزی صفحہ لاگت میں بدلتی ہے، اور بتاتی ہے کہ کون سی ترتیبات عدد کو بدلتی ہیں۔

LLM API میں تصویر کیسے بل ہوتی ہے؟

وژن لینگویج ماڈل تصویر کو پیچز میں بانٹ کر ٹوکن میں بدلتا ہے۔ آپ ان ٹوکن کی ادائیگی ان پٹ قیمت پر کرتے ہیں، اپنے ٹیکسٹ پرامپٹ کے ساتھ۔ جواب آؤٹ پٹ کے طور پر بل ہوتا ہے۔ یعنی:

cost per image ≈ (image tokens + prompt tokens) × input price / 1M
               + answer tokens × output price / 1M

BroadNet پر تصویر کی کوئی الگ فیس نہیں۔ تصویر کے ٹوکن کی تعداد ماڈل کے امیج انکوڈر اور ریزولوشن پر منحصر ہے، اس لیے 4,000 پکسل کی فون تصویر اسی تصویر کے چھوٹے کیے گئے ورژن سے مہنگی پڑتی ہے۔

ایک تصویر کتنے ٹوکن کی ہوتی ہے؟

یہ ماڈل خاندان پر منحصر ہے:

  • Gemma 4 ہر تصویر کے لیے ایک مقررہ ٹوکن بجٹ پر کام کرتا ہے: Google کے Gemma ڈاکس کے مطابق “70, 140, 280, 560, or 1120 tokens” (ترجمہ: 70، 140، 280، 560 یا 1120 ٹوکن)۔ کم بجٹ تصویر کو چھوٹا کر کے تیز چلتا ہے؛ Google کہتا ہے کہ زیادہ بجٹ باریک تفصیل برقرار رکھتا ہے، اور بصری کاموں پر بہترین درستی کے لیے اسی کی سفارش کرتا ہے۔
  • Qwen3-VL کا کمپریشن تناسب 32 ہے، یعنی ہر 32 × 32 پکسل بلاک پر تقریباً ایک ٹوکن، اور اس کا README بتاتا ہے کہ فی تصویر بصری ٹوکن بجٹ کو 256 سے 1,280 جیسی حد پر کیسے سیٹ کریں۔ 1,024 × 1,024 کی تصویر تقریباً 32 × 32 = 1,024 ٹوکن کی ہوتی ہے۔

BroadNet اپنی ڈیپلائمنٹس کی تصویری ترتیبات شائع نہیں کرتا، اس لیے انہیں صرف موٹا اندازہ سمجھیں۔ اپنی ایک اصل تصویر بھیجیں اور usage.prompt_tokens پڑھیں، پھر صرف ٹیکسٹ والی تعداد گھٹائیں۔ یہی آپ کی تصویر کی ٹوکن لاگت ہے۔ امیج ٹوکن کیلکولیٹر کسی بھی تصویری سائز پر ہر فراہم کنندہ کا دستاویزی اصول لگاتا ہے۔

ہر وژن ماڈل کی قیمت کیا ہے؟

BroadNet Inference کی قیمتیں فی 1M ٹوکن، 2026-11-14 کو سنک:

ماڈل ان پٹ آؤٹ پٹ کانٹیکسٹ پہلے ریزننگ کرتا ہے ابتدائی کریڈٹ
Gemma 4 VL 26B $0.10 $0.22 32,768 درج نہیں ہاں
Qwen3.8 27B $0.175 $2.17 262,144 ہاں ٹاپ اپ کے بعد
DeepSeek V4.1 Flash $0.175 $0.52 1,048,576 ہاں ٹاپ اپ کے بعد

1,000 تصاویر کی لاگت کتنی ہے؟

فرض کریں کہ ہر تصویر اور اس کا مختصر پرامپٹ مل کر تقریباً 1,000 ان پٹ ٹوکن بنتے ہیں۔ تب 1,000 تصاویر یعنی 1M ان پٹ ٹوکن، اور 1,000 تصاویر کی ان پٹ لاگت فی 1M قیمت کے برابر:

ماڈل فی 1,000 تصاویر ان پٹ لاگت فی 1M جوابی ٹوکن آؤٹ پٹ لاگت
Gemma 4 VL 26B $0.10 $0.22
Qwen3.8 27B $0.175 $2.17
DeepSeek V4.1 Flash $0.175 $0.52

اپنے حجم مفت LLM API لاگت کیلکولیٹر میں ڈال کر دیکھیں۔ دو چیزیں رینکنگ بدلتی ہیں:

  1. جواب کی لمبائی۔ ایک لفظ کا لیبل ہر جگہ سستا ہے۔ ریزننگ ماڈل پر 300 ٹوکن کا JSON ایکسٹریکٹ چند سو مزید ریزننگ ٹوکن لا سکتا ہے، جو آؤٹ پٹ قیمت پر بل ہوتے ہیں۔ Qwen3.8 27B کی آؤٹ پٹ قیمت (فی 1M $2.17) DeepSeek V4.1 Flash کی ($0.52) کئی گنا ہے، اس لیے لمبے جوابات میں DeepSeek سستا پڑتا ہے۔
  2. تصویر کا سائز۔ اگر آپ کی ہر تصویر 2,000 ٹوکن کی بنتی ہے تو ان پٹ کالم دگنا کر دیں۔ اگر آپ کے کام کے لیے Gemma کا 280 ٹوکن والا بجٹ کافی ہے، تو ان پٹ لاگت تقریباً ایک چوتھائی رہ جاتی ہے۔

ایک دستاویزی صفحے کی لاگت کتنی ہے؟

تقریباً 1,024 × 1,024 پکسل پر رینڈر کیا گیا اسکین شدہ A4 صفحہ Qwen جیسے انکوڈر پر قریب 1,000 ٹوکن کا ہوتا ہے۔ اس لیے موٹا اصول ہے 1,000 صفحات ≈ 1M ان پٹ ٹوکن، پرامپٹ اور جواب سے پہلے۔ باریک چھپائی کے لیے زیادہ ریزولوشن، اور زیادہ ٹوکن، لگ سکتے ہیں۔

صفحات کے لیے عملی مشورے:

  • ٹیکسٹ والی PDFs تصویر کی بجائے نکالے گئے ٹیکسٹ کے طور پر بھیجیں۔ ٹیکسٹ کی تصویر سے ٹیکسٹ میں کہیں کم ٹوکن لگتے ہیں۔
  • صرف درکار حصے تک کراپ کریں، جیسے انوائس پر ٹوٹل والا خانہ۔
  • جب ہر صفحے کے فیلڈز چاہییں تو ایک درخواست میں ایک صفحہ بھیجیں، تاکہ کسی ناکامی کی قیمت پوری دستاویز نہ چکائے۔

کیا BroadNet سب سے سستا وژن API ہے؟

ہر مد میں نہیں۔ 14 نومبر 2026 کے اس کے قیمتوں کے صفحے سے، DeepInfra پر اسی خاندان کے اوپن وژن ماڈلز، فی 1M ٹوکن:

DeepInfra پر ماڈل ان پٹ آؤٹ پٹ
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 کی Gemma 4 ان پٹ قیمت BroadNet کے $0.10 سے کم ہے، اور اس کی آؤٹ پٹ قیمت BroadNet کے $0.22 سے زیادہ۔ اس لیے ایک لفظی جوابات کے ساتھ تصویری درجہ بندی کے لیے DeepInfra سستا ہے؛ لمبے JSON ایکسٹریکٹس کے لیے BroadNet سستا پڑ سکتا ہے۔ مزید ہوسٹس کا موازنہ Gemma 4 26B A4B قیمت کے صفحے اور Qwen3-VL 235B قیمت کے صفحے پر کریں، یا DeepInfra کا متبادل صفحہ پڑھیں۔ سب سے سستے LLM APIs کی رینکنگ اور LLM API پرائس انڈیکس ان قیمتوں کو مارکیٹ کے تناظر میں رکھتے ہیں۔

کون سا وژن ماڈل چنیں؟

  • BroadNet کی کم ترین قیمت، آسان کام: Gemma 4 VL 26B۔ لیبلز، کیپشنز، “کیا اس پر دستخط ہیں؟”۔ یہ $5 کے ابتدائی کریڈٹ پر چلتا ہے۔ اس کا 32,768 ٹوکن کا کانٹیکسٹ محدود کرتا ہے کہ ایک درخواست میں کتنی تصاویر آ سکتی ہیں۔
  • عربی دستاویزات اور اسکرین شاٹس: Qwen3.8 27B، وہ ماڈل جسے BroadNet نے عربی میں ٹیسٹ کیا۔ دیکھیں وژن سے عربی انوائسز پڑھیں اور عربی کے لیے LLM کا انتخاب۔
  • لمبے آؤٹ پٹس، ایک درخواست میں کئی تصاویر، یا بہت زیادہ حجم: DeepSeek V4.1 Flash۔ اس کا 1,048,576 ٹوکن کا کانٹیکسٹ ایک ساتھ کئی صفحات لے لیتا ہے، اور مقررہ قیمت والے پلان پر تصاویر لامحدود استعمال کا حصہ ہیں۔

آمنے سامنے موازنے کے صفحات: Gemma 4 VL 26B بمقابلہ Qwen3.8 27B اور DeepSeek V4.1 Flash بمقابلہ Gemma 4 VL 26B۔

مقررہ قیمت والا پلان کب فی تصویر قیمت سے بہتر ہے؟

Full Moon سیشن کی قیمت لامحدود DeepSeek V4.1 Flash کے لیے $60 ماہانہ ہے، ایک وقت میں ایک درخواست۔ تقریباً 1,000 ٹوکن فی تصویر پر، DeepSeek V4.1 Flash پر ہر 1,000 تصاویر کی ان پٹ لاگت $0.175 ہے، اس لیے صرف ان پٹ ہی، جوابات سے پہلے، $60 ÷ $0.175 ہزار تصاویر ماہانہ پر پلان کی قیمت تک پہنچ جاتا ہے۔ اگر ایک ورکر سارا دن تصاویر پروسیس کرتا ہے تو ایک گھنٹے کے Meteor سیشن ($1) پر اس کا تھروپٹ ناپیں اور موازنہ کریں، یا مقررہ قیمت بمقابلہ فی ٹوکن کیلکولیٹر استعمال کریں۔ پورا طریقہ بریک ایون کے حساب میں ہے۔

وژن کی لاگت کیسے کم کریں؟

  1. اس سب سے چھوٹے ریزولوشن تک سائز گھٹائیں جس پر تصویر اب بھی درست پڑھی جائے۔ 20 نمونوں پر تین سائز ٹیسٹ کریں۔
  2. نثر کی بجائے نام والی کلیدوں کے ساتھ مختصر JSON مانگیں۔
  3. آسان ایکسٹریکشن کے لیے ریزننگ ماڈلز پر reasoning_effort کو low پر سیٹ کریں، اور max_tokens کو 1,000 یا زیادہ رکھیں تاکہ جواب کٹے نہیں۔ جوابات خالی کیوں آتے ہیں۔
  4. data URL میں درست MIME ٹائپ استعمال کریں (PNG کے لیے image/png)۔
  5. ضرورت سے بڑے اپ لوڈز پکڑنے کے لیے ہر تصویر کا prompt_tokens لاگ کریں۔

BroadNet Inference کہاں آتا ہے

BroadNet ایک ہی کلید پر تین وژن ماڈلز دیتا ہے، فی ٹوکن والے Gemma سے مقررہ قیمت والے پلان تک، بغیر فی تصویر فیس کے اور آپ کی بھیجی گئی تصاویر کے لیے زیرو ڈیٹا ریٹینشن کے ساتھ۔ یہ انوائسز، رسیدوں، اسکرین شاٹس اور عربی دستاویزات کے لیے موزوں ہے۔ جیسا کہ DeepInfra والا جدول دکھاتا ہے، ان پٹ بھاری کام کے لیے یہ سب سے سستا ہوسٹ نہیں، اور یہ تصویر بنانا نہیں، صرف تصویر سمجھنا دیتا ہے۔ ایکسٹریکشن پائپ لائن کے لیے دیکھیں وژن LLM سے انوائس کا ڈیٹا JSON میں نکالیں۔ $5 کے ابتدائی کریڈٹ سے شروع کریں۔

عام سوالات

وژن LLM میں ایک تصویر کتنے ٹوکن کی ہوتی ہے؟

یہ ماڈل اور ریزولوشن پر منحصر ہے۔ Gemma 4 فی تصویر 70 سے 1,120 ٹوکن کے بجٹ استعمال کرتا ہے۔ Qwen کے VL ماڈلز ہر 32 × 32 پکسل بلاک پر تقریباً ایک ٹوکن لیتے ہیں۔ اصل تعداد کے لیے usage بلاک میں prompt_tokens پڑھیں۔

BroadNet پر سب سے سستا وژن LLM API کون سا ہے؟

Gemma 4 VL 26B، فی 1M ٹوکن $0.10 ان پٹ اور $0.22 آؤٹ پٹ پر۔ یہ مفت ابتدائی کریڈٹ پر بھی چلتا ہے۔

کیا فی تصویر کوئی فیس ہے؟

نہیں۔ BroadNet کی استعمال کے مطابق ادائیگی والی کلیدوں پر تصاویر ماڈل کی ان پٹ قیمت پر ان پٹ ٹوکن کے طور پر گنی جاتی ہیں، اور بڑی تصاویر زیادہ ٹوکن لیتی ہیں۔

کیا لامحدود پلان میں تصاویر شامل ہیں؟

جی ہاں۔ DeepSeek V4.1 Flash پلان پر تصاویر اور لمبے پرامپٹس لامحدود استعمال کا حصہ ہیں۔

کیا Gemma 4 وژن کے لیے DeepInfra، BroadNet سے سستا ہے؟

ان پٹ بھاری کام کے لیے جی ہاں۔ 14 نومبر 2026 کو DeepInfra پر gemma-4-26B-A4B-it فی 1M ٹوکن USD 0.07 ان پٹ اور USD 0.34 آؤٹ پٹ پر درج تھا۔ BroadNet بہ $0.10 ان پٹ اور $0.22 آؤٹ پٹ لیتا ہے، اس لیے لمبے جوابات میں BroadNet سستا پڑتا ہے۔

عربی انوائسز کے لیے کون سا وژن ماڈل بہترین ہے؟

Qwen3.8 27B وہ ماڈل ہے جسے BroadNet نے عربی میں ٹیسٹ کیا، رواں تحریر اور خلیجی و مصری لہجوں کی سمجھ کے ساتھ۔ اسے اپنی دستاویزات پر ٹیسٹ کریں۔

Markdown میں پڑھیںChatGPT سے پوچھیںClaude سے پوچھیںPerplexity سے پوچھیں