ماڈل براہِ راست پکسلز نہیں پڑھ سکتا۔ وہ تصویر کو ٹوکنز کی ایک قطار کے طور پر پڑھتا ہے، اور زیادہ تر APIs پر آپ ان میں سے ہر ایک کی قیمت ادا کرتے ہیں۔
یہ کیسے کام کرتے ہیں
فراہم کنندگان تصویر کو اپنی حدود میں فٹ کرنے کے لیے ری سائز کرتے ہیں، پھر اسے چھوٹے مربعوں میں کاٹ کر گنتے ہیں۔ اصول مختلف ہیں۔
Anthropic. Claude کی دستاویزات کہتی ہیں کہ ہر 28×28 پکسل کا patch ایک “visual token” (بصری ٹوکن) ہے، اس لیے ایک تصویر کی لاگت ⌈width / 28⌉ × ⌈height / 28⌉ ٹوکنز ہے۔ زیادہ سے زیادہ لمبے کنارے یا ٹوکن تعداد سے بڑی تصویریں چھوٹی کر دی جاتی ہیں۔ standard tier پر حد 1,568 px اور 1,568 ٹوکنز ہے؛ high-resolution tier (Claude 4.7 اور بعد کے) پر 2,576 px اور 4,784 ٹوکنز۔
| تصویر | Standard tier | High-resolution tier |
|---|---|---|
| 200×200 | 64 | 64 |
| 1000×1000 | 1,296 | 1,296 |
| 1920×1080 | 1,560 (1456×819 پر ری سائز) | 2,691 |
OpenAI. نئے ماڈلز 32 پکسل کے patches گنتے ہیں، ceil(width/32) × ceil(height/32)، ہر ماڈل کا patch بجٹ لگاتے ہیں، پھر ایک ماڈل factor سے ضرب دیتے ہیں۔ ایک ماڈل کے لیے OpenAI کی حل شدہ مثال: 1024×1024 کی تصویر 1,024 patches ہے، اور 1,024 × 1.2 اوپر راؤنڈ ہو کر 1,229 ٹوکنز بنتا ہے۔ GPT-4o جیسے پرانے ماڈلز 512 پکسل کی tiles استعمال کرتے ہیں: 85 ٹوکنز کی بنیاد اور ہر tile کے 170، یا detail: low پر صرف بنیادی ٹوکنز۔
اس لیے ایک ہی تصویر کی ٹوکن تعداد مختلف ماڈلز پر بہت مختلف ہو سکتی ہے۔ موازنے کے لیے امیج ٹوکن کیلکولیٹر استعمال کریں۔
یہ کیوں اہم ہیں
- لاگت. Anthropic کے جدول کے مطابق 1000×1000 کی تصویر Claude پر 1,296 ٹوکنز ہے۔ بڑے پیمانے پر، بھیجنے سے پہلے تصویریں ری سائز کرنے سے ان پٹ لاگت نمایاں طور پر کم ہو سکتی ہے۔
- درستی کا سودا. تصویر چھوٹی کرنے سے ٹوکنز بچتے ہیں، لیکن باریک تحریر پڑھنے کے قابل نہیں رہ سکتی۔ انوائسز یا فارمز کے OCR کے لیے وہ سب سے چھوٹا سائز ٹیسٹ کریں جو اب بھی درست پڑھا جائے۔
- Context. امیج ٹوکنز ٹیکسٹ کی طرح context window بھرتے ہیں۔ multi-turn چیٹ میں، دوبارہ بھیجی گئی ہر تصویر کا پھر سے بل بنتا ہے۔
BroadNet Inference پر
امیج ان پٹ DeepSeek V4.1 Flash، Qwen3.8 27B اور Gemma 4 VL 26B پر کام کرتا ہے، جو میسج کنٹینٹ میں base64 data: URL کے طور پر بھیجا جاتا ہے۔ BroadNet کا API ریفرنس کہتا ہے: “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.” (ترجمہ: استعمال کے مطابق ادائیگی والی کلید پر تصویر ماڈل کی ان پٹ قیمت پر ان پٹ ٹوکنز کے طور پر گنی جاتی ہے، اور بڑی تصویر زیادہ ٹوکنز لیتی ہے۔ پلان پر تصویریں پلان کے لامحدود استعمال کا حصہ ہیں۔) مثال کے طور پر، Gemma 4 VL 26B کے امیج ٹوکنز $0.10 فی 1M ان پٹ ٹوکنز پر بل ہوتے ہیں۔ BroadNet فی تصویر ٹوکنز کا کوئی فارمولا شائع نہیں کرتا، اس لیے کسی تصویر کی لاگت دیکھنے کے لیے جواب میں usage.prompt_tokens پڑھیں۔ عربی انوائس گائیڈ میں مکمل مثال ہے، اور سب سے سستا vision LLM API قیمتوں کا موازنہ کرتا ہے۔