BroadRouter

Image token (token hình ảnh)

Cập nhật

Token hình ảnh là các token đầu vào mà model ngôn ngữ thị giác dùng để biểu diễn một ảnh trong prompt. Nhà cung cấp tính chúng từ kích thước ảnh, thường bằng cách resize rồi chia thành patch hoặc tile cố định, và tính tiền như token văn bản, nên ảnh lớn tốn hơn.

Còn gọi là: token hình ảnh là gì, cách tính token ảnh, chi phí token ảnh, token ảnh đầu vào, vision token, image tokens, image token cost, vision tokens, image input tokens

Model không đọc pixel trực tiếp. Nó đọc ảnh như một chuỗi token, và trên đa số API, bạn trả tiền cho từng token đó.

Cách hoạt động

Nhà cung cấp resize ảnh cho vừa giới hạn của họ, rồi cắt ảnh thành các ô vuông nhỏ và đếm chúng. Quy tắc mỗi nơi một khác.

Anthropic. Tài liệu của Claude nói mỗi patch 28×28 pixel là một “visual token” (token thị giác), nên một ảnh tốn ⌈width / 28⌉ × ⌈height / 28⌉ token. Ảnh vượt cạnh dài tối đa hoặc số token tối đa sẽ bị thu nhỏ. Ở tier tiêu chuẩn, giới hạn là 1,568 px và 1,568 token; ở tier độ phân giải cao (Claude 4.7 trở đi) là 2,576 px và 4,784 token.

Ảnh Tier tiêu chuẩn Tier độ phân giải cao
200×200 64 64
1000×1000 1,296 1,296
1920×1080 1,560 (resize về 1456×819) 2,691

OpenAI. Các model mới hơn đếm patch 32 pixel, ceil(width/32) × ceil(height/32), áp dụng ngân sách patch riêng cho từng model, rồi nhân với hệ số của model. Ví dụ của OpenAI cho một model: ảnh 1024×1024 là 1,024 patch, và 1,024 × 1.2 làm tròn lên thành 1,229 token. Các model cũ hơn như GPT-4o dùng tile 512 pixel: 85 token cơ bản cộng 170 token cho mỗi tile, hoặc chỉ token cơ bản khi đặt detail: low.

Vì vậy cùng một bức ảnh có thể tốn số token rất khác nhau trên các model khác nhau. Dùng công cụ tính token hình ảnh để so sánh.

Vì sao quan trọng

  • Chi phí. Theo bảng của Anthropic, một ảnh 1000×1000 là 1,296 token trên Claude. Ở quy mô lớn, resize ảnh trước khi gửi có thể giảm đáng kể chi phí đầu vào.
  • Đánh đổi độ chính xác. Thu nhỏ ảnh tiết kiệm token nhưng có thể làm chữ nhỏ không đọc được. Với OCR hóa đơn hay biểu mẫu, hãy thử tìm kích thước nhỏ nhất vẫn đọc đúng.
  • Context. Token hình ảnh lấp đầy context window giống như văn bản. Trong hội thoại nhiều lượt, mỗi ảnh gửi lại đều bị tính tiền lần nữa.

Trên BroadNet Inference

Đầu vào hình ảnh hoạt động trên DeepSeek V4.1 Flash, Qwen3.8 27B và Gemma 4 VL 26B, gửi dưới dạng URL data: base64 trong nội dung tin nhắn. Tài liệu tham chiếu API của BroadNet viết: “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.” (Bản dịch: Trên key trả theo mức dùng, ảnh được tính là token đầu vào theo giá đầu vào của model, và ảnh lớn hơn dùng nhiều token hơn. Trên gói, ảnh nằm trong phần sử dụng không giới hạn của gói.) Ví dụ, token hình ảnh của Gemma 4 VL 26B được tính $0.10 cho mỗi 1 triệu token đầu vào. BroadNet không công bố công thức token cho mỗi ảnh, nên hãy đọc usage.prompt_tokens trong phản hồi để biết một ảnh tốn bao nhiêu. Hướng dẫn đọc hóa đơn tiếng Ả Rập có ví dụ đầy đủ, và API LLM vision rẻ nhất so sánh giá.

Câu hỏi thường gặp

Ảnh càng lớn thì càng tốn tiền?

Đến một giới hạn. Cả OpenAI và Anthropic đều ghi rằng ảnh vượt kích thước tối đa sẽ bị thu nhỏ, nên số token ngừng tăng sau ngưỡng đó. Dưới ngưỡng, càng nhiều pixel thì càng nhiều patch và càng nhiều token.

Token hình ảnh có tính vào context window không?

Có. Chúng là token đầu vào, nên nhiều ảnh lớn trong một request có thể chiếm hết context window và làm tăng chi phí của mọi lượt sau có gửi lại các ảnh đó.

Có công cụ tính token hình ảnh không?

Có. Công cụ tính token hình ảnh của chúng tôi áp dụng quy tắc mà từng nhà cung cấp công bố lên kích thước ảnh của bạn và hiển thị số token.

Đọc dạng MarkdownHỏi ChatGPTHỏi ClaudeHỏi Perplexity