15个视觉API图像token开销横评：最大相差270倍

同一张 1024x1024 的图片，在 GPT-5.6 上消耗 693 个输入 token，在 Qwen 3.8 Max 上消耗 988 个，在 Gemini 上消耗 1,089 个，在 Claude 上消耗 1,372 个——将各提供商的实际输入费率 적용 后，15 个 vision 模型的费用从 $0.00005 到 $0.0137 不等，差距约 270 倍。五家厂商对外公布了图片计费规则，但我们的实测数据与其中三家的规则相悖。本文是前一篇文本分词器研究的图片篇：使用同一套本地生成的 PNG 图片送往目录中所有 vision 模型，用带图片的提示词 token 数减去不带图片的提示词 token 数，涵盖六个尺寸、五种宽高比、三种内容类型、三种文件格式，以及一至四张图片的组合。

一张 1024x1024 图片：GPT-5.6 消耗 693 token，Gemini 消耗 1,089，Claude 消耗 1,372；费用从 qwen3-vl-flash 的 $0.00005 到 claude-fable-5 的 $0.0137 不等。

三种计费方案：patch 公式（Qwen 的 (side/32)²+2 精确命中）、带上限的 tiles（GPT 止步于 693）、以及固定费率（Gemini 无论尺寸一律 1,089，连缩略图也不例外）。

三家的公开规则未能通过实测：Claude 旗舰款的缩放临界点约在 1,920px 而非文档所述的 1,568px；Gemini 按固定 1,089 计费而文档写的是 258；Qwen 的网格是 32px 而非 28。

文件格式和内容从未移动过一个 token：计费只看几何尺寸。

各家厂商如何描述图片计费方式？

七大家族中有五家发布了计费规则，其中三家规则未能通过实测。下面这张表就是全文的缩影；后续每一节要么是某处分歧的凭证，要么是文档从未提及的费用行为：

右列的规律值得专门命名：公开规则全都关乎几何（patch、tiles、除数），而几何是可测量的，所以我们测量了它。当两列出现分歧时，你的预算表格就继承了这个误差：一个按文档中 1,568px 上限来构建的 Claude 旗舰管道，在大图上会少算约 45% 的费用；而一个以为缩略图按 258 token 计费的 Gemini 管道，实际上每个图标要付 4.2 倍。

一张图片消耗多少 token？

在我们的矩阵中，答案是 6 到 5,486 不等，取决于模型和尺寸，而 token 数量只是账单的一半。以下是同一张 1024x1024 PNG 在目录中每个 vision 模型上的结果，并 applied 了各模型的输入费率：

三次读数。第一，计费逻辑字面意义：按每 token 约 0.75 个英文单词计算，一张 1024px 图片占据的上下文预算相当于 520 到 1,030 个单词的文档——这就是为什么图片密集的对话比纯文本更快耗尽上下文窗口和预算。第二，美元列几乎完全取决于费率：token 数量集中在 2 倍以内（693 到 1,379），所以在任何模型上一张图片的费用是其每 1,000 输入 token 收费的 0.69x 到 1.38x，而 270 倍的美元差距来自于费率，而非 vision 分词器。第三，家族共享分词器：两个 qwen3-vl 版本、两个 GPT-5.6 变体、全部三个 Gemini、以及全部四个 Claude 模型，在所有正方形图片上返回了相同或几乎相同的数值——与我们在文本上测出的每家族一个分词器规律一致。

什么决定了图片的 token 成本？

五个因素会影响账单，而三个广泛流传的假设因素则不会。本研究中其他所有内容都是对这张表某一行数据的深入探讨：

三个非因素值得明确指出，因为两种迷思都有流传：本矩阵中没有任何 API 将压缩比或图片复杂度计入账单。几何进，token 出。

三种计费方案是什么？

Patch 公式、带上限的 tiles、以及固定费率，它们对小图的定价方式完全不同。我们跑了一个六档尺寸阶梯，从 64px 到 2,048px 的正方形：

Qwen 公式足够精确可以用于预算：1,024px 正方形计费为 (1024/32)² + 2 = 1,026，精确到 token；有 padding 的最小值是 8x8 patches（66），缩放上限是 1,600px（从 1,600 到 1,920px 的图片全部精确计为 2,502）。GPT 用 tiles 计费直到 693 从不超出：1,024px 和 2,048px 的图片费用相同。固定费率的两位是缩略图流量的陷阱：Gemini 对 64px 图标按 1,089 token 计费，与 4K 截图经过缩放后的费用一样；Seed 按 1,298 计费。另一个极端，Kimi K3 持续攀升突破了所有人的上限：3,072px 正方形计费 11,674 token，是矩阵中唯一一个我们从未看到缩放的模型。

缩放边界具体在哪里？

除 Kimi 外所有家族都会在计费前对大图进行缩放，而且边界在仪表盘显示的位置，而不是文档记载的位置。Claude 的边界值得详细说明，因为它在 claude-sonnet-5 及以上版本的定价上涉及真金白银：1,568px 计 3,139 token，1,728px 计 3,847，1,920px 计 4,764，之后停止（2,048px 和 2,304px 也是 4,764）。旗舰三杰持续用真实像素计费约 45% 超过文档上限；claude-haiku-4-5 是唯一一个按文档描述行事的模型。如果你能控制上传管道，在编码前将图片缩放到各模型的实测上限：超过边界的像素要么被额外计费（Kimi），要么被静默丢弃（其他所有），所以超大图片上传只买了带宽，什么也没买到。

形状、内容或文件格式会改变账单吗？

我们实测到的每个形状效应都可以用两个因素解释，且都与文件大小无关：模型是按面积计费还是按边界网格计费，以及其长边缩放阈值在哪里。至于内容和格式，在任何地方都没有移动过一个 token：一张 512px 的纯色图片、噪点图和文字密集型页面在各模型上计费完全相同，同一张图片存为 243KB（PNG）、176KB（JPEG）和 174KB（WebP）也计费相同。

该因素探测将面积恒定在 1 百万像素，然后拉伸形状：

对着两个因素来读各行。Qwen、Kimi、Gemini 和 Seed 是平的：纯面积（或固定费率），没有形状项。GPT 是唯一的边界网格计费者，在 8:1 之前，条状图片比相同像素的正方形多付高达 84%，直到长边超过其限制，缩放退还了溢价：616 token，比正方形还便宜。缩放阈值家族在每个模型各自的边界处呈现同样的交叉：Haiku 从 3:1 开始打折（长边 1,774 超过其 1,568 上限：1,068，然后 788，然后 396），Claude 旗舰款只在 8:1 才开始（2,896 超过其约 1,920px 边界：1,107），MiniMax 在超过其 2,048 的 8:1 处（650）。对于宽文档和截图流量的实际意义：在 GPT 上，自己拆分或缩放条状图片；在 Haiku 上，极端形状是静默的最便宜 Claude 像素。

有哪些手段能真正降低图片输入成本？

三个，按杠杆顺序排列。第一，缩放到模型的上限：超过缩放边界的每个像素在 Kimi 上（有上限）都会被计费，在其他地方则是浪费。第二，detail: "low"：在 GPT 上，512px 时什么都不变（两种设置都是 309），但在 2,048px 时会将图片锁定在 309 token，而 high 或 auto 是 693，降幅 55%，这是我们在任何模型上发现的唯一 per-request 图片调节旋钮。第三，让计费方案匹配工作负载：固定费率模型（Gemini、Seed）是缩略图和图标流量的错误归宿，却是始终如一的大尺寸扫描的正确选择；patch 和 tile 模型对小图定价更诚实（64px 图标在 GPT 上是 6 token，在 Kimi 上是 17）。

多图请求在任何地方都没有折扣：将 1 张、2 张、4 张相同图片堆叠在一个消息中，在全部 15 个模型上都是严格叠加计费，每张图片按其完整单图价格执行。这算术对固定费率方案伤害最大：一张 Gemini 请求中的四张 256px 缩略图要花 4,356 个图片 token，而 qwen3-vl-flash 上的四张同样尺寸缩略图只需 264。

一张 1024x1024 图片消耗多少 token？

在同一张 PNG 上实测：GPT-5.6 上 693，Qwen 3.8 Max 上 988，qwen3-vl 上 1,026，Gemini 上 1,089，ByteDance Seed 上 1,298，MiniMax 上 1,371，Claude 上 1,372，Kimi K3 上 1,379。2 倍的 token 差距没有 Applied 的费率影响大：美元费用从 qwen3-vl-flash 的 $0.00005 到 claude-fable-5 的 $0.0137 不等。

图片文件格式或压缩会影响 token 成本吗？

不影响，在我们测量的每个模型上都是如此：同一张 512px 图片存为 PNG（243KB）、JPEG（176KB）和 WebP（174KB）计费完全相同，纯色、噪点和文字密集型内容的计费也完全相同。计费只与像素尺寸有关；为带宽压缩，不要为 token 压缩。

detail: "low" 会减少图片 token 吗？

在 GPT-5.6 上是的，且仅在小型图片阈值以上才生效：2,048px 图片在 low 下计 309 token，而 high 或 auto 是 693（减少 55%），而在 512px 时三种设置都是 309。矩阵中没有其他模型暴露出可用的 per-request 图片成本调节旋钮。

如果把多张图片批量到一个请求里会更便宜吗？

不会：相同图片的 1 张、2 张、4 张副本在每个模型上都严格叠加计费，每张图片按全价。批量节省的是请求开销和延迟，不是图片 token，而在固定费率模型（Gemini、Seed）上，一个请求中放多张小图是最昂贵的形态。

测量时间：2026-08-13/14，通过 Synthorai 网关对 17 个模型（15 个 vision 模型、2 个纯文本对照）进行。本地生成精确尺寸的 PNG，图片成本以带图片的提示词 token 数减去加盐同文本基线的 token 数来读取；六档尺寸阶梯（64-2,048px），边界探测到 3,072px，六种 1MP 宽高形状（1:1 到 8:1 外加一个 1:4 竖塔），三种内容类型，PNG/JPEG/WebP，GPT 上的 detail low/high/auto，1/2/4 图片堆叠，以及每个模型上的代码词视觉检查。美元数字由测量之日各模型页面列出的输入费率乘以实测 token 数计算（Sonnet 5 按其 $2 的 introductory 费率）。Vision 计费规则随时变化；在依赖任何一个单一数值之前，重新跑一遍阶梯。