你把一张4K截图、一份扫描件、一段UI稿丢给 GPT-4o / Claude / Gemini 做 OCR、文档理解、截图分析，以为"就是看个图"，结果一张图偷偷烧掉两千到四千 token。真正烧钱的不是模型，是你发的图太大了。本文给你四个能在今晚就上线的开关，把多模态账单砍掉八成，再叠加批处理 API 的五折，做到"图照喂、钱少花"。
绝大多数中国开发者的认知是：图像 input 按"张"计费，一张图几个 token 而已。 错。三大厂的多模态计费，本质都是瓦片（tile）计费——图越大，瓦片越多，token 成比例飙升。模型没在"看图"，它在"啃一张张 768×768 / 512×512 的小格子"。
三家的底层规则（官方文档稳定值）：
| 平台 | 单瓦片尺寸 | 单瓦片 token | 计费规律 |
|---|---|---|---|
| OpenAI（GPT-4o 系，high detail） | 512×512 | 170 token/瓦片 + 85 基础 | 图越大瓦片越多 |
| OpenAI（low detail） | 整图一张 | 固定 85 token | 与分辨率无关 |
| Anthropic Claude | ≈整图，按像素 | tokens ≈ 宽×高/750 |
像素越多越贵 |
| Google Gemini | 768×768 | 258 token/瓦片 | 大图拆成多瓦片 |
把这表读懂，你就明白账单是怎么涨的：
85 + 4×170 = 765 token。3×3=9 瓦片 ×258 = 2,322 token。5×3=15 瓦片 ×258 = 3,870 token。(3840×2160)/750 ≈ 11,000，但 Claude 会先压到最长边 1568px）→ 实际落在 1500–2500 token 区间。也就是说，你随手丢一张大截图，单张就能烧掉 2000–4000 token。 跑批量文档理解、批量截图分析时，这就是隐形出血点。而 90% 的人从来没动过任何参数——默认就是 high detail、原图直传。
最暴力也最有效的一刀。既然计费按瓦片，那就把图压到刚好不浪费瓦片的尺寸。
代码一行就够（Python + Pillow）：
from PIL import Image
img = Image.open("screenshot.png")
img.thumbnail((768, 768)) # Gemini: 长边≤768 → 恒定258 token
img.save("shot_small.jpg", quality=85) # 顺手转 jpg 省带宽
注意一个反直觉点：token 计费看的是像素分辨率，不是文件大小。 你把 PNG 压成几十 KB 的 JPEG，token 数一分不少；只有缩小像素尺寸才省钱。很多人压了个寂寞，就是只压了文件没压分辨率。
OpenAI 给了一个被严重低估的参数：detail: "low"。开了它，不管图多大，固定 85 token，相当于"看个大概"——模型只保留全局轮廓和颜色分布，不读小字。
适合什么场景？分类、粗筛、版式判断、有没有/是不是、主色调识别。比如：
这些任务根本不需要看清像素，low detail 85 token 搞定，比 high detail 便宜 9–45 倍。请求体里加一行：
{ "type": "image_url",
"image_url": { "url": "...", "detail": "low" } }
国内很多人不知道这个字段，因为 chat 界面默认全 high。这是纯认知差。
如果任务只关心图的某一块（一个表格、一个二维码、一段报错、一个 logo），别整张喂，先裁出来。一张 1920×1080 的全屏截图，你只关心右上角的报错弹窗，裁成 400×300 直接砍掉 90% 瓦片。
这条对截屏质检、表单字段抽取、票据局部识别特别有效。配合开关一，裁完再压到瓦片边界，单次视觉调用经常能控制在 100–300 token。
最狠的一刀——很多图的本质就是文字。扫描件、截图里的报错、表格、聊天记录，本质是要"读字"。这时候用视觉模型啃瓦片是下策，先用 OCR 把图转成文本，再当普通 text input 喂进去，文本 token 的单价只有图像 token 的零头。
链路对比：
对大批量文档数字化、票据流水、聊天记录归档这类"图里全是字"的场景，这一招把视觉账单直接归零，只留极便宜的文本账单。唯一前提是 OCR 质量够好——2026 年开源 OCR（PaddleOCR-v5、Surya、olocr）对印刷体和中英混排的准确率已经够用。
把四个开关拼成一条决策路径，每次发图前过一遍：
flowchart TD
A[一张图要喂大模型] --> B{需要看清小字/细节吗?}
B -- 否 --> C[detail: low 固定85token]
B -- 是 --> D{整张图都需要吗?}
D -- 否 --> E[先裁剪到关键区域]
D -- 是 --> F[压到瓦片边界 resize]
E --> F
F --> G{这张图本质是文字吗?}
G -- 是 --> H[OCR 转文本 当text喂]
G -- 否 --> I[high detail 上传]
H --> J[文本token 极便宜]
C --> K[发送]
I --> K
J --> K
K --> L{任务能等吗? 可异步}
L -- 能 --> M[走 Batch API 再砍5折]
L -- 不能 --> N[实时计费]
下半段那个 Batch 分支，是接下来要说的第五个、也是最容易被忽略的"全局开关"。
如果你的视觉任务不要求实时——夜间跑批量的文档理解、截图质检、商品图打标、监控截图巡检——三大厂都有一条几乎没人用的五折通道：
| 平台 | API | 折扣 | 完成时效 |
|---|---|---|---|
| OpenAI | Batch API | 官方价 50% | 24 小时内 |
| Anthropic | Message Batches | 官方价 50% | 24 小时内 |
| Gemini Batch API | 官方价 50% | 24 小时内 |
用法是把成百上千条请求打包成一个 JSONL 文件提交，异步跑完一次性取回。模型一样、质量一样、结果一样，只牺牲"实时"，换 5 折。对批处理场景这几乎是白送。
把前面的四个开关和 Batch 叠起来，效果是相乘的：
flowchart LR
A[4K截图原图<br/>3870 token] --> B[resize到768<br/>258 token]
B --> C[Batch 5折<br/>等效129 token]
A2[账单 100%] --> B2[~6.7%]
B2 --> C2[~3.3%]
从原图 high detail 到"resize + Batch"，等效 token 从 3870 压到 ~129，账单只剩 3%——直降约 30 倍。
按一个常见的批量截图质检场景估算（假设输入价 $2.5 / 百万 token，官方价量级）：
| 方案 | 单图 token | 10万张/月成本 | 相对原价 |
|---|---|---|---|
| 原图 high detail 直传 | ~3,870 | ~$970 | 100% |
| 开关一 resize 到 768 | ~258 | ~$64 | 6.6% |
| 开关一 + Batch 5折 | ~129（等效） | ~$32 | 3.3% |
| 开关四 OCR 转 text（纯文字图） | ~300 文本 token | ~$75（文本价更便宜，实际更低） | 视情况 |
一个月从 970 美元砍到 32 美元，省下 938 美元。 而你做的全部事情，就是加一行 thumbnail((768,768))、把能异步的活丢进 Batch。这还不算那些应该走 OCR 归零的纯文字图。
这就是信息差的现金价值：模型没变、任务没变、结果没变，账单差了 30 倍。
| 你以为的 | 实际上 |
|---|---|
| 一张图 = 几个 token，按张计费 | 图越大瓦片越多，单张能烧 2000–4000 token |
| 压缩 PNG 省钱 | 只压文件不压像素，token 一分不少 |
| 默认参数就是最优 | 默认 high detail、原图直传，是最贵的喂法 |
| OCR 是为了"识别准确" | OCR 更是为了把图像账单变成文本账单 |
| API 价格是死的，没法谈 | 三家都有 Batch 5 折通道，批量场景直接半价 |
| 视觉模型很贵，用不起 | 喂法对，视觉比你想的便宜 10–30 倍 |
| ## 七、行动指南（今晚就能做） |
detail: "low"。做完前两步，多数团队的视觉账单当月就能砍掉一半以上。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护。 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。
site:platform.openai.com / docs.anthropic.com / ai.google.dev 抓取最新官方 token 计费规则，核对本文瓦片数与单价是否需更新。[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。