首页 › cost-hacks › 一张图白烧765 token：视觉调用隐形税

一张图白烧765 token：视觉调用的隐形税

导语：你盯着文字 prompt 一个字一个字地抠 token、上语义缓存、做模型路由，账单还是降不下来？因为你漏掉了桌上最大的那头大象——图片。一张 1024×1024 的截图，喂进 GPT-4o 的 detail:high，光输入侧就要吃掉 765 token；同样的图给 Claude，要烧掉约 1400 token。而把 detail 从 high 拨到 low，同一张图瞬间缩成 85 token，立省 89%。这不是玄学，是写在 OpenAI 和 Anthropic 官方文档里、但几乎没人去读的视觉 token 计算公式。这篇拆给你看：图片 token 到底怎么算、三个 detail 档差出多少真金白银、以及六把能把视觉账单砍到零头的刀。

一、认知差：图片不是按"张"计费，是按"切片"计费

绝大多数人以为图片调用就是"一张图 = 一个固定价格"。错。主流多模态模型对图片的计费逻辑是：先把图片切成 512×512 的小方块（tile），每个方块固定消耗一定 token，再叠加一个 base 费用。也就是说，图片越大、细节越多，token 烧得越狠——这跟文字的"按字符"是两套完全独立的税制。

OpenAI（GPT-4o / GPT-4o-mini）的视觉 token 公式

官方文档里写得明明白白，取决于 detail 参数：

detail: low → 图片被压缩成 512×512，固定 85 token，无论原图多大。
detail: high → 先把最短边缩到 512px（保持比例），然后铺成 512×512 的网格切片，每片 170 token，再加 85 token base 费。
detail: auto（默认）→ 模型自己决定走 low 还是 high，通常对清晰图走 high。

套公式算几笔账（都是真实的经典算例）：

图片尺寸	detail:high 切片数	总 token	detail:low token	省幅
512×512	1	170+85 = 255	85	67%
1024×1024	4（2×2）	4×170+85 = 765	85	89%
2048×2048	16（4×4）	16×170+85 = 2805	85	97%
4096×4096	64（8×8）	64×170+85 = 10965	85	99%

看出来了吗？一张 4K 截图喂进 high 模式，相当于往 prompt 里塞了 1.1 万 token——这还没算你的系统提示词和问题。按 GPT-4o 的 $2.50/百万 input token 算，单单这一张图的输入就要花 $0.027。如果你一天跑 1000 张这种图，光图片就 $27/天，月烧 $800+。

Anthropic（Claude）的视觉 token 公式

Claude 的算法更简单粗暴，约等于：

token ≈ (width × height) / 750

官方建议长边不超过 1568px、文件小于 5MB。套同样的 1024×1024 图：

1024 × 1024 / 750 ≈ 1398 token

同样一张 1024 图，Claude 比 GPT-4o high 模式还要贵接近一倍（1398 vs 765）。Claude 没有 detail 档位开关，所以退不掉税，唯一的办法是你在喂进去之前自己把图压小。这条认知差价值千金。

二、视觉调用的成本决策树

别凭感觉选档，按下面这棵树走，能自动把 80% 的图片成本砍掉：

flowchart TD
    A[拿到一张图] --> B{任务需要看细节吗?}
    B -->|判断/分类/简单OCR/有无某物| C[detail: low<br/>固定85 token]
    B -->|读表格/识手写/看图表数值| D{图分辨率真的需要很高吗?}
    D -->|够用就行| E[resize到长边768-1024<br/>detail: auto或low]
    D -->|必须高清| F[detail: high<br/>接受多tile成本]
    C --> G{这张图是纯文本/截图吗?}
    E --> G
    G -->|是| H[先走免费OCR提文本<br/>只把文本喂模型]
    G -->|否| I[正常视觉调用]
    F --> I
    H --> J[省90%+ token]
    I --> K[按需付费]
    J --> K

记住这条铁律：视觉模型最贵的不是"看见"，而是"看清楚"。绝大多数任务根本不需要它看清。

三、六把退视觉税的刀（每把都立刻能跑）

刀 1：把默认的 `detail:high` 强制改成 `low`

这是投入产出比最高的一刀。detail 参数在 OpenAI API 里是 image_url 里的一个字段：

{
  "type": "image_url",
  "image_url": {
    "url": "https://...",
    "detail": "low"   # ← 加这一行，765→85 token
  }
}

适用场景：图片分类、判断"图里有没有猫"、识别画面里的主物体、判断截图类型。这些任务不需要看清像素细节，85 token 的低分辨率缩略图绰绰有余。

预期效果：高清图场景直接砍掉 67%–99% 的图片 token。一个跑"图片审核分类"的pipeline，月账单能从 $800 掉到 $100 以内。

刀 2：喂图前自己 resize，别让模型替你烧钱

很多人直接把手机拍的 4032×3024 原图（约 4MB）丢给 API，结果 2800+ token 起步。正确做法是上传前用一行代码压到长边 1024 甚至 768，质量和 token 同时优化：

from PIL import Image
img = Image.open("photo.jpg")
img.thumbnail((1024, 1024))   # 长边压到1024
img.save("photo_small.jpg", quality=85)

对 Claude 尤其致命——它的 token 跟像素面积近似成正比，把长边从 1568 砍到 784，token 直接对半。这是 Claude 退税的唯一手段，因为 Claude 没有 detail 开关。

刀 3：能 OCR 的别喂图，先把图变文本

这是最被低估的一刀。纯文字截图、文档扫描件、发票、聊天记录——这些图的本质是"被像素化的文字"，让视觉大模型去"读"，是用大炮打蚊子。

用 Tesseract（免费开源）、PaddleOCR（免费，中文识别强）、或 Cloudflare Workers AI 上的 OCR 模型（按次极便宜）先提取文本
把提取出的纯文本喂给普通文本模型
只有遇到真正需要视觉理解的图（手写公式、复杂图表、版式分析）才走视觉模型

一张发票：走 GPT-4o vision 大约 800 token ≈ $0.002；走 OCR 提文本再喂 GPT-4o-mini，文本可能就 200 token ≈ $0.00003，便宜 60 倍，而且 OCR 速度更快、结果更稳定。

刀 4：模型降级，别拿 GPT-4o 干 GPT-4o-mini 的活

视觉任务的价格差是数量级的：

模型	输入价（$/百万token）	一张765token图的输入成本
GPT-4o	2.50	$0.0019
GPT-4o-mini	0.15	$0.000115（便宜22倍）
GLM-4V（国产）	约 0.5	$0.00038
Gemini 2.0 Flash	约 0.10	$0.0000765

很多视觉任务（分类、检测、简单描述）GPT-4o-mini 和 Flash 的准确率已经够用，却只花 4% 的钱。策略是：先用便宜模型跑一遍，置信度低/任务复杂再升级到 GPT-4o 或 Claude。这跟"模型路由"是同一套思路，但专门针对视觉调用。

刀 5：一张图多个问题，合并成一次调用

很多人对着同一张图反复问"图里几个人""穿的什么颜色""在哪儿"，每次都重新发图、重新烧 765 token。正确做法是把多个问题打包进一次调用：

[系统: 请一次性回答以下所有问题]
[图片]
问题1: 图中有几个人？
问题2: 他们的衣着颜色？
问题3: 背景是什么场景？

图片 token 只算一次，三个问题共享同一张图的 765 token 输入。问 5 个问题，省掉 4 次重复的图片输入，立省 80%。

刀 6：PDF 别当图片喂，先扒文本层

很多人做"PDF 问答"时直接把每页转成图片喂给视觉模型，一页一个 765 token。但绝大多数 PDF 本身就有文本层（不是扫描件），用 pdfplumber、PyMuPDF、或 markitdown 直接提取文本，一页文字通常只有 300–500 token，还省掉了视觉处理。

只有扫描件 PDF（纯图片）才需要走 OCR + 视觉路线。判断方法很简单：能否选中复制里面的文字。能选 → 扒文本；不能选 → 是扫描件 → 走 OCR。

四、信息差总结：你知道的 vs 别人不知道的

维度	你以为的（90%的人）	实际上（信息差）
图片计费	按张固定价	按 512×512 切片，越清晰越贵
一张1024图成本	几分钱	765 token（OpenAI high）/1400 token（Claude）
detail 参数	没注意过，用默认	low=85固定，high=按切片，差89%
Claude图片优化	没法优化	没开关，只能喂图前自己resize
纯文本截图	必须用视觉模型	OCR提文本，便宜60倍
多次问同一图	每次都发图	合并成一次调用，省80%
## 五、行动指南（今天就能做）

先量一次账：去你的 API 后台，把过去 7 天的 image 类型调用 token 数拉出来，乘以单价。你会被这个数字吓到——很多人发现图片 token 占了总账单的 40%+。
全局加一行 detail: low：把所有不需要细节的图片调用改成 low，这是零风险、立竿见影的一刀。
建一道 OCR 预处理闸门：截图/文档类图片先过 OCR，只有 OCR 失败或确实是图表才放行给视觉模型。
批量任务降级模型：把分类、审核类的视觉任务从 GPT-4o 迁到 mini 或 Flash，留 5% 难例给旗舰模型。
resize 写进上传管线：所有图上传前强制 resize 到长边 1024，Claude 用户尤其受益。

按这五步走，一个有规模的视觉应用，图片侧账单砍掉 70%–90% 是常规操作。这比纠结文字 prompt 上的缓存命中率，见效快得多。

参考来源

OpenAI Vision 官方文档（图片 token 计算公式与 detail 参数）：https://platform.openai.com/docs/guides/vision
OpenAI Cookbook（765 token 经典算例与切片说明）：https://cookbook.openai.com/examples/gpt_with_vision
Anthropic Vision 官方文档（token ≈ width×height/750 公式与尺寸建议）：https://docs.anthropic.com/en/docs/build-with-claude/vision
PaddleOCR 开源项目（免费中文 OCR 预处理）：https://github.com/PaddlePaddle/PaddleOCR
OpenAI 定价页（GPT-4o / mini input token 价格）：https://openai.com/api/pricing/

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。

完成摘要

注意事项与下一步

数据时效性：价格表基于训练数据中的 GPT-4o / Gemini / Claude 定价，标题正文中均标注了来源页面，建议正式发布前到 openai.com/api/pricing 与各官方文档二次核对当日价格（token 计算公式本身稳定，价格会随厂商调价变动）
配额建议：本轮 WebSearch/webReader 均报 429（限流至 7-18），后续 Round 5/6 的实时性采集可能受影响，建议提前准备备用的搜索后端（如 ducksearch skill 走 DuckDuckGo）或在 7-18 后再补采
下一步：Round 5 → trending（社区热议），需准备 Reddit/HN/Twitter 热点采集，建议优先确认可用的联网通道

[!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。

51学通信知识星球海报-扫码加入