多模态输入Token计算器

图片被切成了瓦片在计费

视觉模型不是把整张图一次性「看」完，而是先做两件预处理：

• 等比缩放进 2048 × 2048 的方框，超过的部分会先缩下来；
• 把短边缩到 768 px，然后按 512 × 512 的瓦片切块，每块单独编码成一个「视觉 token 包」。

最终消费的 token = 一个固定的基础 token + 瓦片数量 × 每瓦片的 token。这也解释了为什么「高清模式」在小图上不会更贵：缩放过程只缩小、不放大，所以一张 512 × 512 的图在 high 档下只占 1 个瓦片，和 low 档的差距就是那 170 个瓦片 token。

实测几个常见尺寸（GPT-4o 档）

注意最后两行的反直觉结论：2048 × 2048 并不比 1024 × 1024 贵，因为最终都会被缩到 768 × 768；而 1920 × 1080 反而比正方形的 1024 × 1024 贵（6 个瓦片 vs 4 个），因为它的长宽比更扁，短边缩到 768 后长边被拉到了 1365，横向要切 3 刀。

省钱的三条实用建议

• 能不用高清就不用。同一张图 low 与 high 能差 3 到 10 倍。识别物体、判断场景、判断是否有文字，low 档通常够用；只有需要读小字、读表格、识别细节时才开 high。
• 先自己裁再上传。把无关的边距、留白去掉，把 1920 × 1080 裁成 1024 × 1024 的方形核心区域，瓦片数从 6 降到 4，直接省 33%。
• 尺寸对齐 768 的整数倍关系。缩放后刚好 768 × 768（2 × 2 瓦片）是最划算的形态；略微超出 1024 就会跳到 3 个瓦片一档，成本阶跃上升。

还有几个容易忽略的点

• 图片 token 也占每分钟配额。哪怕价格不高，大量图片请求会快速吃掉你的 TPM 限额，高并发场景要注意错峰。
• 4o-mini 档位差异极大。它的基础 token 是 2833、每瓦片 5667，比 GPT-4o 高出几十倍——用错模型族会让成本估算完全失真。
• GPT Image 1 的高保真输入很贵。除了瓦片 token，还要额外加 4160（方形）或 6240（非方形）token。做图生图时如果不需要保留细节，务必用低保真。
• 同一条消息里多张图是累加的。10 张 1024 × 1024 的高清图就是 7650 个视觉 token，还没算文本。

最后提醒：各家厂商的视觉计费规则并不统一，本工具实现的是 OpenAI 官方文档描述的瓦片算法。换用其他厂商时，请以对方文档为准——但「缩放 + 切块 + 按块计费」这个大框架基本是通用的，理解它就能自己估出量级。

你可能还想问

图片是怎么折算成额度的？

通常按分辨率切分成若干小块，每块折算成一定量；分辨率越高块数越多、消耗越大，压缩尺寸能显著降本。

音视频怎么计价？

常按时长折算或按帧采样折算，长音频与高帧率视频消耗明显更大；按需截取关键片段比整段送入更经济。

怎么控制多模态成本？

降低图片分辨率、裁剪无关区域、抽取视频关键帧、只送必要片段；这些往往比优化文字提示更能省钱。

相关工具

相关内容