Токени за изображения: от 256 до 1792
На тази страница
Как изображенията консумират токени
Когато изпратите изображение на Grok, то се преобразува в токени, преди моделът да го анализира. За разлика от текста, където един токен приблизително съответства на дума, токените за изображения зависят от размера на изображението и поисканото ниво на детайлност.
Разбирането на този механизъм е от съществено значение за прогнозиране на разходите и правилното оразмеряване на вашите заявки.
Диапазонът: от 256 до 1792 токена
Всяко изображение, изпратено към API, консумира между 256 и 1792 токена. Тази значителна вариация се дължи на няколко фактора:
- Резолюция на изображението: изображение с размери 256x256 пиксела консумира по-малко токени от такова с размери 4096x4096
- Параметърът
detail: стойностlowконсумира минимума, докатоhighконсумира максимума - Съдържание на изображението: сложно изображение с много детайли може да доведе до по-висока консумация в режим
auto
Проследяване на консумацията на токени
xAI API предоставя точен брой на токените за изображения в отговора. Ще го откриете в полето usage:
{
"usage": {
"prompt_tokens": 2048,
"completion_tokens": 150,
"total_tokens": 2198,
"prompt_tokens_details": {
"image_tokens": 1024,
"text_tokens": 1024
}
}
}
Полето prompt_tokens_details.image_tokens Ви показва точно колко токена са консумирали изображенията във Вашата заявка. Това е незаменим инструмент за мониторинг на разходите Ви в продукционна среда.
Влияние на нивото на детайлност върху токените
Параметърът detail е основният лост за контрол на консумацията на токени за изображения:
# Едно и също изображение, много различни резултати за токени
# detail: low → ~256 токена за изображение
# detail: auto → ~512-1024 токена за изображение (променливо)
# detail: high → ~1024-1792 токена за изображение
В режим low изображението се преоразмерява до намалена резолюция преди анализ. Моделът получава по-малко информация, но консумира значително по-малко токени.
В режим high изображението се разделя на плочки (tiles) с висока резолюция. Всяка плочка се анализира отделно, което умножава броя на токените, но позволява на модела да разчита фин текст или да открива фини детайли.
Изчисляване на цената на мултимодална заявка
За да оцените цената на заявка с изображения, комбинирайте токените за текст и изображения:
def estimate_cost(num_images, detail="auto", text_tokens=500):
# Оценка на токените за изображение според нивото
image_tokens = {
"low": 256,
"auto": 768, # оценъчна средна стойност
"high": 1536 # оценъчна средна стойност
}
total_image = num_images * image_tokens[detail]
total = total_image + text_tokens
# Ориентировъчна цена на милион токена (вход)
price_per_million = 2.00 # grok-4.5 вход — проверете актуалния ценови лист
cost = (total / 1_000_000) * price_per_million
return {
"image_tokens": total_image,
"text_tokens": text_tokens,
"total_tokens": total,
"estimated_cost": f"${cost:.4f}"
}
Оптимизиране на консумацията на токени
Преоразмеряване преди изпращане
Ако изображението Ви е много голямо, но не се нуждаете от максимална резолюция, преоразмерете го преди изпращане:
from PIL import Image
import io
import base64
def optimize_image(path, max_size=(1024, 1024)):
img = Image.open(path)
img.thumbnail(max_size)
buffer = io.BytesIO()
img.save(buffer, format="JPEG", quality=85)
buffer.seek(0)
encoded = base64.standard_b64encode(buffer.read()).decode()
return f"data:image/jpeg;base64,{encoded}"
Избор на подходящ формат
- JPEG: по-лек, идеален за снимки и изображения с много цветове
- PNG: по-тежък, но без загуба на качество, подходящ за екранни снимки и диаграми с текст
Интелигентно групиране
Ако анализирате пакет от изображения, групирайте тези, които изискват едно и също ниво на детайлност, в отделни заявки, вместо да смесвате low и high в една единствена заявка.
Мониторинг в продукционна среда
В продукционна среда систематично записвайте в логовете токените за изображения, за да откривате внезапни скокове:
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": url},
{"type": "input_text", "text": prompt}
]
)
# Запис в логовете
usage = response.usage
print(f"Токени за изображение : {usage.prompt_tokens_details.image_tokens}")
print(f"Текстови токени : {usage.prompt_tokens_details.text_tokens}")
print(f"Общо промпт : {usage.prompt_tokens}")
Цени към 5 август 2026 г. — цените се променят редовно: преди всяко изчисление на бюджет, проверете актуалния ценови лист на официалната страница за модели и цени на xAI.
Ключови изводи
- Изображенията консумират между 256 и 1792 токена в зависимост от техния размер и ниво на детайлност
- Полето
prompt_tokens_details.image_tokensпредоставя точния брой - Параметърът
detailе основният лост за контрол на консумацията - Преоразмеряването на изображенията преди изпращане намалява броя на токените, без да се жертва качеството за прости задачи
- Следете токените за изображения в продукционна среда, за да прогнозирате разходите