Εικονοtokens: Από 256 σε 1792
Σε αυτήν τη σελίδα
Πώς οι εικόνες καταναλώνουν tokens
Όταν στέλνετε μια εικόνα στο Grok, αυτή μετατρέπεται σε tokens πριν την αναλύσει το μοντέλο. Σε αντίθεση με το κείμενο, όπου ένα token αντιστοιχεί περίπου σε μια λέξη, τα tokens εικόνας εξαρτώνται από το μέγεθος της εικόνας και το ζητούμενο επίπεδο λεπτομέρειας.
Η κατανόηση αυτού του μηχανισμού είναι απαραίτητη για την πρόβλεψη του κόστους και τη σωστή διαστασιολόγηση των αιτημάτων σας.
Το εύρος: 256 έως 1792 tokens
Κάθε εικόνα που στέλνεται στο API καταναλώνει μεταξύ 256 και 1792 tokens. Αυτή η σημαντική διακύμανση οφείλεται σε διάφορους παράγοντες:
- Ανάλυση εικόνας: μια εικόνα 256x256 pixel καταναλώνει λιγότερα tokens από μια εικόνα 4096x4096
- Η παράμετρος
detail: η τιμήlowκαταναλώνει το ελάχιστο, ηhighκαταναλώνει το μέγιστο - Περιεχόμενο εικόνας: μια πολύπλοκη εικόνα με πολλές λεπτομέρειες μπορεί να οδηγήσει σε υψηλότερη κατανάλωση σε λειτουργία
auto
Παρακολούθηση κατανάλωσης tokens
Το API της xAI παρέχει μια ακριβή μέτρηση των tokens εικόνας στην απόκριση. Θα τη βρείτε στο πεδίο usage:
{
"usage": {
"prompt_tokens": 2048,
"completion_tokens": 150,
"total_tokens": 2198,
"prompt_tokens_details": {
"image_tokens": 1024,
"text_tokens": 1024
}
}
}
Το πεδίο prompt_tokens_details.image_tokens σας λέει ακριβώς πόσα tokens κατανάλωσαν οι εικόνες στο αίτημά σας. Αυτό αποτελεί ένα απαραίτητο εργαλείο για την παρακολούθηση του κόστους σας σε περιβάλλον παραγωγής.
Επίδραση του επιπέδου λεπτομέρειας στα tokens
Η παράμετρος detail είναι ο κύριος μοχλός για τον έλεγχο της κατανάλωσης tokens εικόνας:
# Ίδια εικόνα, πολύ διαφορετικά αποτελέσματα tokens
# detail: low → ~256 tokens εικόνας
# detail: auto → ~512-1024 tokens εικόνας (μεταβλητό)
# detail: high → ~1024-1792 tokens εικόνας
Στη λειτουργία low, η εικόνα αλλάζει μέγεθος σε μειωμένη ανάλυση πριν την ανάλυση. Το μοντέλο λαμβάνει λιγότερες πληροφορίες, αλλά καταναλώνει σημαντικά λιγότερα tokens.
Στη λειτουργία high, η εικόνα χωρίζεται σε πλακίδια υψηλής ανάλυσης. Κάθε πλακίδιο αναλύεται ξεχωριστά, γεγονός που πολλαπλασιάζει τον αριθμό των tokens, αλλά επιτρέπει στο μοντέλο να διαβάσει λεπτομερές κείμενο ή να εντοπίσει διακριτικές λεπτομέρειες.
Υπολογισμός κόστους ενός πολυτροπικού αιτήματος
Για να εκτιμήσετε το κόστος ενός αιτήματος με εικόνες, συνδυάστε τα tokens κειμένου και εικόνας:
def estimate_cost(num_images, detail="auto", text_tokens=500):
# Εκτίμηση tokens εικόνας ανά επίπεδο
image_tokens = {
"low": 256,
"auto": 768, # εκτιμώμενος μέσος όρος
"high": 1536 # εκτιμώμενος μέσος όρος
}
total_image = num_images * image_tokens[detail]
total = total_image + text_tokens
# Ενδεικτική τιμή ανά εκατομμύριο tokens (εισόδου)
price_per_million = 2.00 # grok-4.5 input — ελέγξτε το τρέχον τιμολόγιο
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}"
}
Βελτιστοποίηση κατανάλωσης tokens
Αλλαγή μεγέθους πριν την αποστολή
Εάν η εικόνα σας είναι πολύ μεγάλη αλλά δεν χρειάζεστε τη μέγιστη ανάλυση, αλλάξτε το μέγεθός της πριν την αποστολή:
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}"
Επιλογή της σωστής μορφής
- JPEG: ελαφρύτερο, ιδανικό για φωτογραφίες και εικόνες με πολλά χρώματα
- PNG: βαρύτερο αλλά χωρίς απώλειες, κατάλληλο για στιγμιότυπα οθόνης και διαγράμματα με κείμενο
Ομαδοποίηση με στρατηγική
Εάν αναλύετε μια δέσμη εικόνων, ομαδοποιήστε εκείνες που απαιτούν το ίδιο επίπεδο λεπτομέρειας σε ξεχωριστά αιτήματα, αντί να αναμειγνύετε τις τιμές low και high σε ένα μόνο αίτημα.
Παρακολούθηση σε περιβάλλον παραγωγής
Σε περιβάλλον παραγωγής, καταγράφετε συστηματικά τα tokens εικόνας για να εντοπίζετε απότομες αυξήσεις:
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": url},
{"type": "input_text", "text": prompt}
]
)
# Καταγραφή tokens
usage = response.usage
print(f"Image tokens : {usage.prompt_tokens_details.image_tokens}")
print(f"Text tokens : {usage.prompt_tokens_details.text_tokens}")
print(f"Total prompt : {usage.prompt_tokens}")
Τιμολόγηση έως 5 Αυγούστου 2026 — οι τιμές αλλάζουν τακτικά: πριν από οποιοδήποτε υπολογισμό προϋπολογισμού, ελέγξτε το τρέχον τιμολόγιο στην επίσημη σελίδα μοντέλων και τιμολόγησης της xAI.
Βασικά σημεία
- Οι εικόνες καταναλώνουν μεταξύ 256 και 1792 tokens ανάλογα με το μέγεθός τους και το επίπεδο λεπτομέρειας
- Το πεδίο
prompt_tokens_details.image_tokensπαρέχει την ακριβή μέτρηση - Η παράμετρος
detailείναι ο κύριος μοχλός για τον έλεγχο της κατανάλωσης - Η αλλαγή μεγέθους των εικόνων πριν την αποστολή μειώνει τα tokens χωρίς να θυσιάζεται η ποιότητα για απλές εργασίες
- Παρακολουθείτε τα tokens εικόνας σε περιβάλλον παραγωγής για να προβλέπετε το κόστος