Tokens de imagen: de 256 a 1792
En esta página
Cómo las imágenes consumen tokens
Cuando envías una imagen a Grok, esta se convierte en tokens antes de que el modelo la analice. A diferencia del texto, donde un token corresponde aproximadamente a una palabra, los tokens de imagen dependen del tamaño de la imagen y del nivel de detalle solicitado.
Comprender este mecanismo es esencial para anticipar costes y dimensionar tus solicitudes.
El rango: de 256 a 1792 tokens
Cada imagen enviada a la API consume entre 256 y 1792 tokens. Esta variación significativa se debe a varios factores:
- Resolución de la imagen: una imagen de 256x256 píxeles consume menos tokens que una de 4096x4096.
- El parámetro
detail:lowconsume el mínimo,highconsume el máximo. - Contenido de la imagen: una imagen compleja con muchos detalles puede resultar en un consumo mayor en modo
auto.
Seguimiento del consumo de tokens
La API de xAI proporciona un recuento preciso de los tokens de imagen en la respuesta. Lo encontrarás en el campo usage:
{
"usage": {
"prompt_tokens": 2048,
"completion_tokens": 150,
"total_tokens": 2198,
"prompt_tokens_details": {
"image_tokens": 1024,
"text_tokens": 1024
}
}
}
El campo prompt_tokens_details.image_tokens te indica exactamente cuántos tokens han consumido las imágenes de tu solicitud. Esta es una herramienta indispensable para monitorizar tus costes en producción.
Impacto del nivel de detalle en los tokens
El parámetro detail es la principal palanca para controlar el consumo de tokens de imagen:
# Misma imagen, resultados de tokens muy diferentes
# detail: low → ~256 tokens de imagen
# detail: auto → ~512-1024 tokens de imagen (variable)
# detail: high → ~1024-1792 tokens de imagen
En modo low, la imagen se redimensiona a una resolución reducida antes del análisis. El modelo recibe menos información, pero consume significativamente menos tokens.
En modo high, la imagen se divide en mosaicos de alta resolución. Cada mosaico se analiza por separado, lo que multiplica el número de tokens pero permite al modelo leer texto fino o detectar detalles sutiles.
Cálculo del coste de una solicitud multimodal
Para estimar el coste de una solicitud con imágenes, combina los tokens de texto y de imagen:
def estimate_cost(num_images, detail="auto", text_tokens=500):
# Estimar tokens de imagen por nivel
image_tokens = {
"low": 256,
"auto": 768, # media estimada
"high": 1536 # media estimada
}
total_image = num_images * image_tokens[detail]
total = total_image + text_tokens
# Precio indicativo por millón de tokens (entrada)
price_per_million = 2.00 # grok-4.5 input — consulta la tabla de precios actual
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}"
}
Optimización del consumo de tokens
Redimensionar antes de enviar
Si tu imagen es muy grande pero no necesitas la resolución máxima, redimensiónala antes de enviarla:
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}"
Elegir el formato adecuado
- JPEG: más ligero, ideal para fotografías e imágenes con muchos colores.
- PNG: más pesado pero sin pérdidas, adecuado para capturas de pantalla y diagramas con texto.
Agrupar inteligentemente
Si analizas un lote de imágenes, agrupa aquellas que requieran el mismo nivel de detalle en solicitudes separadas, en lugar de mezclar low y high en una única solicitud.
Monitorización en producción
En producción, registra sistemáticamente los tokens de imagen para detectar picos:
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": url},
{"type": "input_text", "text": prompt}
]
)
# Registrar tokens
usage = response.usage
print(f"Tokens de imagen : {usage.prompt_tokens_details.image_tokens}")
print(f"Tokens de texto : {usage.prompt_tokens_details.text_tokens}")
print(f"Prompt total : {usage.prompt_tokens}")
Precios a 5 de agosto de 2026: los precios cambian con regularidad; antes de realizar cualquier cálculo presupuestario, consulta la tabla de precios actual en la página oficial de modelos y precios de xAI.
Puntos clave
- Las imágenes consumen entre 256 y 1792 tokens dependiendo de su tamaño y nivel de detalle.
- El campo
prompt_tokens_details.image_tokensofrece el recuento exacto. - El parámetro
detailes la principal palanca para controlar el consumo. - Redimensionar las imágenes antes de enviarlas reduce los tokens sin sacrificar calidad en tareas sencillas.
- Monitoriza los tokens de imagen en producción para anticipar costes.