Ir al contenido principal
Español— Elegir un idioma
Menú

Tokens de imagen: de 256 a 1792

Lección 3 de 12 Actualizado el 30 de julio de 2026 Principiante
En esta página
  1. Cómo las imágenes consumen tokens
  2. El rango: de 256 a 1792 tokens
  3. Seguimiento del consumo de tokens
  4. Impacto del nivel de detalle en los tokens
  5. Cálculo del coste de una solicitud multimodal
  6. Optimización del consumo de tokens
  7. Monitorización en producción
  8. Puntos clave

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: low consume el mínimo, high consume 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_tokens ofrece el recuento exacto.
  • El parámetro detail es 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.