Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Tokeni slike: od 256 do 1792

Lekcija 3 od 12 Ažurirano 30. srpnja 2026. Početnik
Na ovoj stranici
  1. Kako slike troše tokene
  2. Raspon: od 256 do 1792 tokena
  3. Praćenje potrošnje tokena
  4. Utjecaj razine detalja na tokene
  5. Izračun troška multimodalnog zahtjeva
  6. Optimizacija potrošnje tokena
  7. Praćenje u proizvodnji
  8. Ključne točke

Kako slike troše tokene

Kada pošalješ sliku modelu Grok, ona se pretvara u tokene prije nego što je model analizira. Za razliku od teksta, gdje token otprilike odgovara riječi, tokeni slike ovise o veličini slike i zatraženoj razini detalja.

Razumijevanje ovog mehanizma ključno je za predviđanje troškova i pravilno dimenzioniranje tvojih zahtjeva.

Raspon: od 256 do 1792 tokena

Svaka slika poslana API-ju troši između 256 i 1792 tokena. Ova značajna varijacija proizlazi iz nekoliko čimbenika:

  • Razlučivost slike: slika od 256x256 piksela troši manje tokena od slike od 4096x4096
  • Parametar detail: vrijednost low troši minimum, dok high troši maksimum
  • Sadržaj slike: složena slika s mnogo detalja može rezultirati većom potrošnjom u načinu rada auto

Praćenje potrošnje tokena

xAI API pruža precizan broj tokena slike u odgovoru. Pronaći ćeš ga u polju usage:

{
  "usage": {
    "prompt_tokens": 2048,
    "completion_tokens": 150,
    "total_tokens": 2198,
    "prompt_tokens_details": {
      "image_tokens": 1024,
      "text_tokens": 1024
    }
  }
}

Polje prompt_tokens_details.image_tokens govori ti točno koliko su tokena potrošile slike u tvom zahtjevu. Ovo je neophodan alat za praćenje tvojih troškova u proizvodnji.

Utjecaj razine detalja na tokene

Parametar detail glavna je poluga za kontrolu potrošnje tokena slike:

# Ista slika, vrlo različiti rezultati tokena
# detail: low  → ~256 tokena slike
# detail: auto → ~512-1024 tokena slike (promjenjivo)
# detail: high → ~1024-1792 tokena slike

U načinu rada low, slika se mijenja na smanjenu razlučivost prije analize. Model prima manje informacija, ali troši znatno manje tokena.

U načinu rada high, slika se dijeli na pločice visoke razlučivosti. Svaka se pločica analizira zasebno, što umnožava broj tokena, ali omogućuje modelu čitanje sitnog teksta ili otkrivanje suptilnih detalja.

Izračun troška multimodalnog zahtjeva

Za procjenu troška zahtjeva sa slikama, kombiniraj tokene teksta i slike:

def estimate_cost(num_images, detail="auto", text_tokens=500):
    # Procjena tokena slike po razini
    image_tokens = {
        "low": 256,
        "auto": 768,   # procijenjeni prosjek
        "high": 1536    # procijenjeni prosjek
    }

    total_image = num_images * image_tokens[detail]
    total = total_image + text_tokens

    # Orientacijska cijena po milijun tokena (ulaz)
    price_per_million = 2.00  # grok-4.5 input — provjeri trenutni cjenik
    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}"
    }

Optimizacija potrošnje tokena

Promjena veličine prije slanja

Ako je tvoja slika vrlo velika, ali ne trebaš maksimalnu razlučivost, promijeni joj veličinu prije slanja:

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}"

Odabir ispravnog formata

  • JPEG: lakši, idealan za fotografije i slike s mnogo boja
  • PNG: teži, ali bez gubitaka, prikladan za snimke zaslona i dijagrame s tekstom

Pametno grupiranje

Ako analiziraš skupinu slika, grupiraj one koje zahtijevaju istu razinu detalja u zasebne zahtjeve, umjesto da miješaš low i high u jednom zahtjevu.

Praćenje u proizvodnji

U proizvodnji sustavno bilježi tokene slike kako bi otkrio nagla povećanja potrošnje:

response = client.responses.create(
    model="grok-4.5",
    input=[
        {"type": "input_image", "image_url": url},
        {"type": "input_text", "text": prompt}
    ]
)

# Bilježenje tokena
usage = response.usage
print(f"Tokeni slike : {usage.prompt_tokens_details.image_tokens}")
print(f"Tokeni teksta : {usage.prompt_tokens_details.text_tokens}")
print(f"Ukupno upit : {usage.prompt_tokens}")

Cijene od 5. kolovoza 2026. — cijene se redovito mijenjaju: prije bilo kakvog izračuna proračuna, provjeri trenutni cjenik na službenoj stranici xAI modela i cijena.

Ključne točke

  • Slike troše između 256 i 1792 tokena, ovisno o njihovoj veličini i razini detalja
  • Polje prompt_tokens_details.image_tokens daje točan broj
  • Parametar detail glavna je poluga za kontrolu potrošnje
  • Promjena veličine slika prije slanja smanjuje broj tokena bez žrtvovanja kvalitete za jednostavne zadatke
  • Prati tokene slike u proizvodnji kako bi anticipirao troškove