Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Képtokenek: 256-tól 1792-ig

3. lecke 12 közül Frissítve 2026. július 30. Kezdő
Ezen az oldalon
  1. Hogyan fogyasztanak tokeneket a képek
  2. A tartomány: 256–1792 token
  3. A tokenfogyasztás nyomon követése
  4. A részletességi szint hatása a tokenekre
  5. Multimodális kérések költségének kiszámítása
  6. A tokenfogyasztás optimalizálása
  7. Monitorozás éles környezetben
  8. Főbb megállapítások

Hogyan fogyasztanak tokeneket a képek

Amikor képet küldesz a Groknak, a modell elemzése előtt az tokenekké alakul. A szöveggel ellentétben, ahol egy token durvan egy szónak felel meg, a képtokenek száma a kép méretétől és a kért részletességi szinttől függ.

Ennek a mechanizmusnak a megértése elengedhetetlen a költségek előrejelzéséhez és a kérések megfelelő méretezéséhez.

A tartomány: 256–1792 token

Minden, az API-nak elküldött kép 256 és 1792 token között fogyaszt. Ezt a jelentős ingadozást több tényező okozza:

  • Képfelbontás: egy 256x256 pixeles kép kevesebb tokent fogyaszt, mint egy 4096x4096-os
  • A detail paraméter: a low a minimumot, a high a maximumot fogyasztja
  • Képtartalom: egy sok részletet tartalmazó, összetett kép magasabb fogyasztást eredményezhet auto módban

A tokenfogyasztás nyomon követése

A xAI API pontos számlálást ad a képtokenekről a válaszban. Ezt a usage mezőben találod:

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

A prompt_tokens_details.image_tokens mező pontosan megmondja, hány tokent fogyasztottak a kérésedben lévő képek. Ez nélkülözhetetlen eszköz a költségek éles környezetben történő monitorozásához.

A részletességi szint hatása a tokenekre

A detail paraméter a fő eszköz a képtoken-fogyasztás szabályozására:

# Ugyanaz a kép, nagyon eltérő tokeneredmények
# detail: low  → ~256 képtoken
# detail: auto → ~512-1024 képtoken (változó)
# detail: high → ~1024-1792 képtoken

low módban a kép elemzés előtt csökkentett felbontásra méreteződik át. A modell kevesebb információt kap, de jelentősen kevesebb tokent fogyaszt.

high módban a kép nagy felbontású csempékre (tile-okra) oszlik. Minden csempét külön elemez a rendszer, ami megszorozza a tokenek számát, de lehetővé teszi a modell számára a finom szövegek olvasását vagy az apró részletek észlelését.

Multimodális kérések költségének kiszámítása

A képeket tartalmazó kérések költségének becsléséhez add össze a szöveges és képi tokeneket:

def estimate_cost(num_images, detail="auto", text_tokens=500):
    # Képtokenek becslése szintenként
    image_tokens = {
        "low": 256,
        "auto": 768,   # becsült átlag
        "high": 1536    # becsült átlag
    }

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

    # Tájeékoztató ár milliónyi tokenre (bemenet)
    price_per_million = 2.00  # grok-4.5 bemenet — ellenőrizd az aktuális árazási táblázatot
    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}"
    }

A tokenfogyasztás optimalizálása

Átméretezés küldés előtt

Ha a képed nagyon nagy, de nincs szükséged a maximális felbontásra, méretezd át küldés előtt:

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}"

A megfelelő formátum kiválasztása

  • JPEG: könnyebb, ideális fotókhoz és sok színt tartalmazó képekhez
  • PNG: nehezebb, de veszteségmentes, képernyőképekhez és szöveget tartalmazó diagramokhoz alkalmas

Intelligens csoportosítás

Ha képek egy csoportját elemzed, tedd egy kérésbe az azonos részletességi szintet igénylőket, ahelyett, hogy egyetlen kérésben kevernéd a low és high beállításokat.

Monitorozás éles környezetben

Éles környezetben rendszeresen naplózd a képtokeneket a kiugró értékek észlelése érdekében:

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

# Tokenek naplózása
usage = response.usage
print(f"Képtokenek : {usage.prompt_tokens_details.image_tokens}")
print(f"Szövegtokenek : {usage.prompt_tokens_details.text_tokens}")
print(f"Teljes prompt : {usage.prompt_tokens}")

Árazás 2026. augusztus 5. szerint — az árak rendszeresen változnak: bármilyen költségvetés-számítás előtt ellenőrizd az aktuális árazási táblázatot a hivatalos xAI modellek és árazás oldalon.

Főbb megállapítások

  • A képek méretüktől és részletességi szintjüktől függően 256 és 1792 token között fogyasztanak
  • A prompt_tokens_details.image_tokens mező adja meg a pontos számlálást
  • A detail paraméter a fő eszköz a fogyasztás szabályozására
  • A képek küldés előtti átméretezése csökkenti a tokenek számát anélkül, hogy az egyszerű feladatoknál romlana a minőség
  • Monitorozd a képtokeneket éles környezetben a költségek előrejelzése érdekében