Képtokenek: 256-tól 1792-ig
Ezen az oldalon
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
detailparaméter: alowa minimumot, ahigha maximumot fogyasztja - Képtartalom: egy sok részletet tartalmazó, összetett kép magasabb fogyasztást eredményezhet
automódban
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_tokensmező adja meg a pontos számlálást - A
detailparaméter 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