Tokeny obrazowe: od 256 do 1792
Na tej stronie
Jak obrazy zużywają tokeny
Gdy wysyłasz obraz do modelu Grok, jest on konwertowany na tokeny przed rozpoczęciem analizy. W przeciwieństwie do tekstu, gdzie token odpowiada w przybliżeniu słowu, liczba tokenów dla obrazu zależy od jego rozmiaru oraz żądanego poziomu szczegółowości.
Zrozumienie tego mechanizmu jest kluczowe dla przewidzenia kosztów i odpowiedniego dobrania parametrów zapytań.
Zakres: od 256 do 1792 tokenów
Każdy obraz wysłany do API zużywa od 256 do 1792 tokenów. Ta znaczna rozbieżność wynika z kilku czynników:
- Rozdzielczość obrazu: obraz o wymiarach 256x256 pikseli zużyje mniej tokenów niż obraz 4096x4096
- Parametr
detail: wartośćlowzużywa minimum, natomiasthigh– maksimum - Zawartość obrazu: złożony obraz z dużą liczbą detali może skutkować wyższym zużyciem w trybie
auto
Śledzenie zużycia tokenów
API xAI dostarcza dokładną liczbę tokenów obrazowych w odpowiedzi. Znajdziesz ją w polu usage:
{
"usage": {
"prompt_tokens": 2048,
"completion_tokens": 150,
"total_tokens": 2198,
"prompt_tokens_details": {
"image_tokens": 1024,
"text_tokens": 1024
}
}
}
Pole prompt_tokens_details.image_tokens informuje Cię dokładnie, ile tokenów zużyły obrazy zawarte w Twoim zapytaniu. Jest to niezbędne narzędzie do monitorowania kosztów w środowisku produkcyjnym.
Wpływ poziomu szczegółowości na liczbę tokenów
Parametr detail jest głównym mechanizmem kontrolującym zużycie tokenów obrazowych:
# Ten sam obraz, bardzo różne wyniki liczby tokenów
# detail: low → ~256 tokenów obrazowych
# detail: auto → ~512-1024 tokenów obrazowych (zmienne)
# detail: high → ~1024-1792 tokenów obrazowych
W trybie low obraz jest skalowany do zmniejszonej rozdzielczości przed analizą. Model otrzymuje mniej informacji, ale zużywa znacznie mniej tokenów.
W trybie high obraz jest dzielony na kafelki o wysokiej rozdzielczości. Każdy kafelek jest analizowany osobno, co mnoży liczbę tokenów, ale pozwala modelowi odczytać drobny tekst lub wykryć subtelne szczegóły.
Obliczanie kosztu zapytania multimodalnego
Aby oszacować koszt zapytania zawierającego obrazy, zsumuj tokeny tekstowe i obrazowe:
def estimate_cost(num_images, detail="auto", text_tokens=500):
# Szacunkowa liczba tokenów obrazowych w zależności od poziomu
image_tokens = {
"low": 256,
"auto": 768, # szacowana średnia
"high": 1536 # szacowana średnia
}
total_image = num_images * image_tokens[detail]
total = total_image + text_tokens
# Orientacyjna cena za milion tokenów (wejście)
price_per_million = 2.00 # grok-4.5 input — sprawdź aktualny cennik
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}"
}
Optymalizacja zużycia tokenów
Zmiana rozmiaru przed wysłaniem
Jeśli Twój obraz jest bardzo duży, a nie potrzebujesz maksymalnej rozdzielczości, zmniejsz jego rozmiar przed wysłaniem:
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}"
Wybór odpowiedniego formatu
- JPEG: lżejszy, idealny do zdjęć i obrazów z wieloma kolorami
- PNG: cięższy, ale bezstratny, odpowiedni do zrzutów ekranu i diagramów zawierających tekst
Inteligentne grupowanie
Jeśli analizujesz partię obrazów, grupuj te wymagające tego samego poziomu szczegółowości w osobnych zapytaniach, zamiast mieszać tryby low i high w ramach jednego zapytania.
Monitorowanie w środowisku produkcyjnym
W środowisku produkcyjnym systematycznie loguj liczbę tokenów obrazowych, aby wykrywać nagłe skoki:
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": url},
{"type": "input_text", "text": prompt}
]
)
# Logowanie tokenów
usage = response.usage
print(f"Tokeny obrazowe : {usage.prompt_tokens_details.image_tokens}")
print(f"Tokeny tekstowe : {usage.prompt_tokens_details.text_tokens}")
print(f"Łączny prompt : {usage.prompt_tokens}")
Cennik na dzień 5 sierpnia 2026 r. — ceny zmieniają się regularnie: przed jakimkolwiek obliczeniem budżetu sprawdź aktualny cennik na oficjalnej stronie modeli i cen xAI.
Kluczowe wnioski
- Obrazy zużywają od 256 do 1792 tokenów w zależności od ich rozmiaru i poziomu szczegółowości
- Pole
prompt_tokens_details.image_tokenspodaje dokładną liczbę zużytych tokenów - Parametr
detailjest głównym mechanizmem kontrolującym zużycie - Zmiana rozmiaru obrazów przed wysłaniem redukuje liczbę tokenów bez utraty jakości w przypadku prostych zadań
- Monitoruj tokeny obrazowe w środowisku produkcyjnym, aby przewidzieć koszty