Przejdź do głównej treści
Polski— Wybierz język
Menu

Tokeny obrazowe: od 256 do 1792

Lekcja 3 z 12 Zaktualizowano 30 lipca 2026 Początkujący
Na tej stronie
  1. Jak obrazy zużywają tokeny
  2. Zakres: od 256 do 1792 tokenów
  3. Śledzenie zużycia tokenów
  4. Wpływ poziomu szczegółowości na liczbę tokenów
  5. Obliczanie kosztu zapytania multimodalnego
  6. Optymalizacja zużycia tokenów
  7. Monitorowanie w środowisku produkcyjnym
  8. Kluczowe wnioski

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: wartość low zużywa minimum, natomiast high – 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_tokens podaje dokładną liczbę zużytych tokenów
  • Parametr detail jest 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