Hoppa till huvudinnehåll
Svenska— Välj ett språk
Meny

Bildtoken: Från 256 till 1792

Lektion 3 av 12 Uppdaterad 30 juli 2026 Nybörjare
På denna sida
  1. Hur bilder konsumerar token
  2. Spannet: 256 till 1792 token
  3. Spårning av tokenkonsumtion
  4. Påverkan av detaljnivå på token
  5. Beräkning av kostnad för en multimodal förfrågan
  6. Optimering av tokenkonsumtion
  7. Övervakning i produktion
  8. Viktiga punkter

Hur bilder konsumerar token

När du skickar en bild till Grok omvandlas den till token innan modellen analyserar den. Till skillnad från text, där en token grovt motsvarar ett ord, beror bildtoken på bildens storlek och den begärda detaljnivån.

Att förstå denna mekanism är avgörande för att kunna förutse kostnader och dimensionera dina förfrågningar korrekt.

Spannet: 256 till 1792 token

Varje bild som skickas till API:t konsumerar mellan 256 och 1792 token. Denna stora variation beror på flera faktorer:

  • Bildupplösning: En bild på 256x256 pixlar konsumerar färre token än en bild på 4096x4096 pixlar.
  • Parametern detail: Värdet low konsumerar minimum, medan high konsumerar maximum.
  • Bildinnehåll: En komplex bild med många detaljer kan leda till högre konsumtion i läget auto.

Spårning av tokenkonsumtion

xAI API:t tillhandahåller en exakt räkning av bildtoken i svaret. Du hittar denna information i fältet usage:

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

Fältet prompt_tokens_details.image_tokens berättar exakt hur många token bilderna i din förfrågan konsumerade. Detta är ett oumbärligt verktyg för att övervaka dina kostnader i produktion.

Påverkan av detaljnivå på token

Parametern detail är den främsta reglaget för att styra konsumtionen av bildtoken:

# Samma bild, mycket olika token-resultat
# detail: low  → ~256 bildtoken
# detail: auto → ~512-1024 bildtoken (varierande)
# detail: high → ~1024-1792 bildtoken

I läget low skalas bilden ner till en reducerad upplösning innan analys. Modellen får mindre information men konsumerar betydligt färre token.

I läget high delas bilden upp i högupplösta rutor (tiles). Varje ruta analyseras separat, vilket multiplicerar antalet token men gör det möjligt för modellen att läsa fin text eller upptäcka subtila detaljer.

Beräkning av kostnad för en multimodal förfrågan

För att uppskatta kostnaden för en förfrågan med bilder kombinerar du text- och bildtoken:

def estimate_cost(num_images, detail="auto", text_tokens=500):
    # Uppskatta bildtoken per nivå
    image_tokens = {
        "low": 256,
        "auto": 768,   # uppskattat genomsnitt
        "high": 1536    # uppskattat genomsnitt
    }

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

    # Indikativt pris per miljon token (input)
    price_per_million = 2.00  # grok-4.5 input — kontrollera aktuell prislista
    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}"
    }

Optimering av tokenkonsumtion

Ändra storlek innan sändning

Om din bild är mycket stor men du inte behöver maximal upplösning, ändra storleken på den innan du skickar den:

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}"

Välj rätt format

  • JPEG: Lättare, idealiskt för foton och bilder med många färger.
  • PNG: Tyngre men förlustfritt, lämpat för skärmdumpar och diagram med text.

Gruppera intelligent

Om du analyserar en batch av bilder, gruppera de som kräver samma detaljnivå i separata förfrågningar istället för att blanda low och high i en enda förfrågan.

Övervakning i produktion

I produktion bör du systematiskt logga bildtoken för att upptäcka toppar:

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

# Logga token
usage = response.usage
print(f"Bildtoken : {usage.prompt_tokens_details.image_tokens}")
print(f"Texttoken : {usage.prompt_tokens_details.text_tokens}")
print(f"Total prompt : {usage.prompt_tokens}")

Priser från och med 5 augusti 2026 — priser ändras regelbundet: innan du gör någon budgetberäkning, kontrollera den aktuella prislistan på den officiella sidan för xAI-modeller och prissättning.

Viktiga punkter

  • Bilder konsumerar mellan 256 och 1792 token beroende på deras storlek och detaljnivå.
  • Fältet prompt_tokens_details.image_tokens ger den exakta räkningen.
  • Parametern detail är den främsta reglaget för att styra konsumtionen.
  • Att ändra storlek på bilder innan sändning minskar antalet token utan att offra kvaliteten för enkla uppgifter.
  • Övervaka bildtoken i produktion för att kunna förutse kostnader.