Combien de tokens par image ? 15 API mesurées : de 6 à 1 298

Une même image de 1024x1024 coûte 693 tokens d’entrée sur GPT-5.6, 988 sur Qwen 3.8 Max, 1,089 sur Gemini et 1,372 sur Claude. Après application du tarif d’entrée de chaque fournisseur, une image revient entre $0.00005 et $0.0137 sur les 15 modèles de vision. Cet écart dépend presque entièrement du tarif d’entrée de chaque modèle, pas de son tokenizer d’images. Cinq fournisseurs publient une règle de facturation des images ; nos mesures en contredisent trois. Cette étude complète notre analyse des tokenizers de texte côté image : nous avons envoyé à tous les modèles de vision du catalogue les mêmes PNG générés localement. Le coût de l’image correspond au nombre de tokens du prompt avec image, diminué de celui du même prompt sans image. Les tests couvrent six tailles, cinq ratios d’aspect, trois types de contenu, trois formats de fichier et des groupes de une à quatre images.

TL;DR

• Pour une image de 1024x1024 : 693 tokens sur GPT-5.6, 1,089 sur Gemini et 1,372 sur Claude. Le coût va de $0.00005 (qwen3-vl-flash) à $0.0137 (claude-fable-5).
• Trois modes : formules par patchs (Qwen : (côté/32)²+2 exactement), tuiles avec plafond (GPT s’arrête à 693) et forfait fixe (Gemini facture 1,089 quelle que soit la taille, miniatures comprises).
• Trois règles documentées ne correspondent pas aux mesures : les modèles Claude haut de gamme réduisent l’image à partir d’environ 1,920px et non 1,568 ; Gemini facture toujours 1,089 alors que la documentation annonce 258 ; la grille de Qwen fait 32px et non 28.
• Le format de fichier et le contenu n’ont jamais modifié le nombre de tokens : seule la géométrie compte dans la facturation.

Comment les fournisseurs disent-ils facturer une image ?

Cinq des sept familles publient une règle, et trois de ces cinq règles ne résistent pas aux mesures. Le tableau suivant résume tout l’article. Les sections qui suivent détaillent soit les écarts avec la documentation, soit des comportements tarifaires qu’aucune documentation ne mentionne :

La colonne de droite fait ressortir une constante : les règles documentées reposent toutes sur la géométrie, qu’il s’agisse de patchs, de tuiles ou de diviseurs. La géométrie se mesure, nous l’avons donc mesurée. Chaque écart entre les deux colonnes se reporte dans vos prévisions budgétaires. Un pipeline Claude haut de gamme dimensionné selon le plafond documenté de 1,568px sous-estime d’environ 45 % le coût des grandes images. Un pipeline Gemini qui prévoit 258 tokens par miniature en paie 4.2x plus pour chaque icône.

Combien de tokens coûte une image ?

Dans notre matrice, le résultat varie de 6 à 5,486 selon le modèle et la taille. Le nombre de tokens ne représente pourtant que la moitié du calcul. Voici le même PNG de 1024x1024 sur tous les modèles de vision du catalogue, après application du tarif d’entrée de chacun :

Trois constats. D’abord, cette comparaison est littérale : à raison de 0.75 mot anglais par token, une image de 1024px consomme autant de contexte qu’un document de 520 à 1,030 mots. C’est pourquoi les conversations riches en images épuisent le contexte et le budget beaucoup plus vite que le texte. Ensuite, le coût en dollars dépend presque entièrement du tarif. Les nombres de tokens restent dans un rapport inférieur à 2x, de 693 à 1,379. Sur n’importe quel modèle, une image coûte donc entre 0.69x et 1.38x le prix de 1 000 tokens d’entrée. La colonne en dollars reflète surtout le tarif d’entrée de chaque modèle. Enfin, les modèles d’une même famille partagent exactement le même tokenizer : les deux versions de qwen3-vl, les deux variantes de GPT-5.6, les trois Gemini et les quatre modèles Claude ont produit des nombres identiques ou presque pour toutes les images carrées. C’est le même principe d’un tokenizer par famille que nous avions mesuré sur le texte.

Qu’est-ce qui détermine le nombre de tokens d’une image ?

Cinq facteurs modifient la facture. Trois autres, souvent supposés déterminants, n’ont aucun effet. Le reste de l’étude approfondit chaque ligne de ce tableau :

Ces trois facteurs sans effet méritent d’être explicités, car les deux idées reçues circulent : aucune API de cette matrice ne tient compte du taux de compression ou de la complexité de l’image pour établir la facture. La géométrie entre, les tokens sortent.

Quels sont les trois modes de facturation ?

Les trois modes sont les formules par patchs, les tuiles avec plafond et les forfaits fixes. Leur tarification des petites images est radicalement différente. Nous avons testé six tailles d’images carrées, de 64px à 2,048px :

La formule de Qwen est assez précise pour servir directement aux prévisions : une image carrée de 1,024px coûte (1024/32)² + 2 = 1,026 tokens, résultat vérifié au token près. Le minimum est complété jusqu’à 8x8 patchs, soit 66 tokens, et la réduction intervient à 1,600px : toutes les tailles mesurées de 1,600 à 1,920px coûtent exactement 2,502 tokens. GPT utilise des tuiles jusqu’à 693 tokens et ne dépasse jamais ce plafond : une image de 1,024px coûte autant qu’une image de 2,048px. Les deux modèles à forfait fixe sont particulièrement coûteux pour les miniatures. Gemini facture 1,089 tokens pour une icône de 64px, autant que pour une capture d’écran 4K après réduction, et Seed en facture 1,298. À l’autre extrême, Kimi K3 continue de monter au-delà des plafonds de tous les autres modèles : une image carrée de 3,072px a coûté 11,674 tokens. C’est le seul modèle de la matrice sur lequel nous n’avons observé aucune réduction.

Où se situent exactement les seuils de réduction ?

Toutes les familles sauf Kimi redimensionnent les grandes images avant de les facturer. Les seuils réels sont ceux relevés par les mesures, pas ceux de la documentation. Le cas de Claude mérite d’être détaillé, car il a un coût réel sur claude-sonnet-5 et les modèles supérieurs : 1,568px coûte 3,139 tokens, 1,728px en coûte 3,847 et 1,920px en coûte 4,764. La progression s’arrête là : 2,048px et 2,304px coûtent également 4,764 tokens. Les trois modèles haut de gamme continuent donc à facturer de vrais pixels environ 45 % au-delà du plafond documenté. claude-haiku-4-5 est le seul à se comporter comme indiqué. Si vous maîtrisez le pipeline d’upload, redimensionnez les images selon le plafond mesuré de chaque modèle avant l’encodage. Au-delà de ce seuil, les pixels sont soit facturés en plus sur Kimi, soit supprimés silencieusement partout ailleurs. Les envoyer ne fait donc qu’alourdir la bande passante.

La forme, le contenu ou le format modifient-ils la facture ?

Tous les effets liés à la forme s’expliquent par deux facteurs, sans rapport avec la taille du fichier : le modèle compte-t-il la surface ou une grille englobante, et où se trouve son seuil de réduction sur le côté long ? En revanche, le contenu et le format n’ont jamais changé le résultat. Une image de 512px contenant une couleur unie, du bruit ou une page de texte a coûté le même nombre de tokens sur chaque modèle testé. Même constat pour la même image de 243KB en PNG, 176KB en JPEG et 174KB en WebP.

Pour isoler ce facteur, nous avons conservé une surface constante d’un mégapixel tout en étirant l’image :

Ces lignes s’interprètent à partir des deux facteurs. Qwen, Kimi, Gemini et Seed restent stables : ils reposent uniquement sur la surface, ou sur un forfait fixe, sans tenir compte de la forme. GPT est le seul à facturer selon une grille englobante. Les bandes coûtent jusqu’à 84 % plus cher que le même nombre de pixels dans une image carrée. À 8:1, le côté long dépasse toutefois sa limite et la réduction annule ce surcoût : 616 tokens, soit moins que pour l’image carrée. Les modèles limités par un seuil de réduction suivent le même principe, chacun à sa propre limite. Haiku commence à coûter moins cher à 3:1 : son côté long de 1,774 dépasse le plafond de 1,568, pour un coût de 1,068 tokens, puis 788 et 396. Les modèles Claude haut de gamme n’accordent cette réduction qu’à 8:1 : le côté long de 2,896 dépasse leur seuil d’environ 1,920px, pour 1,107 tokens. MiniMax fait de même à 8:1, au-delà de son plafond de 2,048, pour 650 tokens. Conséquence pratique pour les documents très larges et les captures d’écran : avec GPT, découpez ou réduisez vous-même les bandes ; avec Haiku, les formats extrêmes sont discrètement les pixels Claude les moins chers.

Quels leviers réduisent vraiment le coût des images en entrée ?

Trois leviers, par ordre d’impact. D’abord, redimensionner selon le plafond du modèle : chaque pixel qui dépasse le seuil de réduction est facturé sur Kimi, qui n’a pas de plafond, et inutile partout ailleurs. Ensuite, utiliser detail: "low" sur GPT. À 512px, ce réglage ne change rien : 309 tokens dans tous les cas. À 2,048px, il limite l’image à 309 tokens contre 693 avec high ou auto, soit 55 % de moins. C’est le seul paramètre de coût par requête que nous ayons trouvé pour les images, tous modèles confondus. Enfin, adapter le mode de facturation à la charge : les modèles à forfait fixe, Gemini et Seed, conviennent mal aux miniatures et aux icônes, mais bien aux scans toujours volumineux. Les modèles par patchs ou par tuiles facturent les petites images à leur juste taille : une icône de 64px coûte 6 tokens sur GPT et 17 sur Kimi.

Les requêtes contenant plusieurs images ne bénéficient d’aucune remise. Sur les 15 modèles, regrouper 1, 2 ou 4 copies dans un même message produit un coût strictement additif, chaque copie étant facturée au prix unitaire complet. Cette règle pénalise surtout les forfaits fixes : quatre miniatures de 256px dans une requête Gemini coûtent 4,356 tokens d’image, contre 264 pour les mêmes images sur qwen3-vl-flash.

FAQ

Combien de tokens coûte une image de 1024x1024 ?

Pour le même PNG, nous avons mesuré 693 sur GPT-5.6, 988 sur Qwen 3.8 Max, 1,026 sur qwen3-vl, 1,089 sur Gemini, 1,298 sur ByteDance Seed, 1,371 sur MiniMax, 1,372 sur Claude et 1,379 sur Kimi K3. L’écart de tokens inférieur à 2x compte moins que le tarif appliqué : le coût varie de $0.00005 (qwen3-vl-flash) à $0.0137 (claude-fable-5).

Le format ou la compression de l’image influencent-ils le coût en tokens ?

Non, sur tous les modèles testés. La même image de 512px coûte le même nombre de tokens en PNG (243KB), JPEG (176KB) et WebP (174KB). Une couleur unie, du bruit ou un contenu dense en texte donnent également le même résultat. La facturation dépend uniquement des dimensions en pixels ; compressez pour économiser la bande passante, pas les tokens.

detail: "low" réduit-il le nombre de tokens d’une image ?

Oui sur GPT-5.6, mais seulement au-delà du seuil des petites images. Une image de 2,048px coûte 309 tokens avec low, contre 693 avec high ou auto, soit 55 % de moins. À 512px, les trois réglages coûtent 309 tokens. Aucun autre modèle de la matrice ne propose de paramètre fonctionnel permettant de régler le coût d’une image par requête.

Regrouper plusieurs images dans une requête coûte-t-il moins cher ?

Non. Sur tous les modèles, 1, 2 ou 4 copies d’une même image sont facturées de façon strictement additive, chaque image au tarif complet. Le regroupement réduit l’overhead des requêtes et la latence, pas le nombre de tokens d’image. Sur les modèles à forfait fixe comme Gemini et Seed, regrouper de nombreuses petites images constitue même le cas le plus coûteux.

Mesures effectuées les 2026-08-13/14 via la gateway Synthorai sur 17 modèles, dont 15 modèles de vision et 2 témoins limités au texte : PNG générés localement aux dimensions exactes ; coût de l’image calculé en soustrayant du nombre de tokens du prompt avec image celui d’une référence salée contenant le même texte ; six tailles de 64 à 2,048px ; recherche des seuils jusqu’à 3,072px ; six formats d’un mégapixel, de 1:1 à 8:1 plus une tour 1:4 ; trois types de contenu ; PNG/JPEG/WebP ; detail low/high/auto sur GPT ; groupes de 1/2/4 images ; et vérification visuelle par mot-code sur chaque modèle. Les montants en dollars correspondent au nombre de tokens mesuré, multiplié par le tarif d’entrée affiché sur la page de chaque modèle à la date des mesures, Sonnet 5 utilisant son tarif de lancement de $2. Les règles de facturation des images peuvent changer sans préavis ; relancez cette série de tests avant de vous fier à une valeur précise.

← Retour au blog