PDF は何トークン？4 社の課金ルール、1 ページ 15-2,100

PDF をファイルとしてモデルに送ると、ベンダーごとに異なるルールで課金されます。GPT-6 はページの本文のトークン数に、1 ページあたり約 15 を加算します。Claude は本文に 1 ページあたり 1,558 トークンを加算します。Gemini は 1 ページあたり 515 トークンで、本文はカウントしません。Qwen 3.8 は本文に 1 ページあたり 2,098 を加算します。同じページの文字量を増やしながら送信して、このルールを測定しました。さらに 10 文書を 15 モデルに送り、正しく回答できる範囲で、文書の種類ごとに最も安い送信方法を調べました。

TL;DR

• PDF をファイルとして送ると、1 ページあたり本文に GPT-6 は 15 トークン、Claude は 1,558、Qwen 3.8 は 2,098 を加算します。Gemini は一律 515 で、本文は無料です。
• 抽出したテキストでは、グラフに関する 150 問とスキャン文書に関する 105 問のどちらも正答数は 0 でした。
• ページごとに送信方法を切り替えると、Claude Sonnet 5.5 で混在文書の入力が 17,228 トークンから 6,543 に減り、12 問すべてに正答しました。
• 120 ページの PDF から必要な 4 ページだけを送ると、Claude Sonnet 5.5 の入力は 253,822 トークンから 8,758 に減りました。

文書をモデルに送る方法は？

ファイルとして送る、各ページを画像にして送る、先にテキストを抽出して送る、の 3 通りです。

import base64
import pymupdf  # pip install pymupdf

doc = pymupdf.open("report.pdf")
b64 = lambda data: base64.b64encode(data).decode()   # binary written as text, so it fits in JSON

# 1. As a file. The vendor decides how to read it.
as_file = [{"type": "file", "file": {"filename": "report.pdf",                # OpenAI-compatible chat
            "file_data": "data:application/pdf;base64," + b64(open("report.pdf", "rb").read())}}]
as_document = [{"type": "document", "source": {"type": "base64",              # Anthropic Messages API
                "media_type": "application/pdf", "data": b64(open("report.pdf", "rb").read())}}]

# 2. As page images. You render each page; any model that accepts images takes these.
as_images = [{"type": "image_url", "image_url": {"url": "data:image/jpeg;base64," +
              b64(page.get_pixmap(dpi=72).tobytes("jpeg"))}} for page in doc]

# 3. As text. The text layer is the selectable text stored in a PDF. A scan has none.
as_text = "\n\n".join(page.get_text() for page in doc)

chat エンドポイントで 15 モデルが受け付けた入力は次のとおりです。

ページ画像は、すべての視覚対応モデルが受け付けます。重みが公開されていて、ファイル入力には対応しない 4 モデルも同様です。今回のエンドポイントでは、Gemini に PDF を画像パート内の data URL として渡しました。Google 自身の API ではインラインデータとして渡します。

モデルが本当にファイルを読んだか確認するには？

ファイルにしかない情報を質問し、入力トークン数も確認します。非対応の入力は 400 エラーになる場合もあれば、無視されたままモデルが回答する場合もあります。今回の検証では、視覚非対応の 2 モデルは画像パートを無視し、2 ページの文書に対して入力トークン数 27 と 98 で回答しました。また、ファイルの代わりに URL を渡したあるモデルは、内容を捏造して回答しました。

r = client.chat.completions.create(model=model, messages=[{"role": "user", "content": as_file + [question]}])
read_it = "MF-OPS-2291" in r.choices[0].message.content   # a string found only in the document
plausible = r.usage.prompt_tokens > 200 * len(doc)        # a dropped file leaves a few dozen tokens

ページの種類を判定するのにモデルは不要です。後述する送信方法の振り分けでは、この判定を使います。

def kind(page) -> str:
    if len(page.get_text().strip()) < 40:
        return "scan"        # no text layer: needs OCR or an image
    if page.get_images() or len(page.get_drawings()) > 60:
        return "visual"      # a picture or a chart drawn on the page
    return "text"

PDF ファイルのトークン数は各社でどう計算される？

4 社それぞれルールが異なります。各ページの単語数を 0、80、250、500、約 670 とした 6 ページの PDF を作成しました。各ページにグラフを追加した版も作り、それぞれファイルと抽出テキストの両方で送信しました。

トークンはモデルの課金単位で、英語の単語の約 4 分の 3 に相当します。同じ系列のモデルでは、カウントの差は数トークン以内でした。

少なくとも今回測定した経路では、2 社のルールが公開情報と異なりました。Google のドキュメントでは 1 ページ 258 トークンで、PDF 内のテキストには課金しないとしています。実測は 1 ページ 515 でしたが、本文が無料という点は記載どおりでした。OpenAI は PDF を抽出テキストとページ画像としてモデルに渡すとしていますが、今回、テキストだけのページには画像分のコストがありませんでした。Anthropic は各ページをテキストと画像として処理し、通常 1,500-3,000 トークンとしています。これは実測と一致します。

このルールから、次のことが分かります。

• Claude と Qwen では、文字の少ないページほど割高です。1 行だけのページでも、ファイルなら 1,558 または 2,098 トークン、テキストなら十数トークンです。
• Gemini では、文字の多いページが割安です。約 670 単語のページも白紙と同じ 515 トークンです。本文だけを送ると約 800 トークンになります。
• GPT-6 では、画像のないページはファイルでもテキストと同じコストです。ページ全体が画像であるスキャンページは、実測で 2,868 トークンでした。

1 ページ約 250 単語のテキストだけで構成された 12 ページのレポートをファイルで送ると、GPT-6.1 Sol では 6,028 トークン、Gemini 3.8 Flash では 6,441、Claude Sonnet 5.5 では 27,297、Qwen 3.8 Flash では 30,934 でした。抽出テキストは、15 モデル全体で 5,924-8,716 トークンでした。

抽出テキストでは回答できないのはどんな場合？

テキストレイヤーにない情報が必要な場合です。各質問を回答に必要な情報で分類し、15 モデルの結果を合算しました。

dpi は 1 インチあたりのドット数で、ページを画像化する際の解像度です。72 dpi では、US Letter のページは 612 × 792 ピクセルになります。OCR は光学文字認識で、画像から文字を読み取るソフトウェアです。今回はオープンソースの Tesseract をローカルで実行しました。

抽出テキストでは、すべてのモデルでグラフとスキャン文書の正答数が 0 でした。数値がテキストに含まれていないためです。OCR を使えばスキャンしたレポートをテキストの料金で読めましたが、グラフは読めませんでした。グラフを含む 15 枚のスライドを OCR にかけた結果は、試した 2 モデルとも 7 問中 0 問でした。今回の表は単純な格子状だったため、テキスト抽出後も情報が保たれました。結合セルや、列内で折り返されたテキストは難しくなるので、実際に使う文書で検証してください。

文書入力のコストを下げるには？

方法は 7 つあり、そのうち 6 つを測定しました。

1. 課金ルールに合わせて送信方法を選ぶ。テキストだけのページはテキストで送ります。それ以外は Gemini ならファイル、他社なら 72 dpi のページ画像を使います。ページ画像のコストは、ページ内の文字量に左右されないためです。文字の多い 6 ページの IRS 書式は、Claude Sonnet 5.5 でテキストなら 13,635 トークン、ファイルなら 22,871、72 dpi の画像なら 4,015 でした。どの方法でも 3 問すべてに正答しました。

2. ページごとに送信方法を切り替える。実際の文書には複数の種類のページが混在します。上の kind 関数で分類し、テキストページはテキスト、画像のあるページは 72 dpi の画像、スキャンページは OCR を通して送ります。9 ページの文書（テキスト 4 ページ、グラフ 3 ページ、スキャン 2 ページ）に対する 12 問の結果は次のとおりです。

3 社では、ファイル送信に比べて入力を 62%-79% 削減し、全問正答を維持できました。Gemini は元からファイルが最安です。

3. 画像の解像度を下げる。ただし本文には使わない。ページ画像のトークン数はピクセル数を減らすと下がります。例外は Gemini で、どのサイズでも同じ課金でした。ラベルの大きいグラフのスライドは 36 dpi でも読め、試した 6 モデルすべてが 7 問中 6 問以上に正答しました。Claude Haiku 5.5 では 15 枚で 2,874 トークンとなり、ファイルの 23,949 より少なくなりました。本文には 72 dpi が必要でした。50 dpi でも Claude Haiku 5.5 と Gemini は 7 問すべてに正答しましたが、GLM 5.3 Flash は 7 問中 2 問に落ちました。GPT-6 Luna は 96 dpi 未満のどのサイズでもページ画像で正答を取りこぼしたため、ファイルかテキストを渡してください。

4. OpenAI では、画像のあるページに detail の low を指定する。Responses API は PDF ファイルに detail フィールドを指定できます。GPT-6 Luna に low を指定すると、15 枚のスライドはデフォルトの 22,155 トークンから 9,985 に、スキャンしたレポートは 34,396 から 11,387 に減り、すべての質問に正答しました。テキストだけのページは変わりませんでした。

5. 必要なページだけを送る。120 ページのマニュアルについて、まず GPT-6 Luna に抽出テキスト（46,420 トークン）を読ませ、4 つの質問それぞれに必要なページを特定させました。次に、その 4 ページだけの PDF を Claude Sonnet 5.5 に送り、8,758 トークンで 4 問すべてに正答しました。ファイル全体は Claude で 253,822 トークンになるため、最初の処理を含めても入力コストは $0.508 から $0.022 に下がりました。

6. 安いモデルで文字起こしし、大きなモデルで推論する。安い視覚対応モデルで、15 枚のグラフのスライドを Markdown の表に変換しました。費用は $0.002-$0.011 でした。その後、Claude Opus 5.5 は約 2,000 トークンの文字起こし結果から、$0.010 で 7 問すべてに正答しました。ファイルで送ると入力は 23,949 トークン、$0.096 です。文字起こし結果は保存して、後の質問にも使えます。

7. 文書をキャッシュし、待てる処理はバッチにする。PDF にキャッシュの区切り（Anthropic の API の cache_control マーカー）を設定すると、Claude Sonnet 5.5 への 6 回の質問は $0.461 から $0.117 に下がりました。最初に 38,364 トークンをキャッシュへ書き込み、続く 5 回はそれを 1 回約 $0.004 で読み込みました。バッチ処理だけは測定していません。OpenAI、Anthropic、Google はいずれも、24 時間以内に結果を返すバッチ API を半額としています。Anthropic はキャッシュの割引と併用できるとしています。

注意したい料金の境界があります。120 ページの PDF は Claude で 250,000 トークンを超えます。Claude Haiku 5.5 では、100,000 トークンを超えるプロンプトは 5 倍の料金 で課金されます。同じマニュアルの抽出テキストは 68,382 トークンです。

Word ファイルはどう扱う？

変換します。試した 6 モデルのうち、.docx をファイルとして受け付けたのは GPT-6.1 Sol と GPT-6 Luna だけでした。どちらもテキストしか読みません。これは、PDF 以外のファイルについての OpenAI のドキュメントどおりです。テキストと表なら pandoc で Markdown に変換すれば十分です。9 ページの契約書は 3,144 トークンになり、すべてのモデルが 7 問すべてに正答しました。グラフを埋め込んだメモは、この方法では 5 問中 2 問でしたが、LibreOffice で PDF に変換すると 5 問すべてに正答しました。入力は Gemini 3.8 Flash で 1,217 トークン、Claude Sonnet 5.5 で 3,827 でした。

測定方法

対象は 10 文書です。7 つは生成した文書（12 ページのレポート、8 ページの財務表、グラフを含む 15 枚のスライド、レポートのスキャン版、120 ページのマニュアル、Word の契約書、Word のメモ）、3 つは公開文書（論文「Attention Is All You Need」、IRS Form W-9、NIST の AI リスク管理フレームワーク）です。それぞれに、答えが一意に検証できる質問を 3-7 問用意しました。

主測定では、各文書を各送信方法で各モデルに、1 リクエストで送信しました。2026 年 10 月 10 日に 568 リクエストを実行し、566 件が成功しました（GPT-6 Luna が 120 枚のページ画像を 2 回拒否しました）。課金ルールとコストの測定では、同日に各社の低価格モデルを 1 つずつ使い、さらに 176 リクエストを実行しました。キャッシュのテスト（Messages API）と detail のテスト（Responses API）を除き、すべて Synthorai ゲートウェイの OpenAI 互換 chat エンドポイントを通しました。金額には定価を使っています。

トークン数は、今回の経路でエンドポイントが返した値です。同じモデルでも、提供元によってファイルの前処理が異なることがあります。このルールを前提にする前に、自分の経路で 6 ページのテストを実行してください。質問数は文書あたり 3-7 問なので、全問正答した方法でも、読めることを確認しただけで、情報が一切失われないと証明したわけではありません。

よくある質問

PDF の 1 ページは何トークン？

ベンダーによります。ファイルとして送ると、GPT-6 は本文に約 15 トークン、Claude は本文に 1,558、Gemini は本文無料で一律 515、Qwen 3.8 は本文に約 2,098 を加算します。スキャンページの実測は、GPT-6.1 Sol で 2,868 トークン、Claude Sonnet 5.5 で 1,579 でした。

PDF と抽出テキストはどちらが安い？

テキストだけのページでは、Gemini 以外はすべて、抽出テキストのほうが安いか同額です。Gemini は本文をカウントしないため、文字の多いページはファイルのほうが少ないトークンで済みます。GPT-6.1 Sol では、ファイルとテキストのコストはほぼ同じです。抽出テキストでは、グラフやスキャンページに関する質問には回答できません。

LLM はスキャンした PDF を読める？

ファイルかページ画像として渡せば読めます。スキャンから抽出したテキストは空になり、今回のテストでは 105 問中 0 問でした。ローカルで OCR を実行して結果を送ると、テキストの料金で 105 問中 104 問に正答しました。印刷された文字のスキャンには最も安い方法です。

PDF ファイルを直接受け付けるモデルは？

今回のテストでは、GPT-6.1 Sol、GPT-6 Luna、Claude 5.5 の 3 モデル、Gemini 3.1 Pro、Gemini 3.8 Flash、Qwen 3.8 Max、Qwen 3.8 Flash です。DeepSeek V4.1 Flash、GLM 5.3 Flash、Kimi K3、Qwen 3.6 35B はページ画像を受け付けましたが、ファイルは受け付けませんでした。

長い PDF のコストを減らすには？

送るページを絞り、各ページを最も安い方法で送り、送った内容を再利用します。安いモデルで必要なページを選ぶと、Claude Sonnet 5.5 の 120 ページのリクエストは、入力 253,822 トークンから 8,758 に減りました。種類ごとにページの送信方法を切り替えると、混在文書の入力を 62%-79% 削減できました。キャッシュを使うと、同じ文書に対する 6 回の質問は $0.461 から $0.117 に下がりました。

関連記事

• 画像は何トークン？：ページ画像の送信に適用される画像の課金ルール。
• Claude Haiku 5.5 の料金：長い PDF が超える 100,000 トークンの境界。
• プロンプトキャッシュの書き込みコスト：文書をキャッシュするとき、最初のリクエストにかかる費用。

← ブログに戻る