PDF 有多少權杖？4 家供應商、4 種規則，每頁 15 到 2,100

把 PDF 當成檔案傳給模型，各家供應商的計費規則都不同。GPT-6 計算頁面文字的權杖數，再加上每頁約 15 個。Claude 計算文字後，每頁再加 1,558 個。Gemini 每頁計 515 個權杖，文字不另計。Qwen 3.8 則在文字之外，每頁加計 2,098 個。我們在相同頁面上逐步增加文字量，實測這些規則，再把十份文件送給十五個模型，找出各類文件既省錢、又能正確回答問題的傳送方式。

TL;DR

• PDF 以檔案傳送時，GPT-6 在文字之外每頁加計 15 個權杖，Claude 加計 1,558 個，Qwen 3.8 加計 2,098 個。Gemini 每頁固定計 515 個，文字免費。
• 使用擷取出的文字，150 題圖表問題答對 0 題，105 題掃描文件問題也答對 0 題。
• 逐頁選擇傳送方式，讓混合型文件在 Claude Sonnet 5.5 的輸入從 17,228 個權杖降到 6,543 個，12 題全部答對。
• 從 120 頁的 PDF 選出 4 頁傳送，讓 Claude Sonnet 5.5 的輸入從 253,822 個權杖降到 8,758 個。

文件要怎麼傳給模型？

有三種方式：直接傳檔案、傳各頁的圖片，或先擷取文字再傳送。

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)

十五個模型在 chat 端點接受的輸入如下：

所有視覺模型都接受頁面圖片，包括那四個已公開權重、但不接受檔案的開放權重模型。在我們使用的端點上，Gemini 模型接受放在圖片內容欄位中的 PDF data URL；Google 自家的 API 則接受內嵌資料。

怎麼確認模型真的讀了檔案？

問一個只有檔案裡才有答案的問題，再檢查輸入權杖數。不支援的輸入有時會回傳 400 錯誤，有時會被直接忽略，模型仍照常回答。測試時，兩個不具視覺能力的模型忽略了圖片內容，對兩頁文件的回應分別只計入 27 和 98 個輸入權杖。另有一個模型收到的是 URL 而非檔案，卻編造了文件內容來回答。

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

判斷頁面類型不需要模型，後面逐頁選擇傳送方式也會用到這個分類：

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"

各家供應商怎麼計算 PDF 檔案的權杖數？

共有四種規則。我們製作了六頁的 PDF，分別測試每頁 0、80、250、500 和約 670 個英文單字的版本，再製作每頁都有圖表的版本。每個版本都以檔案和擷取文字兩種方式傳送。

權杖是模型的計費單位，一個權杖約等於四分之三個英文單字。同系列模型的計算結果相近，差距只有幾個權杖。

至少在我們實測的傳送路徑上，有兩項規則與供應商公布的說明不同。Google 文件寫的是每頁 258 個權杖，PDF 本身的文字不收費；我們測到每頁 515 個，文字則確實免費。OpenAI 文件表示，PDF 會轉成擷取文字和頁面圖片送入模型；但這次測試中，純文字頁面沒有圖片費用。Anthropic 文件表示，每頁都會以文字和圖片處理，通常需要 1,500 到 3,000 個權杖，與實測相符。

這些規則帶來幾個結果：

• Claude 和 Qwen 的稀疏頁面很貴。一頁只有一行文字，當成檔案傳也要 1,558 或 2,098 個權杖；只傳文字則只需十幾個。
• Gemini 的密集頁面很便宜。一頁約 670 個單字，與空白頁一樣只需 515 個權杖；單傳文字則約需 800 個。
• GPT-6 的檔案費用幾乎等於文字費用，直到頁面出現圖片。整頁都是圖片的掃描頁面，實測需要 2,868 個權杖。

一份 12 頁、每頁約 250 個單字的純文字報告，以檔案傳送時，GPT-6.1 Sol 計入 6,028 個權杖，Gemini 3.8 Flash 為 6,441 個，Claude Sonnet 5.5 為 27,297 個，Qwen 3.8 Flash 為 30,934 個。擷取文字後，十五個模型的計算結果都落在 5,924 到 8,716 個權杖之間。

什麼情況下，擷取文字會失效？

只要答案不在文字層裡就會失效。我們依每題所需的資訊分類，以下彙整十五個模型的結果：

每英吋點數（dpi）表示頁面轉成圖片時的解析度；US Letter 頁面在 72 dpi 下是 612 × 792 像素。OCR 是光學字元辨識，用軟體讀取圖片中的文字；我們在本機執行開源的 Tesseract。

所有模型在圖表與掃描文件的擷取文字測試中都答對零題，因為文字裡沒有那些數字。OCR 能把掃描報告還原成文字，以文字價格處理，但無法處理圖表：我們對一份 15 張投影片的圖表簡報執行 OCR，再交給兩個模型，兩者都是 7 題答對 0 題。這次表格能順利擷取，是因為我們用的是簡單的格狀表格。合併儲存格和欄位內換行更難處理，請用自己的文件測試。

怎麼降低文件處理費用？

有七種方法，其中六種做了實測。

1. 依計費規則選擇傳送方式。純文字頁面就傳文字。其他頁面在 Gemini 上傳檔案，在其他供應商上傳 72 dpi 頁面圖片，因為圖片費用不會隨頁面文字量增加。一份內容密集的 6 頁 IRS 表單，在 Claude Sonnet 5.5 上傳文字需要 13,635 個權杖，傳檔案需要 22,871 個，傳 72 dpi 圖片只需 4,015 個；三種方式都答對全部三題。

2. 逐頁選擇傳送方式。實際文件通常混有不同類型的頁面，可以用前面的 kind 函式分類：文字頁傳文字，有圖片的頁面傳 72 dpi 圖片，掃描頁先做 OCR。以下是一份九頁文件的結果，包含四頁文字、三頁圖表、兩頁掃描，搭配 12 題問題：

與傳檔案相比，逐頁選擇方式讓三家供應商的輸入減少 62% 到 79%，而且仍然全部答對。Gemini 則是直接傳檔案就最便宜。

3. 降低圖片解析度，但文字頁不要降太低。頁面圖片的像素越少，權杖數通常越低；Gemini 是例外，各種尺寸的計費都相同。標籤字體較大的圖表投影片在 36 dpi 仍能辨讀，我們測試的六個模型都至少答對 7 題中的 6 題。15 張投影片在 Claude Haiku 5.5 上只需 2,874 個權杖，傳檔案則需 23,949 個。正文需要 72 dpi：在 50 dpi 下，Claude Haiku 5.5 和 Gemini 仍答對全部 7 題，但 GLM 5.3 Flash 降到只答對 2 題。GPT-6 Luna 在所有低於 96 dpi 的頁面圖片測試中，都有原本答對的題目變成答錯，因此應傳檔案或文字給它。

4. 在 OpenAI 上，圖片頁面把 detail 設為 low。Responses API 支援在 PDF 檔案上指定 detail 欄位。設為 low 後，GPT-6 Luna 讀取 15 張投影片只需 9,985 個權杖，預設則需 22,155 個；掃描報告只需 11,387 個，預設則需 34,396 個，而且所有問題都答對。純文字頁面沒有變化。

5. 只傳需要的頁面。對一份 120 頁手冊，我們先讓 GPT-6 Luna 讀取擷取文字（46,420 個權杖），指出四個問題各自需要哪一頁。接著把這 4 頁組成 PDF，交給 Claude Sonnet 5.5，僅用 8,758 個權杖就答對全部四題。整份檔案在 Claude 上需要 253,822 個權杖；把第一次篩選也算進去，輸入費用從 $0.508 降到 $0.022。

6. 用便宜模型轉寫內容，再讓大型模型推理。便宜的視覺模型把 15 張圖表投影片轉成 Markdown 表格，花費 $0.002 到 $0.011。接著 Claude Opus 5.5 根據約 2,000 個權杖的轉寫文字回答全部七題，輸入費用為 $0.010；直接傳檔案則需 23,949 個權杖，輸入費用為 $0.096。轉寫結果可以保留，之後繼續提問。

7. 快取文件，能等的請求改用批次處理。在 PDF 上設定快取斷點，也就是 Anthropic API 的 cache_control 標記後，向 Claude Sonnet 5.5 問六題的費用從 $0.461 降到 $0.117：第一次把 38,364 個權杖寫入快取，後五次讀取快取，每次約 $0.004。批次處理是唯一沒有實測的方法。OpenAI、Anthropic 和 Google 都公布，24 小時內回傳結果的 batch API 按半價計費；Anthropic 也表示，這個折扣可與快取折扣併用。

有一個價格門檻要留意：120 頁 PDF 在 Claude 上超過 250,000 個權杖，而 Claude Haiku 5.5 對超過 100,000 個權杖的 prompt，會按五倍價格計費。同一份手冊擷取成文字後只有 68,382 個權杖。

Word 檔案怎麼處理？

先轉檔。我們測試的六個模型中，只有 GPT-6.1 Sol 和 GPT-6 Luna 接受直接傳送 .docx 檔案，而且只讀取文字，符合 OpenAI 對非 PDF 檔案的說明。文字和表格用 pandoc 轉成 Markdown 就夠了：一份九頁合約只需 3,144 個權杖，每個模型都答對全部 7 題。一份內嵌圖表的備忘錄用這個方式只答對 5 題中的 2 題；改用 LibreOffice 轉成 PDF 後，5 題全部答對，在 Gemini 3.8 Flash 上需要 1,217 個權杖，在 Claude Sonnet 5.5 上需要 3,827 個。

測試方法

共十份文件：七份自行產生的文件，包括 12 頁報告、8 頁財務表格、15 張投影片的圖表簡報、報告的掃描版本、120 頁手冊、Word 合約和 Word 備忘錄；另外三份是公開文件，包括論文〈Attention Is All You Need〉、IRS Form W-9，以及 NIST 的 AI 風險管理框架。每份文件搭配三到七題問題，每題都有一個可查核的答案。

主要測試把每份文件以每種方式傳给每個模型，每次請求傳一整份文件：2026 年 10 月 10 日共發出 568 次請求，其中 566 次成功，GPT-6 Luna 兩次拒絕了 120 張頁面圖片。計費規則與成本測試則在同一天另外發出 176 次請求，每家供應商選一個低價模型。除了快取測試使用 Messages API、detail 測試使用 Responses API，其餘全部經過 Synthorai 閘道的 OpenAI 相容 chat 端點。美元金額都依牌價計算。

權杖數是這條傳送路徑上的端點回報值。同一模型在其他供應商上，檔案前處理方式可能不同，因此在採用某項規則前，請先在自己的路徑上跑一次六頁測試。每份文件只有三到七題，全部答對只能表示該方式能讀懂文件，不能證明完全沒有資訊損失。

常見問題

PDF 一頁有多少權杖？

取決於供應商。以檔案傳送時，GPT-6 是文字加約 15 個權杖，Claude 是文字加 1,558 個，Gemini 固定 515 個且文字免費，Qwen 3.8 則是文字加約 2,098 個。一張掃描頁面在 GPT-6.1 Sol 上實測為 2,868 個權杖，在 Claude Sonnet 5.5 上為 1,579 個。

傳 PDF 還是擷取文字比較便宜？

純文字頁面在各家供應商上，擷取文字都比較便宜或價格相同，只有 Gemini 例外。Gemini 不計文字權杖，因此文字密集的頁面直接傳檔案反而用掉更少權杖。在 GPT-6.1 Sol 上，傳檔案的費用幾乎與傳文字相同。擷取文字無法回答圖表或掃描頁面的問題。

LLM 能讀取掃描 PDF 嗎？

可以，只要傳送檔案或頁面圖片。掃描文件擷取出的文字是空的，在我們的測試中，105 題答對 0 題。在本機執行 OCR 再傳送結果，則答對 105 題中的 104 題，並按文字價格計費。對印刷文字的掃描文件，這是最便宜的方式。

哪些模型能直接接收 PDF 檔案？

我們測試中支援的有 GPT-6.1 Sol、GPT-6 Luna、三個 Claude 5.5 模型、Gemini 3.1 Pro、Gemini 3.8 Flash、Qwen 3.8 Max 和 Qwen 3.8 Flash。DeepSeek V4.1 Flash、GLM 5.3 Flash、Kimi K3 和 Qwen 3.6 35B 接受頁面圖片，但不接受檔案。

怎麼降低長篇 PDF 的成本？

減少傳送頁數、為每頁選擇最便宜的方式，並重複利用已傳送的內容。先用便宜模型挑出相關頁面，讓 Claude Sonnet 5.5 的 120 頁請求從 253,822 個輸入權杖降到 8,758 個。依頁面類型選擇傳送方式，讓混合型文件的輸入減少 62% 到 79%。使用快取，則讓同一份文件的六題費用從 $0.461 降到 $0.117。

延伸閱讀

• 一張圖片有多少權杖？：頁面圖片所適用的圖片計費規則。
• Claude Haiku 5.5 價格：長篇 PDF 可能跨過的 100,000 個權杖門檻。
• 提示快取的寫入費用：快取文件第一次請求的費用。

← 返回部落格