图像生成 API 成本：5 个模型对比（$0.006–$0.039）

我们给一个原本面向文本 LLM 的网关加入了图像生成功能，并实测了 4 个影响成本的变量：模型、分辨率、图像数量和质量。影响最大的是质量。大多数图像 API 都提供这个参数，但调用方通常不会修改默认值。分辨率、prompt cache 和批量生成的影响，远小于大多数人的预期。

TL;DR

• gpt-image 的 quality 参数在分辨率相同时能让账单相差约 36 倍：1024x1024 下，low/medium/high 分别计费 196 / 1,756 / 7,024 个输出 token（$0.0060 / $0.053 / $0.211）。
• 模型选择能带来 6.4 倍的成本差异：gpt-image-2 低质量下每张 $0.0060，gemini-2.5-flash-image 则为 $0.0387。
• 分辨率影响很小：从 1024x1024 提升到 2048x2048，gpt-image-2 的单图成本只增加了一倍。
• 图像生成不支持 prompt cache，n=4 还会把 prompt 重复计费 4 次；输出低于约 1,000 个 token 时按 token 计费更划算，高于这个值则固定单图价格更划算。

图像模型有哪些差异

图像模型不能直接互换。它们在多个方面都有差异，其中只有计费方式直接关系到价格。当前可用模型概览如下：

如果把一个模型的行为套到另一个模型上，以下差异很容易造成问题：

• 计费方式。 分为按 token（gpt-image、gemini）和固定单图价格（qwen、wan、seedream）。这是决定账单的核心因素，下一节会详细分析。
• quality 参数。 只有 gpt-image 提供这个参数（low/medium/high）。Gemini 通过模型档位（flash 到 pro）或 image_size 调整生成质量；固定单图价格的模型没有类似参数。仅这一个参数就能让账单相差约 36×，因此它是最主要的成本杠杆，下文会给出实测结果。
• 并非所有模型都支持批量生成（n>1）。 gpt-image、qwen 和 wan 可以在一次调用中返回多张图。所有 Gemini 和 Seedream 图像模型每次调用只能生成一张图：传入 n=2 会返回 400，因此需要自行发起 N 个请求并编排批处理。
• 分辨率限制各不相同。 gemini-2.5-flash-image 最高只支持 1K（1 MP），gemini-3 则可达到 2K/4K（从 1K 提升到 4K 时，账单约增加一倍）。Seedream 4.5/5.0 要求分辨率至少约为 1920²，低于该值会直接拒绝。qwen-image 支持 512²–2048²。更高的分辨率不一定可用，也不一定允许通过降低分辨率来省钱。
• 控制参数和图生图能力不同。 只有部分模型支持 seed、negative_prompt 或 guidance_scale。编辑时允许使用的参考图数量也不同，最少为 3 张（gemini-2.5），最多为 16 张（gpt-image）。

quality 参数还有一个不直观的特点。对 gpt-image 来说，输出 token 是计费单位，并不代表最终文件的大小。OpenAI 根据公开的（quality × size）费率表确定 token 数量。例如，gpt-image-1 在 1024² 下，low / medium / high 分别对应 272 / 1,056 / 4,160 个 token。因此，token 数量由 quality 决定，而不是根据返回的字节数计算。我们的实测也验证了这一点：同一个 prompt 在 1024² 下分别使用 3 个质量档位，得到的都是 1024×1024 PNG，文件大小也都约为 0.9 MB，但计费 token 分别为 196、1,756 和 7,024。分辨率相同，字节大小也相近，成本却相差 36×。费用取决于渲染工作量，而不是像素数量，所以应以 usage 为准，不能只看输出结果。

这些模型都不支持 prompt cache，而这通常是人们首先想到的省钱方式。图像生成是无状态的：没有对话或 KV 状态可以复用，usage 对象也没有 cache 字段。后面的实测还会说明，批量生成同样不会共享 prompt。缓存是 chat 的能力，不适用于图像生成，因此不能靠它降低图像生成成本。

实测结果

我们通过网关实际生成图像，统一使用电商产品图风格的 prompt，再根据返回的 usage 和各模型公开费率计算成本。以下 5 个结论分别来自独立测试。

1. 成本来自图像，不是 prompt。 在文生图中（输入 prompt，输出图像），97–100% 的费用来自输出 token：一次 1024² 的 gpt-image-2 生成会产生 21 个输入 token 和 196 个输出 token（约 $0.0001 加 $0.0059）；gemini-2.5-flash-image 的输入为 10 个 token。文本 prompt 的费用几乎可以忽略。但如果输入的是图像，例如通过图生图执行“把这个杯子改成蓝色”，输入 token 会大幅增加：

输入会增加 50–130×，而且与参考图数量呈线性关系。在 gpt-image-2 的实测中，1、2、3 张参考图分别对应 1,043、2,068 和 3,093 个输入 token，每增加一张参考图约增加 1,025 个 token。低质量模式下，输入 token 数量甚至是生成输出的 5 倍。无论是生成图像还是提供图像，成本都来自图像，而不是 prompt。本文后续只讨论文生图；完整的图生图成本分析会另行发布。

2. 模型选择能带来 6× 的成本差异。 相同的 1024² 请求，使用默认质量：

最便宜和最贵的方案相差 6.4×，差异完全来自各模型生成的输出 token 数量。

3. 分辨率几乎不影响成本。 将 gpt-image-2 从 1024² 提升到 2048² 后，单图成本仍大致处于同一量级（$0.0060 到 $0.0121）；输出 token 并不与像素数量成正比。无论请求什么尺寸，gemini-2.5-flash-image 都返回相同的 1,290 个 token，因为它只支持 1K，size 只会改变宽高比。（gemini-3 图像模型确实支持 image_size，从 1K 提升到 4K 时成本约增加一倍；但本文测试的 2.5-flash-image 不支持。）固定单图价格的模型按定义就不受分辨率影响。到这里，按 token 计费的模型看起来很难被超越。

4. 质量决定成本交叉点。 对 gpt-image-2 的各质量档位进行测试：

从 low 提升到 medium，输出 token 约增加 9×；从 low 提升到 high，则约增加 36×。低质量下，按 token 计费的模型最便宜；到了 medium 或 high，其成本会超过固定单图价格（$0.03–0.035）。按计算结果，交叉点约为 1,000 个输出 token（$0.03 ÷ $30/M）：low 低于这个值，medium 高于这个值。这也修正了我们此前的结论。“按 token 计费始终最便宜”只是因为当时测试的是默认 low 质量。

同一个 prompt，gpt-image-2，1024²。low / medium / high 分别计费 196 / 1,756 / 7,024 个输出 token，即 $0.006 / $0.053 / $0.215：分辨率相同，成本却相差 36×。对于这类背景干净的产品图，3 个档位很难看出差别，因此最便宜的档位通常已经足够。应根据任务设置 quality，不要一律默认使用 high。

5. 多张图之间无法共享 prompt。 在一次调用中生成 n 张图，并不能摊薄 prompt 成本。gpt-image-2 会将其重复计费 N 次：n=4 时，输入 token 从 28 增加到 112；使用较长的品牌 prompt 时，则从 499 增加到 1,996。n=1 和 n=4 的单图成本完全相同。图像生成既没有缓存，也没有其他 prompt 成本共享机制。每张输出图都要单独付费，prompt 也会逐张重新计费。

选择规则

对于文生图，真正决定成本的是质量，而不是通常认为的其他因素：

• 低质量 / 草稿 / 缩略图： 选择带 quality 参数、按 token 计费的模型（gpt-image，约 $0.006–0.012）。在最高约 2K 的范围内，无论什么分辨率都最便宜。
• 中高质量： 选择单次请求固定价格的模型（seedream / qwen，$0.03–0.035）。按 token 计费的成本会快速上升（我们的实测范围为 $0.05–0.43），而固定单图价格不仅更便宜，也不受质量影响。
• gemini（默认 1K 下约 $0.039）很少是成本最优解。 低质量下，gpt-image 更便宜；中高质量下，单次请求固定价格的模型更便宜。它没有 quality 参数；选择 Pro 档位或更高的 image_size 是为了输出质量，而不是价格。
• 同一质量档位内，分辨率带来的成本差异约为 2×， 不足以改变模型选择。质量才会改变结论。
• n>1、缓存和批量生成都不会降低单图成本。 没有任何可共享的内容。
• 图生图默认选择固定单图价格。 参考图属于输入，只有按 token 计费的模型会对此额外收费（每张约 1,025 个 token）；固定单图价格的模型不会额外收费。编辑场景通常应优先选择 seedream / qwen。只有使用少量参考图进行低质量编辑时，gpt-image 仍然更便宜（约 5 张参考图时会超过固定单图价格）；一旦提高质量或增加参考图数量，它就会失去成本优势。

电商是最典型的例子。假设要为目录中的每件商品生成产品图，每次都发送相同的长品牌 prompt，并认为缓存重复 prompt 能省钱。这个思路有两个问题：成本本来就不在 prompt，而在图像；图像生成也根本没有缓存。实际产品图通常需要 medium 或更高质量，因此应选择固定单图价格的模型。无论 prompt 重复多少次，这类模型都更便宜，成本也更可预测。

开头提到的能力限制仍可能改变最终选择，包括每次调用只能生成一张图、分辨率上下限、数据驻留要求，以及模型是否提供 seed、negative_prompt、guidance_scale 等参数。先按成本选型，再确认能力是否满足需求。

为什么这些数据可信

这些数字来自各厂商真实返回的 usage，并按公开费率计算，不是估算值。我们的网关对图像生成采用无会话计费：只有返回 2xx 才结算，生成失败绝不收费；产生费用前会按最坏情况预检成本；如果响应中缺少 usage，则按成本上限计费，而不是默认为 $0。原则和我们处理其他模型时一致：应验证真实成本，而不是直接相信厂商给出的数字。我们在审计网关是否虚报缓存时也采用了同样的方法。

结论

图像生成看起来只是又一个 endpoint，但计费单位已经变了。对文生图来说，真正影响成本的不是 prompt（没有缓存，也无法在批量生成中共享），也不是分辨率，而是质量：低质量时 gpt-image 最便宜，中高质量时固定单图价格的模型（seedream / qwen）更划算，交叉点约为 1,000 个输出 token。应明确设置质量，选择与之匹配的模型，并核对实际成本。从生成转向编辑、开始输入参考图时，需要重新计算，因为输入图像也会成为主要成本。

常见问题

prompt cache 能降低图像生成成本吗？ 不能。图像生成是无状态的：usage 对象中没有 cache 字段，批量生成也会对每张图重新计算 prompt 费用。成本来自输出图像，而不是文本。

按 token 计费和按图计费，哪个更便宜？ 取决于质量。对于低质量或草稿，选择带 quality 参数的模型，例如 gpt-image（约 $0.006–0.012）。对于中高质量，选择固定单图价格的模型，例如 seedream/qwen（$0.03–0.035），因为按 token 计费的成本会快速上升。图生图更适合固定单图价格：这类模型不会对参考图额外收费，而按 token 计费的模型每张参考图约增加 1,025 个 token。

资料来源

• OpenAI：图像生成 API
• OpenAI：gpt-image 按 token 定价
• Google：Gemini API 定价（图像输出 token）
• OpenAI：Prompt caching（为何不适用于图像生成）

所有信息均于 2026-06-19 核验。本文不构成财务建议；据此决策前请确认最新价格。

← 返回博客