一张图算多少 token？同一图标实测 15 个 API：6 到 1,298
目录
同一张 1024x1024 图片，在 GPT-5.6 上计为 693 个输入 token，在 Qwen 3.8 Max 上是 988 个，在 Gemini 上是 1,089 个，在 Claude 上是 1,372 个。按各家输入费率计算，15 个视觉模型的单图成本从 $0.00005 到 $0.0137，这个差距几乎完全来自各模型的输入费率，而不是图片 tokenizer。五家厂商公布了图片计费规则，其中三家的规则与我们的实测结果不符。本文是文本 tokenizer 实测的图片篇：我们将本地生成的同一批 PNG 发送给目录中的每个视觉模型，通过“带图 prompt token 数减去不带图 prompt token 数”得到图片成本，并覆盖六种尺寸、五种宽高比、三类内容、三种文件格式，以及每次一到四张图片的组合。
TL;DR
- 一张 1024x1024 图片：GPT-5.6 为 693 个 token，Gemini 为 1,089 个，Claude 为 1,372 个；成本从 $0.00005（qwen3-vl-flash）到 $0.0137（claude-fable-5）。
- 三种计费方式：patch 公式（Qwen 严格符合 (side/32)²+2）、设有上限的 tile 计费（GPT 到 693 后不再增加），以及固定费用（Gemini 无论尺寸都收 1,089 个 token，缩略图也一样）。
- 三条公开规则未通过实测：Claude 旗舰模型约在 1,920px 而非 1,568px 开始缩放；Gemini 文档写 258 个 token，实测固定为 1,089；Qwen 使用 32px 网格，而不是 28px。
- 文件格式和内容对 token 数完全没有影响：计费只看几何尺寸。
各家文档如何说明图片计费？
七个模型家族中有五个公布了规则，其中三家的实测结果与文档不符。下表浓缩了全文；后续各节要么给出分歧的实测证据，要么分析文档完全没有提到的成本规律：
| 模型家族 | 文档说明 | 实测结果 |
|---|---|---|
| OpenAI | 使用 32px patch，每个模型有各自的 patch 预算（文档） | 曲线形态一致：64px 为 6 个 token，硬上限为 693 个 token |
| Anthropic | (w x h)/750，长边超过 1,568px 后缩放（文档） | 512-1,024px 时公式完全吻合；1,568 上限只适用于 Haiku，旗舰模型会继续计费到约 1,920px |
| 不超过 384px 的图片计 258 个 token，更大图片按每个 768px tile 计 258 个（文档） | 所有尺寸固定为 1,089 个 token，包括 64px 图标；在我们测试的接口上，文档所述 media_resolution 参数没有任何一种写法能生效 | |
| Alibaba | 每个 28x28px 计一个 token，最少 4 个（文档） | qwen3-vl 使用 32px 网格，可精确拟合为 ((side/32)²+2)，下限 66，上限尺寸 1,600px |
| Moonshot | 动态计算 token，未公布公式，支持最大 4K 图片（文档） | 结果稳定：按二次曲线增长，测试到 3,072px 仍未发现上限（11,674 个 token） |
| MiniMax / ByteDance | 未找到公开公式 | MiniMax 按二次曲线增长，2,048px 封顶；ByteDance 每张固定 1,298 个 token |
右侧一列呈现出一个明确规律：公开规则都围绕几何尺寸展开，包括 patch、tile 和除数。几何尺寸可以直接测量，所以我们逐项做了验证。文档与实测不一致时，预算表也会随之出错：如果 Claude 旗舰模型按文档中的 1,568px 上限估算，大图预算会低估约 45%；如果 Gemini 流水线预期缩略图只收 258 个 token，实际每个图标都要支付其 4.2 倍。
一张图片要消耗多少 token？
在我们的测试矩阵中，单图为 6 到 5,486 个 token，具体取决于模型和尺寸，而 token 数只决定了账单的一半。下表展示了同一张 1024x1024 PNG 在目录中每个视觉模型上的结果，并按各模型输入费率换算成本：
| 模型 | Token（1024²） | 约合英文单词数 | 相当于该模型每千 token 价格的倍数 | 输入费率 /1M | 每张图片成本 |
|---|---|---|---|---|---|
| qwen3-vl-flash | 1,026 | ≈770 | 1.03x | $0.05 | $0.00005 |
| qwen3-vl-plus | 1,026 | ≈770 | 1.03x | $0.20 | $0.0002 |
| minimax-m3 | 1,371 | ≈1,030 | 1.37x | $0.30 | $0.0004 |
| Dola-Seed-2.0-pro | 1,298 | ≈970 | 1.30x | $0.50 | $0.0006 |
| gpt-5.6-luna | 693 | ≈520 | 0.69x | $1.00 | $0.0007 |
| gemini-3.7-flash | 1,089 | ≈820 | 1.09x | $0.75 | $0.0008 |
| claude-haiku-4-5 | 1,373 | ≈1,030 | 1.37x | $1.00 | $0.0014 |
| gemini-3.6-flash | 1,089 | ≈820 | 1.09x | $1.50 | $0.0016 |
| qwen3.8-max | 988 | ≈740 | 0.99x | $2.00 | $0.0020 |
| gemini-3.1-pro-preview | 1,089 | ≈820 | 1.09x | $2.00 | $0.0022 |
| claude-sonnet-5 | 1,372 | ≈1,030 | 1.37x | $2.00 首发价 | $0.0027 |
| kimi-k3 | 1,379 | ≈1,030 | 1.38x | $3.00 | $0.0041 |
| claude-opus-5 | 1,372 | ≈1,030 | 1.37x | $5.00 | $0.0069 |
| claude-fable-5 | 1,372 | ≈1,030 | 1.37x | $10.00 | $0.0137 |
可以得出三点。第一，“一图千言”在账单上是字面成立的：按每个 token 对应 0.75 个英文单词计算，一张 1024px 图片占用的上下文预算相当于一篇 520 到 1,030 词的文档。这正是图片较多的对话比纯文本更快耗尽上下文窗口和预算的原因。第二，美元列几乎完全由费率决定：token 数只相差不到 2 倍（693 到 1,379），因此在任何模型上，一张图的成本都相当于该模型每千输入 token 价格的 0.69 到 1.38 倍；美元一列基本上只是各模型输入费率的复述。第三，同一家族的模型使用完全相同的 tokenizer：两个 qwen3-vl 版本、两个 GPT-5.6 版本、三个 Gemini 模型和四个 Claude 模型，在每个正方形图片尺寸上返回的结果都相同或近乎相同。这与我们在文本测试中发现的模式一致：每个家族共用一个 tokenizer。
哪些因素决定图片的 token 成本？
有五个因素会改变账单，另有三个通常被认为会影响成本的因素其实毫无作用。后文每一节都会深入分析下表中的一项：
| 因素 | 影响 | 适用范围 |
|---|---|---|
| 计费方式 | patch 公式、设上限的 tile 计费或固定费用 | 见下方计费方式表 |
| 分辨率（面积） | 最主要的因素，大致按二次曲线增长 | 除两个固定费用模型外的所有模型 |
| 缩放上限 | 超过上限的像素不再计费 | 1,600px（Qwen）、约 1,920px（Claude 旗舰模型）、1,568px（Haiku）、693 个 token 上限（GPT）；Kimi 无上限 |
| 宽高比 | 次要影响：边界网格会让长条图更贵，而长边上限会让极端比例更便宜 | GPT 在 3:1 时增加 84%，到 8:1 时反而减少 11%；Haiku 在 8:1 时减少 71% |
| 图片数量 | 严格线性累加，没有批量折扣 | 全部 15 个模型 |
| 内容（照片、文字或空白） | 无影响 | 实测的每个模型 |
| 文件格式（PNG/JPEG/WebP） | 无影响 | 实测的每个模型 |
| 文件字节数 | 无影响 | 实测的每个模型 |
最后三个因素需要特别说明，因为两类误解都很常见：在这组 API 中，没有任何一个会根据压缩率或图片内容复杂度计费。输入几何尺寸，输出 token 数。
三种图片计费方式是什么？
三种方式分别是 patch 公式、设有上限的 tile 计费和固定费用。它们对小图的定价差异很大。我们按六档尺寸测试了边长从 64px 到 2,048px 的正方形图片：
| 模型 | 64px | 128px | 256px | 512px | 1,024px | 2,048px | 计费方式 |
|---|---|---|---|---|---|---|---|
| qwen3-vl（两个版本） | 66 | 66 | 66 | 258 | 1,026 | 2,502 | patch：(side/32)²+2，最小 8x8，上限 1,600px |
| qwen3.8-max | 28 | 28 | 28 | 220 | 988 | 2,464 | patch，下限更低 |
| gpt-5.6（两个版本） | 6 | 21 | 78 | 309 | 693 | 693 | tile，硬上限 693 |
| gemini（三个模型） | 1,089 | 1,089 | 1,089 | 1,089 | 1,089 | 1,089 | 固定费用，尺寸不限 |
| Dola-Seed-2.0-pro | 1,298 | 1,298 | 1,298 | 1,298 | 1,298 | 1,298 | 固定费用，尺寸不限 |
| kimi-k3 | 17 | 33 | 108 | 369 | 1,379 | 5,486 | 二次曲线，未发现上限 |
| minimax-m3 | 18 | 27 | 102 | 363 | 1,371 | 5,186 | 二次曲线，2,048px 封顶 |
| claude（四个模型） | 12 | 28 | 103 | 364 | 1,372 | 4,764 | (w x h)/750，设有缩放上限 |
Qwen 的公式足够精确，可以直接用于预算：1,024px 正方形图片计为 (1024/32)² + 2 = 1,026 个 token，实测一枚 token 不差。其最小值会填充到 8x8 个 patch（66），缩放上限为 1,600px（从 1,600 到 1,920px 的实测结果均为 2,502）。GPT 按 tile 计费，达到 693 后不再增加：1,024px 和 2,048px 图片成本相同。对缩略图流量来说，固定费用最容易踩坑：Gemini 对 64px 图标收取 1,089 个 token，与缩放后的 4K 截图完全相同；Seed 则固定收取 1,298 个。另一端，Kimi K3 超过其他模型的上限后仍继续增长：3,072px 正方形图片计为 11,674 个 token，是测试矩阵中唯一未观察到缩放行为的模型。
缩放边界具体在哪里？
除 Kimi 外，每个模型家族都会在计费前缩放大图，但实际边界应以计量结果为准，而不是文档。Claude 的边界值得单独说明，因为它会直接影响 claude-sonnet-5 及更高价模型的实际成本：1,568px 计 3,139 个 token，1,728px 计 3,847 个，1,920px 计 4,764 个，到此封顶（2,048px 和 2,304px 同样计 4,764 个）。三个旗舰模型会一直按真实像素计费到约 1,920px 才封顶，比按文档上限做的预算多出约 45% 的 token；claude-haiku-4-5 是唯一符合文档的模型。如果上传流水线可控，编码前就把图片缩放到各模型的实测上限：超出边界的像素要么额外计费（Kimi），要么被静默丢弃（其余模型），过大的上传只是在消耗带宽。
图片形状、内容或文件格式会改变账单吗？
我们测到的所有形状差异都可以由两个因素解释，而且都与文件大小无关：模型是按面积还是边界网格计数，以及它的长边缩放阈值在哪里。内容和格式则完全没有影响：在实测的每个模型上，512px 的纯色图、噪声图和文字页面计费完全相同；同一张图片保存为 243KB 的 PNG、176KB 的 JPEG 和 174KB 的 WebP，结果也完全一致。
变量测试将面积固定为一百万像素，仅改变图片形状：
| 模型 | 1:1 | 2:1 | 3:1 | 4:1 | 8:1（长边 2,896px） |
|---|---|---|---|---|---|
| gpt-5.6（两个版本） | 693 | 1,271 | 1,278 | 1,230 | 616 |
| claude 三个旗舰模型 | 1,372 | 1,355 | 1,411 | 1,409 | 1,107 |
| claude-haiku-4-5 | 1,373 | 1,356 | 1,068 | 788 | 396 |
| minimax-m3 | 1,371 | 1,352 | 1,410 | 1,298 | 650 |
| kimi-k3 | 1,379 | 1,361 | 1,417 | 1,415 | 1,361 |
| qwen3-vl（两个版本） | 1,026 | 1,037 | 992 | 1,026 | 992 |
| gemini（三个模型） | 1,089 | 1,081 | 1,083 | 1,056 | 1,034 |
| Dola-Seed-2.0-pro | 1,298 | 1,277 | 1,304 | 1,298 | 1,315 |
结合前述两个因素来看各行结果。Qwen、Kimi、Gemini 和 Seed 基本不受形状影响：它们只看面积，或直接收取固定费用。GPT 是唯一按边界网格计费的模型。同样像素数量的长条图，成本最高可比正方形高 84%；但当宽高比达到 8:1 并越过长边上限后，缩放会抵消这部分溢价，只需 616 个 token，反而比正方形更便宜。其他设有缩放阈值的模型，也会在各自边界处出现同样的转折：Haiku 从 3:1 开始降价（长边 1,774 超过其 1,568 上限，依次计 1,068、788 和 396）；Claude 旗舰模型直到 8:1 才降价（2,896 超过其约 1,920px 的边界，计 1,107）；MiniMax 也在 8:1 时超过 2,048 上限，降至 650。对于宽文档和截图流量，实际策略很明确：使用 GPT 时，应自行拆分或缩小长条图；使用 Haiku 时，极端宽高比反而能得到 Claude 中最低的像素价格。
哪些手段能真正降低图片输入成本？
按效果排序有三种。第一，缩放到模型上限：超过缩放边界的每个像素，在 Kimi 上都会继续计费，因为它没有上限；在其他模型上则全部浪费。第二，在 GPT 上使用 detail: "low"：512px 时没有区别，三种设置都是 309 个 token；但在 2,048px 时，low 会将成本固定为 309 个 token，而 high 或 auto 为 693，减少 55%。这也是我们在所有模型中发现的唯一可按请求设置的图片成本参数。第三，让计费方式匹配工作负载：固定费用模型（Gemini、Seed）不适合缩略图和图标流量，却适合尺寸始终较大的扫描件；patch 和 tile 模型会按小图的实际尺寸计费（64px 图标在 GPT 上是 6 个 token，在 Kimi 上是 17 个）。
任何模型都不提供多图折扣：在同一条消息中放入 1、2、4 份相同图片时，全部 15 个模型都严格线性累加，每份都按单图全价计费。固定费用模型受此影响最明显：一次 Gemini 请求中放入四张 256px 缩略图，需要 4,356 个图片 token；同样四张图在 qwen3-vl-flash 上只需 264 个。
常见问题
一张 1024x1024 图片需要多少 token？
对同一张 PNG 的实测结果如下：GPT-5.6 为 693，Qwen 3.8 Max 为 988，qwen3-vl 为 1,026，Gemini 为 1,089，ByteDance Seed 为 1,298，MiniMax 为 1,371，Claude 为 1,372，Kimi K3 为 1,379。不到 2 倍的 token 差距不如费率影响大：实际成本从 $0.00005（qwen3-vl-flash）到 $0.0137（claude-fable-5）。
图片文件格式或压缩率会影响 token 成本吗？
不会。在我们实测的每个模型上，同一张 512px 图片保存为 PNG（243KB）、JPEG（176KB）和 WebP（174KB）时，token 数完全相同；纯色、噪声和文字密集内容的计费也一致。计费只取决于像素尺寸；压缩可以节省带宽，但不能节省 token。
detail: "low" 能减少图片 token 吗？
在 GPT-5.6 上可以，但只有图片超过小图阈值时才有效：2,048px 图片在 low 下计 309 个 token，在 high 或 auto 下计 693 个，减少 55%；512px 时三种设置均为 309。测试矩阵中的其他模型都没有提供可用的按请求图片成本参数。
把多张图片批量放进一个请求会更便宜吗？
不会。在每个模型上，同一张图片放入 1、2、4 份时，成本都严格线性累加，每张按全价计费。批量请求能减少请求开销和延迟，但不能减少图片 token。对固定费用模型（Gemini、Seed）来说，在一个请求中放入许多小图反而是成本最高的用法。
测试于 2026-08-13/14 通过 Synthorai gateway 完成，共覆盖 17 个模型（15 个视觉模型和 2 个纯文本对照模型）：使用本地按精确尺寸生成的 PNG，通过“带图 prompt token 数减去加入随机盐值的同文本基线”计算图片成本；尺寸阶梯覆盖六档（64-2,048px），边界探测最高到 3,072px，测试六种面积为 1MP 的宽高比（从 1:1 到 8:1，另含 1:4 竖图）、三类内容、PNG/JPEG/WebP、GPT 上的 detail low/high/auto、1/2/4 张图片堆叠，并在每个模型上通过代码词识别检查图片是否可见。金额按测试日期各模型页面所列输入费率乘以实测 token 数计算（Sonnet 5 使用 $2 首发价）。视觉计费规则可能随时调整；依赖任何单项数据前，请重新运行尺寸阶梯测试。