Сколько токенов «съедает» скриншот: сравнение GPT‑5.5, Claude Opus 4.8 и Gemini 3.1
Разбираем, как три ведущих модели считают токены в изображении 1920×1080, и какой это расход контекста и бюджета для корпоративных сервисов.
В корпоративных чат‑ботах сотрудники часто загружают скриншоты, PDF‑документы и другие визуальные материалы. Каждый такой файл превращается в токены, которые «едят» лимит контекста и влияют на стоимость обращения к API. В статье Habr ML проведён расчёт количества токенов, которые учитываются при обработке одинакового скриншота (1920×1080) тремя популярными моделями: GPT‑5.5, Claude Opus 4.8 и Gemini 3.1.
GPT‑5.5 использует правило 1 токен ≈ 4 пикселя по каждому измерению, то есть 1 токен ≈ 16 пикселей². Для изображения 1920×1080 получаем 1920·1080 ÷ 16 ≈ 129 600 токенов, но система автоматически делит их на 100 000‑токенный «пакет», добавляя 2 токена за метаданные. Итог – ≈ 129 602 токена.
Claude Opus 4.8 считает токены по формуле 1 токен ≈ 3 пикселя по ширине и высоте, что даёт 1920·1080 ÷ 9 ≈ 230 400 токенов, плюс фиксированные 5 токенов за заголовок изображения. Итог – ≈ 230 405 токенов.
Gemini 3.1 применяет более экономичный подход: 1 токен ≈ 8 пикселя по каждому измерению (64 пикселя²). Получаем 1920·1080 ÷ 64 ≈ 32 400 токенов, плюс 3 токена за формат. Итог – ≈ 32 403 токена.
Эти цифры показывают, что стоимость обработки одинакового скриншота может различаться в 5‑6 раз в зависимости от модели. Для компаний, где лимит контекста ограничен, важно учитывать такие расчёты при проектировании сервисов и выбирать модель, оптимальную по цене и качеству. Также рекомендуется предобрабатывать изображения (уменьшать разрешение, конвертировать в моно) — это существенно снижает токен‑расход.
Ссылка на оригинал: https://habr.com/ru/companies/bothub/articles/1068866/
Для разработчиков AI‑сервисов это напоминание о скрытых расходах: визуальный ввод может быстро съесть контекстный лимит и бюджет. Выбирайте модель с учётом токен‑экономии, а лучше оптимизируйте изображения перед отправкой в API.