Compteur de tokens image

Pourquoi une image coûte des tokens

Un modèle de langage ne peut pas lire une image directement. Avant d'atteindre le modèle, l'image est découpée en régions, chaque région est encodée en un vecteur, et ces vecteurs entrent dans la fenêtre de contexte en occupant les emplacements que des tokens de texte auraient pris. Voilà pourquoi les images sont facturées en tokens : elles consomment réellement du contexte et le même calcul par unité que des mots.

Ce qui change par rapport au texte, c'est la façon d'obtenir le chiffre. Une phrase passe par un tokeniseur à codage par paires d'octets, donc n'importe qui possédant le fichier de vocabulaire peut la compter exactement. Le décompte d'une image découle d'une arithmétique sur ses dimensions, et de rien d'autre. Le poids du fichier n'a aucune importance, pas plus que le format, la profondeur de couleur ou le taux de compression du JPEG. Une capture de 40 Ko et un PNG de 12 Mo aux dimensions identiques coûtent exactement la même chose. C'est la chose la plus utile à savoir sur la facturation des images, parce qu'elle signifie que votre seul levier est la résolution.

OpenAI, ChatGPT et Azure OpenAI

OpenAI emploie deux méthodes, et celle qui s'applique dépend de la génération du modèle, pas de quelque chose que vous contrôlez. La famille GPT-5.x compte des patchs : l'image est découpée en une grille de carrés de 32×32 pixels et chaque carré coûte un token, jusqu'à un plafond strict de 1 536 patchs. Une image 1 024×1 024 vaut 1 024 tokens sur GPT-5.6 Terra — $0.00205 en entrée, soit $2.05 pour mille d'entre elles.

C'est le plafond qui rend la méthode des patchs indulgente dans le haut du spectre. Une capture 1080p et une capture 4K facturent toutes deux 1 536 tokens, parce que l'image 4K est réduite au budget de patchs avant d'être comptée. Envoyer le plus gros fichier ne vous apporte rien, et ne vous coûte rien non plus.

GPT-4o et GPT-4.1 sont antérieurs aux patchs et utilisent des tuiles : un forfait de 85 tokens plus 170 par tuile de 512 px, après deux passes de redimensionnement. La même image carrée y vaut 765 tokens. Ce sont aussi les seuls modèles d'OpenAI à lire le paramètre detail : le régler sur low fixe la facture à 85 tokens quelle que soit la taille de l'image, ce qui est une vraie optimisation quand vous n'avez besoin que de l'idée générale. Sur les modèles GPT-5.x le paramètre est accepté puis ignoré, et c'est pourquoi le compteur ci-dessus grise le contrôle en indiquant pourquoi.

Si vous appelez via Azure OpenAI, prenez la ligne OpenAI correspondante. Azure héberge les mêmes modèles avec la même comptabilité d'images, donc un calculateur de tokens image Azure OpenAI et un calculateur OpenAI renvoient le même chiffre ; seul votre tarif négocié peut différer. ChatGPT lui-même n'est pas facturé au token sur une offre grand public, mais le modèle qui l'anime compte les images exactement comme l'API — et c'est ce qui rend ces chiffres utiles pour estimer le coût d'une fonctionnalité à la ChatGPT.

Gemini compte des tuiles, et ne s'arrête jamais

La méthode de Google a deux branches. Une image qui mesure 384 px ou moins sur les deux côtés forme une unique unité au forfait de 258 tokens. Tout ce qui est plus grand est découpé en tuiles de 768 px, chacune valant également 258 tokens.

La conséquence mérite d'être planifiée : Gemini n'applique aucun plafond. Là où OpenAI coupe à 1 536 patchs et Anthropic vers 1 534 tokens, Gemini continue d'ajouter des tuiles tant que vous ajoutez des pixels. Une image 1 024×1 024 vaut 1 032 tokens, ce qui est compétitif ; une photo 3 024×4 032 sortie directement d'un téléphone en vaut 6 192, contre 1 452 sur GPT-5.6 Terra et 1 534 sur Claude Sonnet 5. Gemini passe de l'option la moins chère à la plus chère uniquement à cause de la résolution que vous lui avez donnée.

Le revers, c'est que Gemini est imbattable sur les petites images. À 256×256, Gemini 3.7 Flash coûte $0.00019 par image, et le forfait couvre tout jusqu'à 768 px sur les deux côtés : une chaîne de vignettes qui redimensionne à 768 px ou moins paie une tuile, une seule fois.

Claude divise les pixels par 750

Anthropic se passe entièrement de grille : les tokens sont la surface totale en pixels divisée par 750. Deux limites s'appliquent d'abord — le grand côté est ramené à 1 568 px, puis la surface totale à environ 1 150 000 pixels — et c'est la limite de surface, non celle du côté, qui produit le plafond effectif de Claude, autour de 1 534 tokens par image.

Comme la formule est purement géométrique, tous les paliers de Claude annoncent le même décompte. Une image 1 024×1 024 vaut 1 399 tokens sur Opus comme sur Sonnet et Haiku : les modèles ne se distinguent que par le prix d'un token. Le choix du palier pour un travail de vision en devient d'une clarté inhabituelle — la même image coûte $0.00700 sur Claude Opus 5 et $0.00140 sur Claude Haiku 4.5, un facteur cinq sans que change la part de l'image transmise au modèle.

Comment dépenser moins en images

Redimensionnez avant d'envoyer. Puisque seules les dimensions comptent, réduire l'échelle est toute l'optimisation. Sur les méthodes plafonnées, vous pouvez jeter sans crainte tout ce qui dépasse la limite : le fournisseur le réduira de toute façon, et le faire vous-même économise en plus du temps d'envoi. Sur Gemini, où rien n'est plafonné, redimensionner fait la différence entre 6 192 tokens et 1 032.

Ajustez la résolution à la tâche. Lire du texte dense sur une capture demande des pixels. Décider si une photo montre un chat, non. Sur GPT-4o et GPT-4.1, detail: low règle la question en 85 tokens fixes ; sur les autres modèles, redimensionner à 512×512 obtient le même résultat.

Comptez la conversation, pas la requête. Une image reste dans la fenêtre de contexte aussi longtemps que le fil, et la plupart des implémentations de chat renvoient tout l'historique à chaque tour. Une image qui coûte $0.00205 une fois coûte $0.041 sur vingt tours, avant d'avoir compté un seul mot de texte. Vérifiez si votre préfixe donne droit à un tarif d'entrée mis en cache : c'est en général une fraction du tarif standard.

Quelle est la précision de ces chiffres

Les décomptes de tokens image sont plus fiables que les estimations de texte pour les modèles à tokeniseur privé, parce que les formules employées ici sont de l'arithmétique publiée et non une reconstruction. Donnez à la méthode des tuiles d'OpenAI une image 512×512 et elle renvoie 255 tokens, soit le chiffre de la documentation d'OpenAI elle-même ; 1 024×1 024 renvoie 765, de même.

Deux réserves. Les fournisseurs modifient ces formules sans grand préavis, donc les chiffres sont datés du dernier contrôle par rapport à la documentation d'origine. Et le décompte de l'image n'est pas la requête entière : le texte de votre prompt, le message système et la réponse du modèle sont facturés à part. Pour les documents, utilisez le compteur de tokens de fichiers, et pour les prompts le calculateur de texte ; cette page couvre les pixels.