Bild-Token-Rechner

Warum ein Bild überhaupt Tokens kostet

Ein Sprachmodell kann ein Bild nicht direkt lesen. Bevor es das Modell erreicht, wird es in Regionen zerlegt, jede Region als Vektor codiert, und diese Vektoren belegen im Kontextfenster genau die Plätze, die sonst Text-Tokens einnehmen würden. Deshalb werden Bilder in Tokens abgerechnet: sie beanspruchen tatsächlich Kontext und verbrauchen pro Einheit dieselbe Rechenleistung wie Wörter.

Anders als bei Text ist jedoch, wie die Zahl entsteht. Ein Satz läuft durch einen Byte-Pair-Tokenizer, seine Tokenzahl lässt sich mit der Vokabulardatei also exakt berechnen. Die Zahl eines Bildes ergibt sich allein aus Arithmetik auf seinen Maßen. Die Dateigröße ist irrelevant, ebenso Format, Farbtiefe und wie stark das JPEG komprimiert wurde. Ein 40-KB-Screenshot und ein 12-MB-PNG mit identischen Maßen kosten genau dasselbe. Das ist die nützlichste Erkenntnis zur Bildabrechnung überhaupt, denn sie bedeutet: Ihr einziger Hebel ist die Auflösung.

OpenAI, ChatGPT und Azure OpenAI

OpenAI verwendet zwei Verfahren, und welches greift, hängt an der Modellgeneration, nicht an einer Einstellung. Die GPT-5.x-Familie zählt Patches: das Bild wird in ein Raster aus Quadraten von 32×32 Pixeln zerlegt, jedes Quadrat kostet ein Token, bis zur harten Grenze von 1.536 Patches. Ein Bild mit 1.024×1.024 ergibt 1.024 Tokens bei GPT-5.6 Terra — $0.00205 an Eingabe, oder $2.05 für tausend Bilder.

Diese Obergrenze macht das Patch-Verfahren am oberen Ende nachsichtig. Ein 1080p-Screenshot und ein 4K-Screenshot kosten beide 1.536 Tokens, weil das 4K-Bild vor dem Zählen auf das Patch-Budget herunterskaliert wird. Die größere Datei zu senden bringt nichts und kostet nichts.

GPT-4o und GPT-4.1 stammen aus der Zeit vor den Patches und nutzen stattdessen Tiles: eine Grundgebühr von 85 Tokens plus 170 pro Tile von 512px nach zwei Skalierungsschritten. Dasselbe quadratische Bild ergibt dort 765 Tokens. Nur diese OpenAI-Modelle lesen außerdem den Parameter detail — auf low gesetzt liegt die Gebühr unabhängig von der Bildgröße fest bei 85 Tokens, was eine echte Optimierung ist, wenn Sie nur den Gesamteindruck eines Bildes brauchen. Bei den GPT-5.x-Modellen wird der Parameter akzeptiert und ignoriert, weshalb der Rechner oben das Bedienelement ausgraut und den Grund dafür nennt.

Wenn Sie über Azure OpenAI aufrufen, nehmen Sie einfach die passende OpenAI-Zeile. Azure hostet dieselben Modelle unter derselben Bildabrechnung; ein Azure OpenAI Image Token Calculator und ein OpenAI-Rechner liefern also dieselbe Zahl, nur Ihr Vertragspreis kann abweichen. ChatGPT selbst wird im Privatkundentarif überhaupt nicht pro Token abgerechnet, doch das Modell dahinter zählt Bilder genau wie die API — und deshalb sind diese Zahlen brauchbar, um abzuschätzen, was eine ChatGPT-artige Funktion im Betrieb kostet.

Gemini zählt Tiles — und hört nie auf

Das Verfahren von Google hat zwei Zweige. Ein Bild, das auf beiden Seiten 384px oder weniger misst, ist eine einzige Pauschaleinheit im Wert von 258 Tokens. Alles Größere wird in Tiles von 768px geteilt, jedes ebenfalls 258 Tokens wert.

Die Folge lohnt es sich einzuplanen: Gemini kennt keine Obergrenze. Wo OpenAI bei 1.536 Patches und Anthropic bei rund 1.534 Tokens abriegelt, fügt Gemini weiter Tiles hinzu, solange Sie Pixel hinzufügen. Ein Bild mit 1.024×1.024 liegt bei konkurrenzfähigen 1.032 Tokens; ein Foto mit 3.024×4.032 direkt vom Handy bei 6.192, gegenüber 1.452 bei GPT-5.6 Terra und 1.534 bei Claude Sonnet 5. Gemini wird von der günstigsten zur teuersten Option, allein wegen der Auflösung, die Sie übergeben haben.

Umgekehrt ist Gemini bei kleinen Bildern unschlagbar. Bei 256×256 kostet Gemini 3.7 Flash $0.00019 pro Bild, und die Pauschale deckt alles bis 768px auf beiden Seiten ab — eine Thumbnail-Pipeline, die auf 768px oder darunter skaliert, zahlt also ein Tile, einmal.

Claude teilt Pixel durch 750

Anthropic verzichtet ganz auf Raster: Tokens sind die Gesamtpixelfläche geteilt durch 750. Zuvor greifen zwei Begrenzungen — die lange Kante wird auf 1.568px gebracht, dann die Gesamtfläche auf rund 1.150.000 Pixel — und es ist die Flächenbegrenzung, nicht die der Kante, die Claudes effektive Obergrenze von etwa 1.534 Tokens pro Bild erzeugt.

Weil die Formel rein geometrisch ist, melden alle Claude-Stufen dieselbe Zahl. Ein Bild mit 1.024×1.024 ergibt bei Opus, Sonnet und Haiku gleichermaßen 1.399 Tokens — die Modelle unterscheiden sich nur darin, was ein Token kostet. Das macht die Wahl der Stufe für Vision-Aufgaben ungewöhnlich klar: dasselbe Bild kostet $0.00700 bei Claude Opus 5 und $0.00140 bei Claude Haiku 4.5 — ein fünffacher Unterschied, ohne dass das Modell weniger vom Bild erhält.

Wie Sie weniger für Bilder zahlen

Vor dem Senden verkleinern. Da nur die Maße zählen, ist Herunterskalieren die gesamte Optimierung. Bei den begrenzten Verfahren kann alles oberhalb der Grenze bedenkenlos wegfallen — der Anbieter verkleinert es ohnehin, und selbst zu verkleinern spart zusätzlich Uploadzeit. Bei Gemini, wo nichts begrenzt ist, ist Verkleinern der Unterschied zwischen 6.192 Tokens und 1.032.

Auflösung an die Aufgabe anpassen. Dichten Text in einem Screenshot zu lesen braucht Pixel. Zu entscheiden, ob auf einem Foto eine Katze ist, nicht. Bei GPT-4o und GPT-4.1 erledigt detail: low das mit pauschal 85 Tokens; bei anderen Modellen erreicht Verkleinern auf 512×512 dasselbe.

Das Gespräch zählen, nicht die Anfrage. Ein Bild bleibt so lange im Kontextfenster, wie der Thread besteht, und die meisten Chat-Implementierungen senden bei jedem Zug die gesamte Historie erneut. Ein Bild, das einmal $0.00205 kostet, kostet über zwanzig Züge $0.041 — noch bevor ein einziges Wort Text gezählt ist. Prüfen Sie, ob für Ihr Prefix ein Preis für zwischengespeicherte Eingaben gilt; er beträgt üblicherweise nur einen Bruchteil des Normalpreises.

Wie genau diese Zahlen sind

Bild-Tokenzahlen sind zuverlässiger als Textschätzungen für Modelle mit nicht öffentlichem Tokenizer, denn die Formeln hier sind veröffentlichte Arithmetik und keine Rekonstruktion. Geben Sie dem Tile-Verfahren von OpenAI ein Bild mit 512×512, liefert es 255 Tokens — genau die Zahl aus OpenAIs eigener Dokumentation; 1.024×1.024 ergibt 765, ebenso.

Zwei Einschränkungen. Anbieter ändern diese Formeln ohne große Vorankündigung, deshalb sind die Zahlen auf den Zeitpunkt datiert, an dem sie zuletzt gegen die Originaldokumentation geprüft wurden. Und die Tokenzahl des Bildes ist nicht die ganze Anfrage: Ihr Prompt-Text, eine System-Nachricht und die Antwort des Modells werden zusätzlich abgerechnet. Für Dokumente nehmen Sie den Datei-Token-Rechner und für Prompts den Text-Rechner; diese Seite behandelt die Pixel.