Contador de tokens de imagen

Por qué una imagen cuesta tokens

Un modelo de lenguaje no puede leer una imagen directamente. Antes de llegar al modelo, la imagen se divide en regiones, cada región se codifica como un vector y esos vectores entran en la ventana de contexto ocupando los mismos huecos que ocuparían los tokens de texto. Por eso las imágenes se facturan en tokens: ocupan contexto de verdad y consumen el mismo cómputo por unidad que las palabras.

Lo que cambia respecto al texto es cómo se obtiene la cifra. Una frase pasa por un tokenizador de codificación por pares de bytes, así que su recuento puede calcularlo con exactitud cualquiera que tenga el archivo de vocabulario. El recuento de una imagen sale de una operación aritmética sobre sus dimensiones y de nada más. El tamaño del archivo es irrelevante, igual que el formato, la profundidad de color y lo comprimido que esté el JPEG. Una captura de 40 KB y un PNG de 12 MB con dimensiones idénticas cuestan exactamente lo mismo. Es lo más útil que se puede saber sobre la facturación de imágenes, porque significa que la única palanca que tienes es la resolución.

OpenAI, ChatGPT y Azure OpenAI

OpenAI usa dos métodos, y cuál se aplica depende de la generación del modelo, no de nada que tú controles. La familia GPT-5.x cuenta parches: la imagen se divide en una cuadrícula de cuadrados de 32×32 píxeles y cada cuadrado cuesta un token, hasta un tope estricto de 1536 parches. Una imagen de 1024×1024 son 1024 tokens en GPT-5.6 Terra — $0.00205 de entrada, o $2.05 por mil de ellas.

El tope es lo que hace indulgente al método de parches en el extremo alto. Una captura 1080p y una captura 4K facturan las dos 1536 tokens, porque el fotograma 4K se reduce al presupuesto de parches antes de contarse. Enviar el archivo más grande no te aporta nada y tampoco te cuesta nada.

GPT-4o y GPT-4.1 son anteriores a los parches y usan mosaicos: un cargo base de 85 tokens más 170 por cada mosaico de 512px tras dos pasadas de redimensionado. La misma imagen cuadrada son allí 765 tokens. Son además los únicos modelos de OpenAI que leen el parámetro detail: ponerlo en low fija el cargo en 85 tokens por grande que sea la imagen, lo que supone una optimización real cuando solo necesitas la idea general. En los modelos GPT-5.x el parámetro se acepta y se ignora, y por eso el contador de arriba atenúa el control y explica el motivo.

Si llamas a través de Azure OpenAI, usa la fila de OpenAI correspondiente. Azure aloja los mismos modelos con la misma contabilidad de imágenes, así que una calculadora de tokens de imagen para Azure OpenAI y una para OpenAI devuelven la misma cifra; lo único que puede variar es tu tarifa contratada. ChatGPT en sí no se factura por token en un plan de consumidor, pero el modelo que hay detrás cuenta las imágenes exactamente igual que la API, y eso es lo que hace útiles estas cifras para estimar cuánto costará construir una función al estilo de ChatGPT.

Gemini cuenta mosaicos, y no se detiene

El método de Google tiene dos ramas. Una imagen que mide 384px o menos en ambos lados es una única unidad de tarifa plana de 258 tokens. Todo lo mayor se divide en mosaicos de 768px, cada uno también de 258 tokens.

La consecuencia merece planificarse: Gemini no aplica ningún techo. Donde OpenAI corta en 1536 parches y Anthropic en unos 1534 tokens, Gemini sigue sumando mosaicos mientras tú sigas sumando píxeles. Una imagen de 1024×1024 son unos competitivos 1032 tokens; una foto de 3024×4032 recién salida del móvil son 6192, frente a 1452 en GPT-5.6 Terra y 1534 en Claude Sonnet 5. Gemini pasa de ser la opción más barata a la más cara únicamente por la resolución que le has entregado.

La otra cara es que Gemini resulta imbatible con imágenes pequeñas. A 256×256, Gemini 3.7 Flash cuesta $0.00019 por imagen, y la tarifa plana cubre todo hasta 768px en ambos lados: una cadena de miniaturas que redimensione a 768px o menos paga un mosaico, una sola vez.

Claude divide los píxeles entre 750

Anthropic se salta las cuadrículas por completo: los tokens son el área total de píxeles dividida entre 750. Antes se aplican dos límites —el lado largo se reduce a 1568px y después el área total a unos 1.150.000 píxeles— y es el límite de área, no el del lado, el que produce el techo efectivo de Claude de unos 1534 tokens por imagen.

Como la fórmula es puramente geométrica, todos los niveles de Claude informan del mismo recuento. Una imagen de 1024×1024 son 1399 tokens tanto en Opus como en Sonnet y Haiku: los modelos solo se diferencian en lo que cuesta un token. Eso vuelve inusualmente limpia la elección de nivel para trabajar con visión — la misma imagen cuesta $0.00700 en Claude Opus 5 y $0.00140 en Claude Haiku 4.5, una diferencia de cinco veces sin que cambie cuánto de la imagen recibe el modelo.

Cómo gastar menos en imágenes

Redimensiona antes de enviar. Como solo cuentan las dimensiones, reducir la escala es toda la optimización. En los métodos con tope puedes descartar sin miedo todo lo que sobrepase el límite: el proveedor lo va a reducir de todas formas, y hacerlo tú además ahorra tiempo de subida. En Gemini, donde nada tiene tope, redimensionar es la diferencia entre 6192 tokens y 1032.

Ajusta la resolución a la tarea. Leer texto denso en una captura necesita píxeles. Decidir si una foto muestra un gato, no. En GPT-4o y GPT-4.1, detail: low lo resuelve con 85 tokens fijos; en los demás modelos, redimensionar a 512×512 consigue lo mismo.

Cuenta la conversación, no la petición. Una imagen permanece en la ventana de contexto tanto como dure el hilo, y la mayoría de las implementaciones de chat reenvían todo el historial en cada turno. Una imagen que cuesta $0.00205 una vez cuesta $0.041 a lo largo de veinte turnos, antes de contar una sola palabra de texto. Comprueba si a tu prefijo le corresponde una tarifa de entrada en caché: suele ser una fracción de la tarifa estándar.

Qué precisión tienen estas cifras

Los recuentos de tokens de imagen son más fiables que las estimaciones de texto para los modelos con tokenizador privado, porque las fórmulas de aquí son aritmética publicada y no una reconstrucción. Dale al método de mosaicos de OpenAI una imagen de 512×512 y devuelve 255 tokens, que es la cifra de la propia documentación de OpenAI; 1024×1024 devuelve 765, igualmente.

Dos advertencias. Los proveedores cambian estas fórmulas sin mucho aviso, así que las cifras van fechadas según cuándo se comprobaron por última vez contra la documentación original. Y el recuento de la imagen no es la petición completa: el texto de tu prompt, el mensaje de sistema y la respuesta del modelo se facturan aparte. Para documentos usa el contador de tokens de archivos y para prompts la calculadora de texto; esta página cubre los píxeles.