Felbontás és token költség

Hogyan látja Claude a képet

Claude a képet 28x28 pixeles blokkokban dolgozza fel, ezeket nevezzük vizuális tokeneknek. A token költség kiszámítása egyszerű, a kép szélességét és magasságát elosztjuk 28-cal, mindkét eredményt felfelé kerekítjük, majd a két számot összeszorozzuk. Két felbontási szint létezik. A magas felbontás a Claude Sonnet 5 és az Opus 4.7 vagy 4.8 típusú modelleknél érhető el, legfeljebb 2576 pixeles hosszú éllel és legfeljebb 4784 vizuális tokennel. A standard felbontás minden más modellnél érvényes, legfeljebb 1568 pixeles hosszú éllel és legfeljebb 1568 tokennel.

Mennyibe kerül ez dollárban

A token költséget a modell árazása szorozza meg. Egy 1000x1000 pixeles, vagyis nagyjából 1 megapixeles kép Claude Haiku 4.5-nél, ahol a standard felbontás 1 dollár milliónkénti token áron számol, körülbelül 1,30 dollárba kerül ezer képenként. Ugyanez a kép Claude Opus 4.8-nál, ahol a magas felbontás 5 dollár milliónkénti token áron számol, már körülbelül 6,48 dollárba kerül ezer képenként. Egy 4K felbontású kép a legdrágább esetben akár 23,92 dollárig is felmehet ezer képenként.

Mikor éri meg lekicsinyíteni a képet

Ha a feladathoz nincs szükség extra részletgazdagságra, mint például egy nem computer use jellegű, egyszerű képleírásnál vagy nem sűrű dokumentumnál, érdemes a képet lekicsinyíteni a token költség csökkentése érdekében. Ezzel szemben, ha a feladat aprólékos szövegolvasást vagy pontos koordináták azonosítását igényli, a magas felbontás megtartása indokolt, még ha ez több tokenbe is kerül.

Forrás

Az Anthropic hivatalos Claude Vision dokumentációjának (platform.claude.com/docs/en/build-with-claude/vision) magyar feldolgozása.