Стоимость распознавания изображения через vision API складывается из визуального входа, текстовой инструкции и оплачиваемого ответа. В расчёте ниже 1 000 картинок 512×512 обходятся примерно в 109 ₽, а 1024×1024 — в 209 ₽. В смете заложены 150 текстовых входных и 200 выходных токенов на изображение.
Тариф проверен 17 ноября 2026 года. Для генерации изображений есть отдельный расчёт.
Что именно вы хотите получить
| Задача | Пример результата | Что проверять |
|---|---|---|
| Описание фотографии | Цвет и вид товара | Видимые признаки без выдуманных свойств |
| Чтение чека | Сумма, дата и позиции | Правильность каждого поля и арифметику |
| Анализ скриншота | Текст ошибки и состояние интерфейса | Мелкие надписи, обрезанные элементы |
| OCR | Текст с сохранением нужной структуры | Символы, порядок строк и колонок |
Vision-модель может одновременно читать текст и объяснять изображение. Но для простой массовой транскрипции стоит сравнить её с отдельным OCR. Сравнивайте стоимость правильно распознанного результата.
Если источник содержит многостраничный PDF, используйте отдельный расчёт документов: обработка страниц и извлечённого текста может отличаться от отправки одной картинки.
Как посчитать визуальный вход
У моделей разные правила. Для нашего примера выберем patch-метод GPT-4.1 Mini, snapshot 2025-04-14, описанный в документации OpenAI по изображениям. Не переносите коэффициенты на GPT Image, другие семейства или неизвестный маршрут посредника.
В выбранном методе изображение разбивается на блоки 32×32 пикселя. Для размеров ниже порога масштабирования число блоков равно:
ceil(ширина ÷ 32) × ceil(высота ÷ 32).
Далее применяется коэффициент модели 1,62. Округлим оценку до целого токена вверх. Окончательный расход сверяйте с usage поставщика.
| Размер изображения | Блоков 32×32 | Оценка image-токенов |
|---|---|---|
| 512×512 | 16 × 16 = 256 | ceil(256 × 1,62) = 415 |
| 1024×1024 | 32 × 32 = 1 024 | ceil(1 024 × 1,62) = 1 659 |
Оба примера укладываются в лимит 1 536 блоков до масштабирования. Для более крупных изображений нельзя просто продолжить формулу без правил уменьшения. Идентификатор gpt-4.1-mini у посредника сам по себе не подтверждает snapshot: уточните используемую версию и метод учёта изображений.
Расчёт в рублях на одну и тысячу картинок
На 17 ноября базовые цены GPT-4.1 Mini у AITUNNEL — 80 ₽ за миллион входных и 320 ₽ за миллион выходных токенов. На странице есть другие варианты маршрута, в том числе 88 / 352 ₽. Для расчёта возьмём нижний тариф и описанный выше patch-учёт. Фактическое списание сверяйте с usage выбранного маршрута.
Дополнительно зададим на каждую картинку:
- 150 текстовых входных токенов на инструкцию;
- 200 оплачиваемых выходных токенов;
- один вызов без кеша, платных инструментов и повторов.
Цена = ((image-токены + текстовый вход) × 80 + выход × 320) ÷ 1 000 000.
| Изображение | Визуальный вход | Инструкция | Ответ | Один вызов | 1 000 вызовов |
|---|---|---|---|---|---|
| 512×512 | 0,0332 ₽ | 0,012 ₽ | 0,064 ₽ | 0,1092 ₽ | 109,20 ₽ |
| 1024×1024 | 0,13272 ₽ | 0,012 ₽ | 0,064 ₽ | 0,20872 ₽ | 208,72 ₽ |
Длинный список позиций чека увеличит выход, а нечитаемая фотография потребует нового снимка или ручной проверки. При тарифе 88 / 352 ₽ значения вырастут на 10%. Хранение файлов и работа человека сюда не входят.
Почему сжатие JPEG может не дать экономии
Файлы с одинаковым разрешением могут занимать разное количество байтов. В выбранном методе тарификация опирается на сетку изображения, поэтому уменьшение качества JPEG при тех же ширине и высоте не сокращает эту сетку.
Обрезка пустых полей и уменьшение разрешения способны снизить вход, но их полезность зависит от сохранности деталей. Мелкую дату, артикул или строку итоговой суммы легко сделать нечитаемыми. При необходимости передавайте общий вид и отдельный фрагмент: оба изображения учитываются в смете.
Как сравнить vision с OCR
Соберите небольшой набор обезличенных фото: хороший свет, перекос, мелкий текст, длинный чек, скриншот с несколькими окнами. Заранее выпишите правильные значения нужных полей. Не отправляйте реальные платёжные данные ради теста.
Для каждого способа сохраните разрешение, usage, расходы всех попыток и принятые поля. Если отдельный OCR отдаёт только текст, а затем нужна LLM-классификация, прибавьте второй шаг.
Пример экономики качества: потрачено 120 ₽, принято 900 результатов из 1 000. Цена принятого результата — 120 ÷ 900 ≈ 0,133 ₽, без труда проверяющего. Если другой маршрут стоит 160 ₽ и даёт 990 принятых результатов, его цена — около 0,162 ₽. В этом примере для выбора маршрута нужно также учесть стоимость ручной проверки.
Что проверить у посредника до массовой загрузки
Уточните поддержку изображений выбранной моделью, способ передачи файла, snapshot, единицу учёта и наличие визуальных токенов в usage. Посмотрите, как долго хранятся файлы и журналы, кто имеет к ним доступ.
Для JSON с полями чека используйте структурированный вывод и валидацию. Для документов с данными клиентов отдельно оцените условия обработки. Цены и предложения модели найдёте в каталоге, но возможность vision и способ тарификации подтвердите для конкретного маршрута.
