Сколько токенов в скриншоте: GPT-5.5, Claude Opus 4.8 и Gemini 3.1

Когда вы загружаете скриншот в нейросеть, она не видит картинку как человек. Вместо этого изображение преобразуется в последовательность токенов — числовых единиц, которые модель использует для обработки. Количество этих токенов напрямую влияет на стоимость запроса: чем больше токенов, тем дороже. Для корпоративных клиентов, которые ежедневно загружают сотни скриншотов, эта разница может вылиться в существенные суммы. В этой статье мы разберем, сколько токенов потребляет скриншот 1920×1080 в трех популярных моделях — GPT-5.5, Claude Opus 4.8 и Gemini 3.1, — и объясним, почему эти цифры важны для вашего бюджета.

Как GPT-5.5 считает токены для изображений

OpenAI в GPT-5.5 использует систему тайлов. Изображение разбивается на квадраты 512×512 пикселей с перекрытием 28 пикселей. Каждый тайл стоит 170 токенов, плюс базовая стоимость 85 токенов за само изображение. Для скриншота 1920×1080 получается 12 тайлов: 4 по горизонтали и 3 по вертикали. Итого 12 умножить на 170 — это 2040 токенов, плюс 85 — итого 2125 токенов. Если изображение меньше 512×512, оно считается как один тайл, и стоимость составит 255 токенов.

Важно понимать, что при большом разрешении модель уменьшает изображение, но не бесконечно. Максимальное количество тайлов ограничено, и для сверхшироких скриншотов может применяться дополнительное масштабирование. Это значит, что увеличение разрешения не всегда линейно увеличивает стоимость — в какой-то момент она перестает расти. Однако качество распознавания может упасть, если текст мелкий, ведь после сжатия детали теряются.

Почему тайлы — это не просто квадраты

Тайлы перекрываются, чтобы модель не потеряла информацию на стыках. Это увеличивает количество токенов, но повышает точность. Если бы перекрытия не было, модель могла бы неправильно интерпретировать текст или графику на границах. Поэтому для скриншотов с таблицами или диаграммами такой подход оправдан, хотя и стоит дороже.

Claude Opus 4.8: фиксированная цена за изображение

Anthropic в Claude Opus 4.8 использует более простую модель: изображение любого размера стоит фиксированное количество токенов — 1600 для входа. Это значительно дешевле, чем у GPT-5.5 для крупных скриншотов, но для маленьких картинок — дороже. Например, иконка 100×100 пикселей у Claude стоит те же 1600 токенов, тогда как у GPT — 255. Такая схема выгодна для больших изображений, но неэффективна для частых мелких загрузок.

При этом Claude масштабирует изображение до максимального размера 1568×1568 пикселей перед обработкой, чтобы сохранить пропорции. Это означает, что скриншот 1920×1080 будет уменьшен, но стоимость останется прежней. Для команд, которые массово загружают скриншоты с высоким разрешением, Claude может оказаться экономичнее, но точность чтения мелкого текста может пострадать из-за уменьшения.

Когда фиксированная цена — это плюс, а когда минус

Если ваши сотрудники часто загружают большие скриншоты, например, целые страницы сайтов или дашборды, Claude будет предсказуемым по стоимости. Вы точно знаете, что каждый скриншот обойдется в 1600 токенов, и можете легко рассчитать бюджет. Но если в работе много маленьких изображений — иконок, кнопок, фрагментов интерфейса, — фиксированная цена становится невыгодной. В таком случае лучше выбрать модель с попиксельным расчетом.

Gemini 3.1: токены зависят от разрешения

Google Gemini 3.1 использует формулу, привязанную к количеству пикселей. Согласно документации, стоимость в токенах равна (ширина × высота) / 750. Для скриншота 1920×1080 это 2 073 600 пикселей, деленные на 750, что дает примерно 2765 токенов. Это самый дорогой вариант из трех для данного разрешения. Однако для маленьких изображений формула может давать меньше токенов, чем у конкурентов, но есть минимальный порог — 258 токенов.

Gemini также автоматически уменьшает изображение до 768×768 пикселей перед обработкой, что снижает количество токенов, но может потерять детали. Это важно для скриншотов с мелким текстом: если исходное разрешение больше, модель все равно уменьшит картинку, и распознавание может стать менее точным.

Как формула работает на практике

Представьте, что вы загружаете скриншот с разрешением 3840×2160 (4K). Формула даст (3840×2160)/750 = 11 059 токенов. Но Gemini уменьшит изображение до 768×768, и фактически токенов будет меньше — примерно 786. Это значит, что вы платите не за реальное разрешение, а за уменьшенное. Такая особенность может быть как плюсом (экономия), так и минусом (потеря качества).

Сравнение стоимости для скриншота 1920×1080

Для тестового скриншота 1920×1080 стоимость в токенах: GPT-5.5 — 2125, Claude Opus 4.8 — 1600, Gemini 3.1 — 2765. В переводе на цены BotHub на момент публикации, при тарифе, например, 3 доллара за миллион токенов входа, один скриншот обойдется: GPT — примерно 0,0064 доллара, Claude — 0,0048 доллара, Gemini — 0,0083 доллара. Разница в 1,7 раза между самым дешевым и дорогим вариантом — это существенно при тысячах запросов в месяц.

Однако не только цена важна: точность распознавания текста зависит от того, как модель обрабатывает изображение. Все три уменьшают картинку до определенного размера, и если шрифт меньше 10 пикселей, ни одна из них не гарантирует безошибочное чтение. Поэтому для критичных задач лучше использовать модели с поддержкой высокого разрешения или предварительно обрезать изображение до нужных фрагментов.

Как рассчитать стоимость для вашего сценария

Чтобы понять, какая модель выгоднее для вашего бизнеса, нужно знать средний размер скриншотов и их количество в месяц. Умножьте токены на цену за миллион и на число запросов. Например, если ваши сотрудники загружают 1000 скриншотов в месяц, разница между Claude и Gemini составит около 3,5 доллара. Кажется немного, но при масштабировании на крупные команды цифры растут.

Почему большое разрешение не гарантирует точность

Многие пользователи думают, что чем больше скриншот, тем лучше нейросеть разберет текст. На деле модели уменьшают изображение до стандартного размера: GPT-5.5 до 2048×2048 (но тайлы 512×512), Claude до 1568×1568, Gemini до 768×768. Если исходный скриншот 4K, он будет сжат, и мелкие детали могут потеряться. Это особенно критично для дашбордов с графиками или таблиц с мелким шрифтом.

Рекомендация: перед загрузкой в нейросеть кадрируйте скриншот, выделяя только нужную область. Это уменьшит количество токенов и повысит точность, так как модель получит больше пикселей на символ. Например, вместо полного скриншота 1920×1080 загрузите фрагмент 800×600 — это снизит стоимость и улучшит распознавание.

Как правильно подготовить скриншот для нейросети

Используйте инструменты обрезки, доступные в любой операционной системе. Выделите только ту область, которая содержит нужную информацию. Если вы работаете с таблицей, обрежьте до границ таблицы. Это не только сэкономит токены, но и повысит точность ответа, так как модель не будет отвлекаться на лишние элементы интерфейса.

Кого затронет разница в токенах

Разработчики, интегрирующие API в свои продукты, должны учитывать разницу в токенах при выборе модели. Для чат-ботов, которые часто получают скриншоты от пользователей, Gemini может оказаться невыгодным из-за высокой стоимости, а Claude — наоборот, экономичным для больших изображений. Бизнес-пользователи, которые загружают ворох документов, должны следить за расходом токенов, чтобы не превысить лимиты и не получить неожиданный счет.

Для пользователей в России и СНГ важно, что все три модели доступны через BotHub, что упрощает оплату и доступ без блокировок. При выборе модели стоит тестировать на своих данных: загрузите типовые скриншоты и сравните стоимость и качество ответов.

Как выбрать модель для вашего бизнеса

Если ваш бизнес связан с обработкой большого количества изображений, проведите A/B-тестирование. Загрузите одни и те же скриншоты в каждую модель и оцените не только стоимость, но и точность распознавания. Возможно, вы готовы платить больше за лучший результат, или наоборот, предпочтете экономию в ущерб точности.

Что будет дальше

Разработчики постоянно совершенствуют алгоритмы подсчета токенов. Возможно, в будущих версиях GPT, Claude и Gemini появятся более гибкие схемы, зависящие от сложности изображения, а не только от разрешения. Уже сейчас Anthropic и OpenAI экспериментируют с визуальными токенами, которые учитывают семантику. Следите за обновлениями документации, чтобы оптимизировать расходы.

Какие инновации ожидать в ближайшее время

Мы уже видим, как модели начинают учитывать не только размер, но и содержание изображения. Например, если на скриншоте много текста, токенов может быть больше, чем на простой картинке. Это сделает подсчет более справедливым, но и более сложным для прогнозирования.

Итог

Выбор модели для работы со скриншотами — это баланс между стоимостью и точностью. Для скриншота 1920×1080 Claude Opus 4.8 — самый дешевый вариант, но если нужна максимальная точность для мелкого текста, возможно, стоит использовать GPT-5.5 с его тайлами. Gemini 3.1 — самый дорогой, но может быть полезен для маленьких изображений. Всегда тестируйте на своих данных, чтобы найти оптимальное решение.