Veröffentlicht am 08.08.2026 · Referenznummern, vor der Budgetierung überprüfen
Senden Sie das exakt gleiche 1024×1024-Bild an GPT-4o und an Claude und Sie erhalten zwei unterschiedliche Token-Rechnungen für zwei identische Pixel. GPT-4o kommt ungefähr auf den Punkt 765 Token. Claude kommt grob heraus 1.400 Token – fast das Doppelte. Am Bild hat sich nichts geändert. Lediglich die Formel, die der Anbieter verwendet, um Pixel in Token umzuwandeln, hat sich geändert, und die meisten Teams, die die Preisgestaltung „GPT-4o vs. Claude“ festlegen, kommen nie über die Textpreisliste hinaus, um es zu bemerken.
Die Preise für Vision richten sich nach der Auflösung – den Pixelabmessungen – und nicht nach der Dateigröße. Ein stark komprimiertes JPEG und ein gestochen scharfes PNG mit derselben Breite und Höhe kosten genau das Gleiche, da das Modell nie die Datei, sondern die dekodierten Pixel sieht. Der Unterschied besteht darin, wie jeder Anbieter diese Pixel in abrechenbare Token umwandelt.
| Anbieter | Formel | 1024×1024 Bild | Der Haken |
|---|---|---|---|
| OpenAI GPT-4o (hohe Detailgenauigkeit) | 85 Basis + 170 pro 512-Pixel-Kachel | ≈765 Token | Kacheln bedeutet, dass die Kosten mit der Pixelfläche skalieren und nicht linear mit der Größe |
| OpenAI GPT-4o (geringe Details) | Flache 85 Token, jede Größe | 85 Token | Das Bild wird zunächst auf eine Miniaturansicht herunterskaliert – feiner Text wird nicht überleben |
| Anthropischer Claude | Breite × Höhe ÷ 750 | ≈1.400 Token | Keine Notluke mit geringen Details – jedes Bild zahlt den vollen Pixelflächenpreis |
| Google Gemini | Flache 258 Token bis zu 384×384, darüber hinaus gekachelt | 258 + Fliesen | am günstigsten für kleine Bilder, aber die genaue Kachelanzahl über 384 Pixel wird nicht so sauber veröffentlicht wie bei den anderen beiden |
Von jedem Anbieter veröffentlichte Referenzformeln, 2026. Anbieter runden und überarbeiten die Kachel-/Pixelregeln im Laufe der Zeit – Veralteten Preis melden →
Schauen Sie sich die beiden mittleren Reihen an. Der High-Detail-Modus von OpenAI und der einzige Modus von Anthropic landen auf demselben 1024×1024-Bild mit fast zweifachem Abstand – 765 Token gegenüber etwa 1.400 –, weil GPT-4o Kacheln mit fester Größe zählt, während Claude die Rohpixelfläche durch eine Konstante dividiert. Keine der Zahlen ist falsch. Es handelt sich einfach nicht um die gleiche Anzahl, und ein Team, das den Preis für eine Claude-Migration außerhalb der Sichtlinie von GPT-4o festgelegt hat, wird fast doppelt so hoch sein, sobald die Bilder zu fließen beginnen.
Modellpreisvergleiche verwenden standardmäßig Text: Dollar pro Million Input- und Output-Tokens, die Zahlen auf der Preisliste. Die Vision wird im Nachhinein ergänzt, sofern sie überhaupt modelliert wird. Bei vielen realen Produkten – einer Dokumenten-QA-App, einem Quittungsscanner, einem Support-Tool, das Screenshots erstellt – ist das eine Umkehrung, bei der jede Anfrage mindestens ein Bild enthält und das Bild die umliegende Aufforderung deutlich überwiegt. Ein 1024×1024-Screenshot mit 1.400 Claude-Tokens kann größer sein als die Textfrage dazu.
Die Lücke vergrößert sich mit dem Volumen auf die gleiche Weise wie die Kosten pro Anfrage. Bei 100.000 Bildern pro Monat führt GPT-4o High-Detail etwa 76,5 Millionen Bild-Tokens aus; Das gleiche Korpus auf Claude läuft etwa 140 Millionen – zusätzliche 63,5 Millionen Token pro Monat, die nie angezeigt werden, wenn das Kostenmodell allein auf Textpreisen basiert. Vergleichen Sie das mit Nur-Text-Zahlen wie denen in GPT vs. Claude vs. Gemini: Welche KI-API ist am günstigsten? und eine visionsintensive Arbeitsbelastung kann das Ranking völlig umdrehen.
Weil die Kachelung mit Pixeln skaliert wird BereichDurch die Verdoppelung von Breite und Höhe werden die Anzahl der Kacheln und die Kosten etwa vervierfacht – ein 2048×2048-Screenshot kostet ein Vielfaches mehr als ein 768×768-Ausschnitt, und das für eine Aufgabe, für die die zusätzliche Auflösung überhaupt nicht erforderlich war. Das Herunterskalieren auf die kleinste Auflösung, die noch die von Ihnen benötigten Details enthält, ist der größte Einfluss auf die Bildverarbeitungskosten, noch bevor Sie sich für einen Anbieter entscheiden.
Der zweite Hebel ist der Detailmodus, den es nur bei OpenAI gibt: Low-Detail kostet unabhängig von der Bildgröße pauschal 85 Token, da das Bild auf ein Miniaturbild heruntergerechnet wird, bevor das Modell es liest. Für „was ist das im Allgemeinen“ – eine Quittung, ein Diagramm, eine Katze – ist das in Ordnung und für das Lesen von Kleingedrucktem oder kleinen Etiketten, bei denen Sie eine hohe Detailauflösung benötigen, unbrauchbar. Das Weiterleiten von Bildern in den Low-Detail-Bereich, wenn die Aufgabe nur das Wesentliche erfordert, ist ein 5- bis 10-facher Schnitt im Vergleich zur Standardeinstellung jedes Bildes in High-Detail, was bei den meisten Integrationen der Fall ist, ohne darüber nachzudenken.
Zwei Anbieter können genau die gleichen Pixel kacheln oder in Token-Anzahlen unterteilen, die sich um nahezu das Zweifache unterscheiden, und diese Lücke bleibt unsichtbar, bis ein bildintensives Produkt tatsächlich ausgeliefert wird. Die Lösung kostet nichts: Trennen Sie die Vision-Werbebuchung von der Text-Werbebuchung, skalieren Sie sie vor dem Senden herunter und wählen Sie bewusst den Detailmodus statt standardmäßig aus.
Methodik: Formeln und Referenz-Token-Zählungen entsprechen den in der Dokumentation jedes Anbieters veröffentlichten Formeln und werden mit dem Vision-Kostenrechner dieser Website abgeglichen. Anbieter überarbeiten regelmäßig die Kachelgrößen und die Preise pro Kachel. Behandeln Sie die spezifischen Zählungen hier als Momentaufnahme zur Überprüfung und nicht als permanente Konstante. Der monatliche Vergleich mit 100.000 Bildern ist ein veranschaulichendes Szenario, das auf den oben genannten Zahlen pro Bild basiert, nicht auf Telemetriedaten eines Produktionssystems.