Pubblicato il 08-08-2026 · numeri di riferimento, verificare prima di definire il budget
Invia la stessa identica immagine 1024×1024 a GPT-4o e a Claude e otterrai due gettoni diversi per due pixel identici. GPT-4o esce all'incirca 765 gettoni. Claude esce in modo rude 1.400 gettoni – quasi il doppio. Non è cambiato nulla nell'immagine. È cambiata solo la formula utilizzata dal fornitore per trasformare i pixel in token e la maggior parte dei team che fissano i prezzi "GPT-4o vs Claude" non supera mai il tariffario testuale per notarlo.
I prezzi di Vision dipendono dalla risoluzione (dimensioni in pixel) e non dalle dimensioni del file. Un JPEG fortemente compresso e un PNG nitido con la stessa larghezza e altezza costano esattamente lo stesso, perché il modello non vede mai il file, vede i pixel decodificati. Ciò che differisce è il modo in cui ciascun fornitore converte quei pixel in token fatturabili.
| Fornitore | Formula | Immagine 1024×1024 | La cattura |
|---|---|---|---|
| OpenAI GPT-4o (dettaglio elevato) | 85 base + 170 per tessera 512px | ≈765 gettoni | la piastrellatura significa che i costi scalano con l'area dei pixel, non linearmente con le dimensioni |
| OpenAI GPT-4o (dettaglio basso) | piatti da 85 gettoni, di qualsiasi dimensione | 85 gettoni | l'immagine viene prima ridotta a una miniatura: il testo fine non sopravviverà |
| Claude antropico | larghezza × altezza ÷ 750 | ≈1.400 gettoni | nessuna botola di fuga a basso dettaglio: ogni immagine paga il prezzo intero dell'area pixel |
| Google Gemelli | 258 gettoni piatti fino a 384×384, affiancati oltre | 258 + piastrellatura | più economico per immagini di piccole dimensioni, ma il conteggio esatto delle tessere sopra i 384 px non viene pubblicato in modo così pulito come gli altri due |
Formule di riferimento pubblicate da ciascun fornitore, 2026. I fornitori arrotondano e rivedono le regole dei riquadri/pixel nel tempo — segnalare il prezzo obsoleto →
Guarda le due righe centrali. La modalità ad alto dettaglio di OpenAI e l'unica modalità di Anthropic arrivano sulla stessa immagine 1024×1024 a quasi 2× di distanza (765 token contro circa 1.400) perché GPT-4o conta le tessere di dimensione fissa mentre Claude divide l'area dei pixel grezzi per una costante. Nessuno dei due numeri è sbagliato. Semplicemente non sono lo stesso tipo di numero, e una squadra che ha valutato la migrazione di Claude dalla linea di visione di GPT-4o sarà corta quasi del doppio una volta che le immagini inizieranno a fluire.
Per impostazione predefinita, i confronti dei prezzi dei modelli utilizzano il testo: dollari per milione di token di input e output, i numeri sul tariffario. La visione viene inserita come un ripensamento, sempre che venga modellata. Questo è il contrario per molti prodotti reali (un'app per il controllo qualità dei documenti, uno scanner per ricevute, uno strumento di supporto che acquisisce screenshot) in cui ogni richiesta contiene almeno un'immagine e l'immagine supera facilmente il messaggio che la circonda. Uno screenshot 1024×1024 con 1.400 token Claude può essere più grande della domanda testuale in merito.
Il divario aumenta con il volume allo stesso modo di qualsiasi costo per richiesta. Con 100.000 immagini al mese, GPT-4o ad alto dettaglio esegue circa 76,5 milioni di token immagine; lo stesso corpus su Claude gestisce circa 140 milioni: 63,5 milioni di token extra al mese che non verranno mai visualizzati se il modello di costo fosse costruito solo sulla tariffazione dei messaggi di testo. Confrontalo con i numeri di solo testo come quelli in GPT vs Claude vs Gemini: quale API AI è più economica e un carico di lavoro pesante può capovolgere completamente la classifica.
Perché la piastrellatura si ridimensiona con i pixel zona, raddoppiando sia la larghezza che l'altezza quadruplica all'incirca il numero di tessere e il costo: uno screenshot 2048×2048 costa molte volte di più di un ritaglio 768×768, per un'attività che non ha mai avuto bisogno della risoluzione extra. Il downscaling alla risoluzione più piccola che contenga ancora i dettagli di cui hai bisogno è il principale fattore di riduzione dei costi di visione, prima ancora del fornitore che scegli.
La seconda leva è la modalità dettaglio, ed esiste solo su OpenAI: il dettaglio basso addebita 85 token fissi indipendentemente dalla dimensione dell'immagine, perché l'immagine viene ridotta a una miniatura prima che il modello la legga. Va bene per "cos'è questo in generale" - una ricevuta, un grafico, un gatto - ed è inutile per leggere caratteri piccoli o piccole etichette, dove è necessaria una risoluzione preservata di dettagli elevati. Instradare le immagini a un dettaglio basso laddove l'attività richiede solo l'essenza è un taglio di 5-10 volte rispetto all'impostazione predefinita di ogni immagine a un dettaglio elevato, che è ciò che fa la maggior parte delle integrazioni senza pensarci.
Due fornitori possono affiancare o dividere esattamente gli stessi pixel in conteggi di token che differiscono di quasi 2 volte e tale divario è invisibile finché un prodotto ricco di immagini non viene effettivamente spedito. La correzione non costa nulla: separa l'elemento pubblicitario di visione dall'elemento pubblicitario di testo, riducilo prima dell'invio e scegli la modalità dettaglio di proposito invece che per impostazione predefinita.
Metodologia: le formule e i conteggi dei token di riferimento sono quelli pubblicati dalla documentazione di ciascun fornitore, confrontati con il calcolatore dei costi di visione di questo sito. I fornitori rivedono periodicamente le dimensioni delle tessere e le tariffe per tessera: trattano i conteggi specifici qui come un'istantanea da verificare, non come una costante permanente. Il confronto mensile di 100.000 immagini è uno scenario illustrativo costruito in base ai dati per immagine riportati sopra, non alla telemetria di un sistema di produzione.