Les grilles tarifaires des modèles d'image parlent de dollars par million de tokens. Or un token, c'était censé être un fragment de mot. Facturer une photographie dans la même unité qu'un paragraphe ressemble à une bizarrerie comptable. Ce n'en est pas une : c'est la description exacte de ce que le modèle manipule.
Nous avons expliqué les tokens de texte sans jamais traiter leur équivalent visuel. Réparons, parce que c'est ce qui explique toute la facturation des images.
Un token n'a jamais été un mot
C'est le malentendu de départ. Un token est simplement l'unité de données élémentaire que le modèle traite, quelle que soit sa nature.
Pour du texte, on découpe en fragments d'environ quatre caractères. Ce découpage n'a rien d'évident : il résulte d'un algorithme qui identifie les séquences les plus fréquentes. C'est pourquoi le même contenu ne consomme pas le même nombre de tokens selon la langue, comme nous l'avons vu avec la hausse effective de Sonnet 5.
Pour une image, on applique le même principe en deux dimensions.
La mosaïque
Une image est découpée en petits carrés, typiquement de 16 ou 32 pixels de côté. Chaque carré devient un token.
Le calcul devient alors très simple. Une image de 1024 sur 1024 pixels, découpée en tuiles de 32 pixels, donne 32 tuiles en largeur et 32 en hauteur, soit environ 1024 tokens.
Le modèle ne voit donc jamais des pixels. Il voit une mosaïque de tuiles, exactement comme il voit une phrase comme une suite de fragments. Et il les traite avec le même mécanisme : chaque tuile est comparée à toutes les autres pour construire une représentation de l'ensemble.
C'est d'ailleurs ce qui explique que les techniques développées pour le langage se soient si bien transposées à l'image : à ce niveau d'abstraction, ce sont les mêmes objets.
Le découpage fonctionne dans les deux sens, et c'est la clé de la facturation. Quand vous fournissez une photo de référence, elle est découpée en tuiles et facturée en entrée, autour de 8 dollars par million. Quand le modèle produit une image, il génère une suite de tokens visuels, l'un après l'autre, exactement comme il produit des mots, et un décodeur les retransforme en pixels. Ces tokens-là sont facturés en sortie, autour de 30 dollars par million. Une retouche vous fait donc payer l'image que vous envoyez en plus de celle que vous recevez. Sur des travaux d'édition avec plusieurs références, il faut compter un multiplicateur de deux à trois par rapport à une génération simple.
Ce que la résolution change vraiment
Voici la conséquence la plus utile à comprendre.
Doubler la largeur et la hauteur d'une image ne double pas son coût : il le quadruple, puisqu'on a quatre fois plus de tuiles. La relation est quadratique, pas linéaire.
Les estimations couramment citées pour une image de 1024 pixels de côté vont d'environ 0,006 dollar en basse définition à environ 0,21 en haute. À 30 dollars le million de tokens en sortie, cela correspond à peu près à 200 tokens d'un côté et 7 000 de l'autre. Même image, même taille affichée, mais un découpage beaucoup plus fin.
C'est exactement pour cette raison qu'OpenAI a remplacé le réglage « qualité » par un choix de résolution explicite. La résolution correspond directement au nombre de tokens, donc au prix, et vous savez ce que vous paierez avant de lancer la génération. C'est plus honnête qu'un curseur dont personne ne connaît l'effet sur la facture.
Ce que ça implique en pratique
Itérez en basse définition. C'est le conseil le plus rentable. Tant que vous cherchez une direction, la définition n'apporte rien : vous jugez une composition, pas une texture. Ne montez en résolution qu'une fois la direction trouvée.
Redimensionnez vos références. Envoyer une photo de douze mégapixels comme référence la fait découper en un nombre de tuiles considérable, alors qu'une version réduite transmet la même information au modèle. C'est souvent le poste d'économie le plus important sur les travaux d'édition.
Utilisez le cache. Si vous réutilisez la même image de référence sur plusieurs requêtes, le tarif d'entrée en cache est environ quatre fois inférieur. C'est le même mécanisme que celui décrit dans notre article sur la mise en cache.
Comptez en essais, pas en images. Puisque le prix par image est fixe, ce qui décide de votre facture est le nombre de tentatives. Un modèle qui vous donne satisfaction en trois essais coûte trois fois moins qu'un modèle équivalent qui en demande dix, à tarif identique. C'est ce que nous relevions à propos de la sortie d'Images 2.5.
Ce qu'il faut retenir
Facturer une image en tokens n'est pas une convention arbitraire : c'est la description littérale de ce qui se passe. Le modèle découpe, traite et produit des tuiles, et vous payez le nombre de tuiles.
Une fois cette image en tête, toute la grille devient lisible. L'entrée coûte moins que la sortie parce que lire est plus simple que produire. La résolution pèse au carré parce qu'elle multiplie les tuiles dans deux dimensions. Et l'édition coûte plus cher parce que vous payez les deux images.
C'est la même leçon que nous tirons partout : le tarif affiché ne dit pas ce que vous paierez. Ce qui décide, c'est l'unité de facturation et ce que vous en consommez sans y penser.