La API de GPT convierte cada imagen en tokens, y el campo detail decide cuántos. Este artículo muestra el formato de la solicitud, los valores low, high, original y auto, el cálculo de tokens para modelos basados en teselas y en parches, y una prueba paso a paso en PicassoIA.
Un solo campo del cuerpo de la solicitud decide si una foto cuesta 85 tokens o 3000. Ese campo es detail, va dentro del objeto de la imagen junto a la URL, y la mayoría de los tutoriales o lo omiten o citan cifras que dejaron de ser ciertas hace dos generaciones de modelos. Si envías capturas de pantalla, recibos, fotos de productos o gráficos a un modelo GPT, este ajuste determina tu factura, la latencia y cuánta parte de la imagen puede leer realmente el modelo.
Este artículo recorre el formato de la solicitud, los cuatro valores de detail, la aritmética de tokens para modelos basados en teselas y para modelos basados en parches, los casos en los que low sale contraproducente y los límites que conviene conocer antes de publicar tu aplicación. Las cifras proceden de las páginas de entrada de imágenes de la documentación de la API de OpenAI tal como están hoy, y cada ejemplo muestra su cálculo, para que puedas comprobarlo con el bloque usage de tus propias respuestas. Esas páginas cambian a menudo, y ese es un motivo más para registrar los recuentos de tokens en lugar de fiarte de una tabla, incluidas las de abajo.
Un modelo GPT nunca lee tu JPEG como archivo. La API redimensiona la imagen, la divide en bloques pequeños y convierte cada bloque en tokens que se sitúan en la ventana de contexto junto a tu texto. Esos tokens se facturan a la tarifa de entrada normal del modelo, así que una imagen más grande o más nítida supone una factura mayor y más latencia. Además, compiten con tu prompt y con la respuesta por la misma ventana de contexto, algo que importa cuando una solicitud incluye varias imágenes.
Las imágenes viajan dentro del mensaje del usuario como partes de contenido. La Responses API usa partes input_text y input_image, mientras que Chat Completions usa text y image_url. En ambas, detail va en la parte de la imagen. Este es un lector de recibos en GPT 5.4:
from openai import OpenAI
client = OpenAI()
response = client.responses.create(
model="gpt-5.4",
input=[
{
"role": "user",
"content": [
{"type": "input_text", "text": "List every line item and the total."},
{
"type": "input_image",
"image_url": "https://example.com/receipt.jpg",
"detail": "original",
},
],
}
],
)
print(response.output_text)
print(response.usage.input_tokens)
La misma llamada en Chat Completions con GPT-4o anida la URL un nivel más abajo:
completion = client.chat.completions.create(
model="gpt-4o",
messages=[
{
"role": "user",
"content": [
{"type": "text", "text": "Describe this photo in one sentence."},
{
"type": "image_url",
"image_url": {"url": "https://example.com/photo.jpg", "detail": "low"},
},
],
}
],
)
print(completion.usage.prompt_tokens)
Después de cada llamada, lee usage.input_tokens en Responses o usage.prompt_tokens en Chat Completions. Es el único número que zanja una discusión sobre el costo.
data:image/jpeg;base64,... en línea funciona para archivos privados y añade alrededor de un tercio al tamaño de la carga.vision, después referencia el ID con un campo file_id en la parte de la imagen y reutilízalo en varias solicitudes.Los formatos aceptados son PNG, JPEG, WEBP y GIF no animado.
El campo detail acepta low, high, original y auto. Si lo omites, obtienes auto, que es el dimensionado por defecto del propio modelo. Los nombres sugieren una escalera sencilla, pero lo que hace cada peldaño depende del modelo que llames.
| Valor | Para qué dice la documentación que sirve | Ojo con |
|---|---|---|
low | Lectura general de la imagen | No siempre más barato que high en los modelos nuevos |
high | Alta fidelidad estándar | Limitado a 2500 parches en la familia GPT 5.4 |
original | Imágenes grandes, densas, sensibles a la posición o de uso del equipo | Requiere GPT 5.4 o posterior, y no es compatible con GPT 5.2 ni con GPT 4.1 mini |
auto | El dimensionado por defecto del modelo | El valor que obtienes cuando el campo falta |
En los modelos más antiguos basados en teselas, low es una tarifa fija: 85 tokens en GPT-4o y GPT 4.1, sea cual sea el tamaño del archivo. El modelo recibe una versión de 512 por 512 píxeles, suficiente para decir "un perro en la playa" y no lo bastante para leer una señal de calle. Úsalo para clasificación, pies de foto aproximados, pasadas de moderación y decisiones de enrutamiento, donde solo importa la idea general.
En los modelos de teselas, high primero ajusta la imagen dentro de un cuadrado de 2048 por 2048 píxeles, luego escala el lado más corto a 768 píxeles y después cuenta las teselas de 512 píxeles. En la familia GPT 5.x trabaja con parches de 32 píxeles, con un lado mayor de 2048 píxeles y un presupuesto de 2500 parches en GPT 5.4 y sus hermanos más pequeños. Es más que suficiente para fotos, fotos de productos y capturas de pantalla corrientes. Empieza a perjudicar con documentos densos y texto de interfaz diminuto, donde unos pocos píxeles perdidos convierten un 6 en un 8.
original eleva el techo a 10 000 parches y a un lado mayor de 6000 píxeles en GPT 5.4 y sus hermanos. OpenAI lo orienta a imágenes grandes, densas, sensibles a la posición o de uso del equipo, y al trabajo sensible a coordenadas, como el OCR o la detección de objetos pequeños. Imagina una captura de pantalla en 4K en la que el modelo debe devolver la posición de un botón, o un plano en el que una línea fina tiene significado. Pagas por esa nitidez: hasta 12 000 tokens de imagen por foto con el multiplicador de 1,2.
La regla práctica es ganárselo. Empieza una tarea con high, recoge los fallos y pasa a original solo los tipos de imagen que fallan. Si un campo se leía mal con high y se lee bien con original, los tokens extra han servido de algo. Si ambos ajustes fallan de la misma manera, el problema está en el prompt o en la imagen original, y más píxeles no lo arreglarán.
La facturación por teselas es una tarifa base más una tarifa por cada tesela de 512 píxeles. GPT-4o y GPT 4.1 cobran 85 de base y 170 por tesela. GPT 5.1 cobra 70 y 140. GPT 4o Mini cobra 2833 y 5667, así que pasar el trabajo con imágenes al modelo mini infla el recuento de tokens en lugar de reducirlo. Compara el costo total, no la tarifa por token.
| Imagen | Detail | Modelo | Cálculo | Tokens |
|---|---|---|---|---|
| Cualquier tamaño | low | GPT-4o | Tarifa base fija | 85 |
| 1024 x 1024 | high | GPT-4o | 4 teselas x 170 + 85 | 765 |
| 1920 x 1080 | high | GPT-4o | Redimensionada a 1365 x 768, 3 x 2 = 6 teselas, 6 x 170 + 85 | 1105 |
| 1024 x 1024 | high | GPT 4o Mini | 4 teselas x 5667 + 2833 | 25 501 |
Los modelos nuevos cuentan parches de 32 por 32 píxeles: ceil(width / 32) x ceil(height / 32). Cuando el total supera el presupuesto, la imagen se reduce hasta que cabe, y el recuento final de tokens es el número de parches por un multiplicador del modelo, redondeado hacia arriba. El multiplicador es 1,2 para GPT 5.2, GPT 5.4 y la familia GPT 5.6 (Sol, Terra y Luna), y 1,62 para GPT 4.1 mini.
| Imagen | Detail | Parches | Tokens con el multiplicador de 1,2 |
|---|---|---|---|
| 1920 x 1080 | low, high o original | 60 x 34 = 2040 | 2448 |
| 4000 x 3000 | high | Limitado a 2500 | Hasta 3000 |
| 4000 x 3000 | low | Unos 3072 tras el límite de 2048 píxeles | Unos 3700 |
| 4000 x 3000 | original | Limitado a 10 000 | Hasta 12 000 |
Las filas de 4000 x 3000 son mi cálculo a partir de los presupuestos publicados, así que tómalas como estimaciones y confírmalas con usage. La fila de 1080p es exacta, porque la imagen ya cabe en todos los presupuestos.
La escala marca la diferencia. Diez mil fotos de productos a 2448 tokens cada una suman 24,48 millones de tokens de entrada antes de una sola palabra de prompt. El mismo conjunto a 85 tokens cada una en GPT-4o low suma 850 000, unas 29 veces menos, una diferencia que nunca notarías solo mirando el código.
La documentación incluye una advertencia que sorprende a mucha gente: low no siempre usa menos tokens que high. En GPT 5.4 y sus hermanos más pequeños, low permite un presupuesto de 6144 parches, mientras que high se queda en 2500, así que una foto grande puede costar más con low. En GPT 5.2 y GPT 4.1 mini, todos los niveles comparten una sola regla de dimensionado, un lado mayor de 2048 píxeles y un presupuesto de 6144 parches, así que low, high y auto devuelven recuentos idénticos, y original no está disponible.
De ello se derivan dos consecuencias. Nunca des por hecho que el ajuste barato es barato, y espera que el significado de tus valores detail existentes cambie al cambiar de modelo. Una prueba corta lo aclara todo:
💡 Si
lowyhighdevuelven el mismo recuento de tokens en un modelo, el campo no hace nada ahí. Elimínalo de tu código en lugar de mantener un parámetro que sugiere un ahorro que no estás obteniendo.
La documentación actual permite hasta 512 MB de carga total y hasta 1500 imágenes por solicitud. Las guías antiguas citan 50 MB y 500 imágenes, así que una biblioteca que aplique esas cifras puede estar desactualizada. Una solicitud de 512 MB es un problema de latencia mucho antes que un problema de límites, porque base64 aumenta los bytes en un tercio y cada imagen sigue facturando tokens.
OpenAI enumera los puntos débiles con claridad, y coinciden con lo que aparece en producción:
La letra pequeña es la víctima habitual en el trabajo diario. Cuando la parte que importa es pequeña, envía solo esa parte.
💡 Recorta antes de enviar. Un recorte de 600 x 400 de la línea del total de un recibo cuesta unos 300 tokens en GPT 5.4 (19 x 13 = 247 parches, por 1,2). La página completa de 4000 x 3000 con
originalpuede llegar a 12 000, y el recorte suele leerse mejor.
La mayor parte del gasto de más procede de unos cuantos hábitos:
original en GPT 5.4 y sus hermanos), exporta un JPEG, y la solicitud se sube más rápido sin perder nada.| Tarea | Empieza con | Por qué |
|---|---|---|
| Moderación, enrutamiento, pies de foto aproximados | low en modelos de teselas, auto en modelos de parches | La idea general basta |
| Fotos de productos, descripciones de escenas | high o auto | Buen detalle a un costo moderado |
| Recibos y facturas | high recortado, o original en GPT 5.4 y posteriores | La letra pequeña necesita píxeles |
| Gráficos y paneles | original, o un lector especializado | Las líneas finas tienen significado |
| Capturas de pantalla para agentes de interfaz | original | Las coordenadas deben ser exactas |
El texto es donde el redimensionado perjudica antes. Recorta la región, enderézala y pide una forma JSON fija para que un dígito incorrecto sea fácil de detectar. Indica al modelo que responda unreadable para cualquier campo que no pueda leer, porque un modelo al que se le permite adivinar adivinará, y un total incorrecto con confianza es peor que uno en blanco. Si un escaneo está borroso, repáralo antes de subirlo con una herramienta de restauración de imágenes con IA, porque ningún ajuste de detail puede inventar píxeles que nunca se capturaron.
Los gráficos mezclan trazos finos, etiquetas pequeñas y colores parecidos, justo el caso que OpenAI señala. Envíalos con original cuando el modelo lo admita. Pide primero los números subyacentes en forma de tabla y después la interpretación, así puedes contrastar los valores con la imagen antes de fiarte de cualquier tendencia que describa el modelo. Para tablas y gráficos que extraes a diario, un especialista como Granite Vision 4.1 4B merece una prueba comparativa lado a lado.
Para el trabajo de catálogo, ejecuta la prueba de las tres imágenes de antes con tus fotos reales y después fija el ajuste y el prompt para todo el lote. Pide los mismos atributos en el mismo orden cada vez, como color, material y defectos visibles, y la salida se carga con facilidad en una base de datos. Fotografía también los artículos de la misma forma: un fondo, una distancia y una luz constantes te permiten usar un ajuste más barato, porque el modelo ya no tiene que lidiar con el ruido. Una foto de producto tomada sobre una mesa lisa con luz uniforme suele leerse bien con high, mientras que la misma taza en una cocina abarrotada puede no leerse bien.
No necesitas código para ver lo que lee un modelo. GPT 5.4 en PicassoIA acepta imágenes junto a un prompt de texto, y su formulario expone las mismas palancas que ajustas en la API: un prompt de sistema, la verbosidad, el esfuerzo de razonamiento y un límite de tokens de completado. Eso lo convierte en un lugar rápido para resolver las preguntas que van antes que los ajustes. ¿Qué redacción de prompt funciona? ¿Lee este modelo este tipo de imagen? ¿Basta un modelo más barato? Una advertencia: el formulario tiene un campo de entrada de imagen pero ningún interruptor de detail, así que trata los resultados como una prueba de la elección de prompt y modelo, no como una medición de low frente a high.
low para tareas de extracción y en high cuando quieras un desglose detallado.none para una lectura sencilla. Súbelo para preguntas de varios pasos, y sube también Max Completion Tokens con él, porque un esfuerzo alto puede gastar todo el presupuesto en razonamiento y devolverte una respuesta vacía.
Image to text es una de las capacidades integradas de la plataforma, y varios modelos de lenguaje aceptan imágenes:
| Modelo | Ideal para |
|---|---|
| GPT-4o | Texto e imágenes en una sola solicitud, salida JSON si se pide |
| GPT 5.4 | Capturas de pantalla y diagramas con esfuerzo de razonamiento ajustable |
| Gemini 3.5 Flash | Chat rápido, preguntas sobre código e imágenes |
| Qwen3.7-Plus | Texto más interpretación de imágenes |
| Kimi K2.5 | Chat que lee texto e imágenes |
| Claude Opus 4.7 | Programación, visión y razonamiento en un solo modelo |
| Granite Vision 4.1 4B | Extracción de gráficos y tablas |
Elige cinco imágenes de tu carga de trabajo real: una muy pequeña, una en 1080p, una foto de 12 megapíxeles, un recibo y un gráfico. Pásalas por GPT 5.4 y GPT-4o en PicassoIA, anota qué respuestas fueron correctas y después lleva el ganador a la API y compara los recuentos de tokens con cada valor de detail. Una hora de pruebas así ahorra más dinero que cualquier ajuste de precios.
¿Necesitas material de prueba? Abre PicassoIA, genera tus propias escenas con los modelos de texto a imagen y conviértelas en un conjunto de pruebas para tus prompts de visión. Puedes ver todo lo disponible en picassoia.com/en/all-models. Empieza con una imagen, haz una pregunta concreta y comprueba exactamente lo que lee el modelo.
Elige tu idioma
