L’API GPT transforme chaque image en tokens, et le champ detail en détermine le nombre. Cet article présente la structure de la requête, les valeurs low, high, original et auto, le calcul détaillé des tokens pour les modèles à tuiles et à patchs, et un test pas à pas sur PicassoIA.
Un seul champ dans le corps d’une requête décide si une photo coûte 85 tokens ou 3 000. Ce champ est detail ; il se trouve dans l’objet image, à côté de l’URL, et la plupart des tutoriels l’ignorent ou citent des chiffres qui ne sont plus valables depuis deux générations de modèles. Si vous envoyez des captures d’écran, des tickets de caisse, des photos de produits ou des graphiques à un modèle GPT, ce réglage influe sur votre facture, votre latence et sur la part de l’image que le modèle peut réellement lire.
Cet article passe en revue la structure de la requête, les quatre valeurs de detail, le calcul des tokens pour les modèles à tuiles et à patchs, les cas où low se retourne contre vous, et les limites à connaître avant la mise en production. Les chiffres proviennent des pages de documentation de l’API d’OpenAI sur l’entrée d’image telles qu’elles se présentent aujourd’hui, et chaque exemple chiffré montre son calcul, afin que vous puissiez le vérifier avec le bloc usage de vos propres réponses. Ces pages changent souvent, ce qui est une raison de plus de journaliser les comptes de tokens plutôt que de faire confiance à un tableau, y compris ceux ci-dessous.
Un modèle GPT ne lit jamais votre JPEG comme un fichier. L’API le redimensionne, le découpe en petits blocs et transforme chaque bloc en tokens placés dans la fenêtre de contexte, à côté de votre texte. Ces tokens sont facturés au tarif d’entrée normal du modèle : une image plus grande ou plus nette signifie donc une facture plus élevée et une latence plus forte. Ils entrent aussi en concurrence avec votre prompt et la réponse pour la même fenêtre de contexte, ce qui compte dès qu’une requête contient plusieurs images.
Les images voyagent à l’intérieur du message utilisateur sous forme de parties de contenu. L’API Responses utilise les parties input_text et input_image, tandis que Chat Completions utilise text et image_url. Dans les deux cas, detail se trouve sur la partie image. Voici un lecteur de tickets de caisse sur 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)
Le même appel sur Chat Completions avec GPT-4o imbrique l’URL un niveau plus profond :
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)
Après chaque appel, lisez usage.input_tokens sur Responses ou usage.prompt_tokens sur Chat Completions. C’est le seul chiffre qui tranche une discussion sur le coût.
data:image/jpeg;base64,... en ligne fonctionne pour les fichiers privés et ajoute environ un tiers à la taille de la charge utile.vision, puis référencez l’ID avec un champ file_id sur la partie image et réutilisez-le d’une requête à l’autre.Les formats acceptés sont PNG, JPEG, WEBP et GIF non animé.
Le champ detail accepte low, high, original et auto. Si vous l’omettez, vous obtenez auto, c’est-à-dire le dimensionnement par défaut du modèle. Les noms suggèrent une échelle simple, mais ce que fait chaque palier dépend du modèle appelé.
| Valeur | À quoi la documentation la destine | Points de vigilance |
|---|---|---|
low | Lecture grossière de l’image | Pas toujours moins chère que high sur les modèles récents |
high | Haute fidélité standard | Plafonné à 2 500 patchs sur la famille GPT 5.4 |
original | Images grandes, denses, sensibles à l’espace ou destinées à l’utilisation d’ordinateur | Nécessite GPT 5.4 ou une version ultérieure, et n’est pas pris en charge sur GPT 5.2 ou GPT 4.1 mini |
auto | Le dimensionnement par défaut du modèle | La valeur obtenue quand le champ est absent |
Sur les anciens modèles à tuiles, low est un forfait fixe : 85 tokens sur GPT-4o et GPT 4.1, quelle que soit la taille du fichier. Le modèle reçoit une version de 512 sur 512 pixels, suffisante pour dire « un chien sur une plage » mais pas pour lire un panneau de rue. Utilisez-le pour la classification, les légendes sommaires, les contrôles de modération et les décisions d’aiguillage, là où seul le sens général compte.
Sur les modèles à tuiles, high ajuste d’abord l’image dans un carré de 2 048 sur 2 048, puis met le plus petit côté à 768 pixels, puis compte des tuiles de 512 pixels. Sur la famille GPT 5.x, il fonctionne à partir de patchs de 32 pixels, avec un plus grand côté de 2 048 pixels et un budget de 2 500 patchs sur GPT 5.4 et ses variantes plus petites. C’est largement suffisant pour les photos, les photos de produits et les captures d’écran classiques. Cela commence à poser problème avec les documents denses et le texte minuscule des interfaces, où quelques pixels perdus transforment un 6 en 8.
original relève le plafond à 10 000 patchs et à un plus grand côté de 6 000 pixels sur GPT 5.4 et ses variantes. OpenAI le destine aux images grandes, denses, sensibles à l’espace ou destinées à l’utilisation d’ordinateur, ainsi qu’aux tâches sensibles aux coordonnées comme l’OCR ou la détection de petits objets. Imaginez une capture 4K où le modèle doit renvoyer la position d’un bouton, ou un plan d’étage où un trait fin porte une information. Cette netteté a un prix : jusqu’à 12 000 tokens par image, avec le multiplicateur 1,2.
La règle pratique est de ne le choisir que lorsqu’il se justifie. Commencez une tâche avec high, recensez les échecs, et ne passez à original que pour les types d’image qui échouent. Si un champ est mal lu avec high et correctement lu avec original, les tokens supplémentaires ont servi à quelque chose. Si les deux réglages échouent de la même façon, le problème vient du prompt ou de l’image source, et davantage de pixels n’y changeront rien.
La facturation par tuiles combine un forfait de base et un tarif par tuile de 512 pixels. GPT-4o et GPT 4.1 facturent 85 de base et 170 par tuile. GPT 5.1 facture 70 et 140. GPT 4o Mini facture 2 833 et 5 667, donc basculer le traitement d’images vers le modèle mini gonfle le nombre de tokens au lieu de le réduire. Comparez le coût total, pas le tarif par token.
| Image | Détail | Modèle | Calcul | Tokens |
|---|---|---|---|---|
| Taille quelconque | low | GPT-4o | Forfait de base fixe | 85 |
| 1024 x 1024 | high | GPT-4o | 4 tuiles x 170 + 85 | 765 |
| 1920 x 1080 | high | GPT-4o | Redimensionnée en 1365 x 768, 3 x 2 = 6 tuiles, 6 x 170 + 85 | 1 105 |
| 1024 x 1024 | high | GPT 4o Mini | 4 tuiles x 5 667 + 2 833 | 25 501 |
Les modèles récents comptent des patchs de 32 sur 32 pixels : ceil(width / 32) x ceil(height / 32). Quand le total dépasse le budget, l’image est réduite jusqu’à entrer dans celui-ci, et le nombre final de tokens correspond aux patchs multipliés par le multiplicateur du modèle, arrondi au nombre supérieur. Le multiplicateur vaut 1,2 pour GPT 5.2, GPT 5.4 et la famille GPT 5.6 (Sol, Terra et Luna), et 1,62 pour GPT 4.1 mini.
| Image | Détail | Patchs | Tokens avec le multiplicateur 1,2 |
|---|---|---|---|
| 1920 x 1080 | low, high ou original | 60 x 34 = 2 040 | 2 448 |
| 4000 x 3000 | high | Plafonné à 2 500 | Jusqu’à 3 000 |
| 4000 x 3000 | low | Environ 3 072 après le plafond de 2 048 pixels | Environ 3 700 |
| 4000 x 3000 | original | Plafonné à 10 000 | Jusqu’à 12 000 |
Les lignes 4000 x 3000 sont mes propres calculs à partir des budgets publiés : considérez-les comme des estimations et vérifiez-les avec usage. La ligne 1080p est exacte, car l’image respecte déjà tous les budgets.
L’échelle rend la différence bien réelle. Dix mille photos de produits à 2 448 tokens chacune représentent 24,48 millions de tokens en entrée, avant le moindre mot du prompt. Le même lot à 85 tokens chacune sur GPT-4o low fait 850 000, soit une différence d’environ 29 fois que vous ne remarqueriez jamais à la seule lecture du code.
La documentation contient un avertissement qui surprend beaucoup : low n’utilise pas toujours moins de tokens que high. Sur GPT 5.4 et ses variantes plus petites, low autorise un budget de 6 144 patchs alors que high s’arrête à 2 500, si bien qu’une grande photo peut coûter plus cher avec low. Sur GPT 5.2 et GPT 4.1 mini, chaque niveau partage la même règle de dimensionnement, un plus grand côté de 2 048 pixels et un budget de 6 144 patchs, donc low, high et auto renvoient des comptes identiques et original n’est pas disponible.
Deux conséquences en découlent. Ne supposez jamais que le réglage bon marché l’est, et attendez-vous à ce que le sens de vos valeurs detail existantes change lorsque vous changez de modèle. Un test court tranche les deux :
💡 Si
lowethighrenvoient le même nombre de tokens sur un modèle, le champ ne fait rien là-bas. Supprimez-le de votre code plutôt que de garder un paramètre qui laisse croire à des économies que vous ne réalisez pas.
La documentation actuelle autorise jusqu’à 512 Mo de charge utile totale et jusqu’à 1 500 images par requête. Les anciens articles citent 50 Mo et 500 images, donc une bibliothèque qui applique ces chiffres peut être obsolète. Une requête de 512 Mo pose d’abord un problème de latence avant de poser un problème de limite, car le base64 augmente la taille des octets d’un tiers et chaque image continue de facturer des tokens.
OpenAI énumère clairement les points faibles, qui correspondent à ce qu’on observe en production :
Les petits caractères sont la victime habituelle du travail quotidien. Quand la partie importante est petite, n’envoyez que cette partie.
💡 Recadrez avant d’envoyer. Un recadrage de 600 x 400 de la ligne du total d’un ticket coûte environ 300 tokens sur GPT 5.4 (19 x 13 = 247 patchs, multiplié par 1,2). La page complète de 4000 x 3000 avec
originalpeut atteindre 12 000, et le recadrage se lit généralement mieux.
La plupart des dépenses excessives viennent de quelques habitudes :
original sur GPT 5.4 et ses variantes), exportez un JPEG, et la requête s’envoie plus vite sans rien perdre.| Tâche | Commencez par | Pourquoi |
|---|---|---|
| Modération, aiguillage, légendes sommaires | low sur les modèles à tuiles, auto sur les modèles à patchs | L’essentiel suffit |
| Photos de produits, descriptions de scènes | high ou auto | Bon niveau de détail pour un coût modéré |
| Tickets de caisse et factures | high recadré, ou original sur GPT 5.4 et les versions suivantes | Les petits caractères ont besoin de pixels |
| Graphiques et tableaux de bord | original, ou un lecteur spécialisé | Les traits fins portent du sens |
| Captures d’écran pour agents d’interface | original | Les coordonnées doivent être exactes |
C’est sur le texte que le redimensionnement fait mal en premier. Recadrez la zone, redressez-la, et demandez une structure JSON fixe pour repérer facilement un chiffre erroné. Demandez au modèle de répondre unreadable pour tout champ qu’il ne peut pas lire, car un modèle autorisé à deviner devinera, et un total faux mais affirmé est pire qu’une case vide. Si un scan est flou, réparez-le avant l’import avec un outil de restauration d’image par IA, car aucun réglage de detail ne peut inventer des pixels qui n’ont jamais été capturés.
Les graphiques combinent traits fins, petites étiquettes et couleurs proches, exactement le cas signalé par OpenAI. Envoyez-les avec original lorsque le modèle le prend en charge. Demandez d’abord les chiffres sous-jacents sous forme de tableau, puis l’interprétation, afin de pouvoir vérifier les valeurs sur l’image avant de faire confiance à une tendance décrite par le modèle. Pour les tableaux et graphiques que vous extrayez chaque jour, un outil spécialisé comme Granite Vision 4.1 4B mérite un test côte à côte.
Pour un travail de catalogue, lancez sur vos vraies photos le test des trois images vu plus haut, puis fixez le réglage et le prompt pour tout le lot. Demandez les mêmes attributs, dans le même ordre, à chaque fois (couleur, matière, défauts visibles), et la sortie se charge facilement dans une base de données. Photographiez aussi les articles de la même façon : un fond, une distance et un éclairage constants vous permettent d’utiliser un réglage moins coûteux, car le modèle n’a plus à compenser le bruit. Une photo de produit prise sur un plan de travail uni sous une lumière uniforme se lit souvent bien avec high, alors que la même tasse dans une cuisine encombrée peut ne pas suffire.
Vous n’avez pas besoin de code pour voir ce qu’un modèle lit. GPT 5.4 sur PicassoIA accepte des images avec un prompt texte, et son formulaire expose les mêmes leviers que ceux que vous réglez dans l’API : un prompt système, la verbosité, l’effort de raisonnement et une limite de tokens de complétion. C’est donc un moyen rapide de trancher les questions qui précèdent les réglages. Quelle formulation de prompt fonctionne ? Le modèle lit-il ce type d’image ? Un modèle moins cher suffit-il ? Une mise en garde : le formulaire comporte un champ d’entrée d’image mais pas de bouton detail, donc considérez les résultats comme un test du prompt et du choix du modèle, et non comme une mesure de low face à high.
low pour les tâches d’extraction et sur high lorsque vous voulez une décomposition détaillée.none pour une lecture simple. Augmentez-le pour les questions en plusieurs étapes, et augmentez Max Completion Tokens en même temps, car un effort élevé peut consommer tout le budget en raisonnement et renvoyer une réponse vide.
La conversion image vers texte fait partie des fonctions intégrées de la plateforme, et plusieurs modèles de langage acceptent les images :
| Modèle | Points forts |
|---|---|
| GPT-4o | Texte et images dans une même requête, sortie JSON sur demande |
| GPT 5.4 | Captures d’écran et schémas avec un effort de raisonnement réglable |
| Gemini 3.5 Flash | Conversation rapide, code et questions sur les images |
| Qwen3.7-Plus | Interprétation de texte et d’images |
| Kimi K2.5 | Conversation qui lit le texte et les images |
| Claude Opus 4.7 | Code, vision et raisonnement dans un seul modèle |
| Granite Vision 4.1 4B | Extraction de graphiques et de tableaux |
Choisissez cinq images de votre travail réel : une très petite, une en 1080p, une photo de 12 mégapixels, un ticket de caisse et un graphique. Passez-les dans GPT 5.4 et GPT-4o sur PicassoIA, notez les réponses justes, puis emmenez le gagnant dans l’API et comparez les nombres de tokens à chaque valeur detail. Une heure de test de ce genre fait économiser plus d’argent que n’importe quel ajustement tarifaire.
Besoin de matériel de test ? Ouvrez PicassoIA, générez vos propres scènes avec les modèles texte vers image, et transformez-les en jeu de test pour vos prompts de vision. Vous pouvez parcourir tout ce qui est disponible sur picassoia.com/en/all-models. Commencez par une image, posez une seule question précise, et voyez exactement ce que le modèle lit.
Choisissez votre langue
