画像は「パッチ」に切られてトークンになる：画像入力の仕組みと各社の計算式・上限を、公式資料で確かめる

3行でいうと

仕組みは「画像を小さな四角に切る→数値の列にする→文章のトークンと一緒にAIへ渡す」
Claudeは28×28ピクセルで1トークン、OpenAIの新しいモデルは32×32ピクセルで1パッチに倍率1.2。Geminiは設定ごとに決まる
同じ画像でも、会社・モデル・解像度の設定でトークン数が変わる。大きい画像は縮小してから送ると費用を抑えられる

この記事は、実際に使って確かめた記録ではありません。この記事は公式の文書や論文を読んでまとめたものです。料金そのものは、この記事では扱いません（価格は別の記事を見てください）。

先に結論

画像の費用は、トークン数に入力の単価をかけて決まります。文章と同じ仕組みです。
トークン数は、画像の縦横のピクセル数（画素数）から、各社の公式の式で見積もれます。
大きな画像は、各社とも上限に合わせて縮小されます。縮小される分は見えなくなるので、細かい文字を読ませたいときは、送る前に自分で切り出すほうが確実です。
数字はモデルごとに違い、更新されます。使う前に各社のページで確認してください。

前提：画像をどうやってAIに渡すか

トークンは、AIが読み書きする量を数える単位です。入力トークンは、AIに読ませた分で、課金の対象です。画像も入力トークンに換算されます。
パッチは、画像を格子状に切った小さな四角です。Vision Transformer（画像を扱うAIの方式）の論文は、画像を16×16ピクセルのパッチの列にして、文章の単語と同じようにTransformer（今のAIの中心的な仕組み）に入れる方法を示しました。
画像と言葉を一緒に扱うAIの作り方の例として、LLaVAの論文があります。視覚エンコーダ（画像を数値にする部品。この論文ではCLIPのViT-L/14）の出力を、1つの線形層（行列をかける変換）で、言語モデルの単語の表現と同じ形に直します。言語モデルから見ると、画像は「単語の仲間のトークン」の並びになります。
商用のAI（Claude、GPT、Gemini）の内部の作りは、読んだ公式文書には書かれていません。文書にあるのは、料金とトークン数の数え方です。

3社の計算式

Claude（Anthropic）

公式文書では、画像は28×28ピクセルのパッチに分けられ、1パッチが1つの視覚トークンです。

視覚トークン数 = ⌈横 ÷ 28⌉ × ⌈縦 ÷ 28⌉（⌈ ⌉は切り上げ）
上限は2段階です。「高解像度」の段階（Claude 4.7以降）は、長辺2576ピクセル、最大4784トークン。その他のモデルは、長辺1568ピクセル、最大1568トークンです。上限を超える画像は、縦横比を保ったまま、収まる最大の大きさに縮小されます。
公式の表では、1000×1000は1296トークン、1920×1080は標準段階で1560（1456×819に縮小）、高解像度で2691、3840×2160は標準で1560、高解像度で4784です。
公式文書は、高解像度の画像は、標準段階より最大で約3倍の視覚トークンを使うことがある、と述べています。
コンピュータ操作やブラウザ操作のツールが返す画像は、上限を超えると縮小されず、エラーになります。それ以外は、設定でエラーにすることもできます。

OpenAI

公式文書は、モデルによって2つの方式を使い分けています。

パッチ方式（新しいモデル）：32×32ピクセルのパッチで画像を覆い、パッチ数に倍率をかけます。

まずdetailに応じた大きさの上限に収める。
パッチ数 = ⌈横 ÷ 32⌉ × ⌈縦 ÷ 32⌉。
モデルとdetailに「パッチ予算」があれば、超える場合は縮小する。
パッチ数にモデルごとの倍率をかけ、切り上げた値が、請求される画像トークンです。
倍率は、gpt-6-astra、gpt-5.6系、gpt-5.5、gpt-5.4系、gpt-5.2が1.2、gpt-4.1-miniが1.62です。
detailはlow、high、original、auto。省略時はautoです。gpt-6-astraでは、lowは512×512に収め、highは2,500パッチ・最大辺65,535ピクセル、originalとautoは元の大きさのまま（辺が65,535ピクセルを超えるときだけ縮小）です。
公式の例（gpt-6-astra、high）は、1024×1024で1229トークン、2048×2048は予算で1600×1600に縮小されて3000トークン、4096×512は2458トークンです。
1枚あたり30,000パッチを超える画像は、縮小されず拒否されます。

タイル方式（古いモデル）：基本のトークン数と、512ピクセルのタイル1枚あたりのトークン数を足します。たとえばgpt-4oとgpt-4.1は、基本85、タイル170です。lowは基本のトークン数だけで、画像の大きさに関係しません。

Gemini（Google）

画像の縦横がどちらも384ピクセル以下なら258トークン。それより大きい画像は768×768ピクセルのタイルに分け、1タイルが258トークンです。タイル数の目安は、短辺の約1.5分の1を単位にして、縦横それぞれを割り、掛け合わせます。公式の例は960×540で、単位は360、タイルは3×2=6です。
Gemini 3にはmedia_resolutionという設定があり、画像1枚（動画は1フレーム）に割り当てる最大トークン数を決めます。公式の表（概数）では、画像はlowが280、mediumが560、highが1120、ultra_highが2240、指定なしの既定が1120です。ultra_highは、コンテンツごとの設定でだけ使えます。
公式の推奨は、画像にはhigh、PDFにはmedium、動画にはlowかmediumです。

258トークンのタイル方式と、media_resolutionの表が、どのモデルにどう当てはまるのかは、読んだ文書に明記されていません。Gemini 3についてはmedia_resolutionの表を使うのが安全です。

同じ画像だと、トークンはいくつか

1920×1080の画面写真（スクリーンショット）を送る場合です。

方式	トークン数	出どころ
Claude（標準段階）	1560	公式の表
Claude（高解像度）	2691	公式の表
OpenAI gpt-6-astra（`high`）	2448	僕らの計算
Gemini 3（`high`）	1120	公式の表（上限の概数）

僕らの計算です。OpenAIの2448は、パッチ数が⌈1920÷32⌉×⌈1080÷32⌉=60×34=2040で予算の2,500以下なので縮小せず、2040×1.2=2448としました。公式の例の計算の手順どおり実装すると、公式の3つの例（1229、3000、2458）と一致しました。

トークン数が少ないほど安いとは限りません。単価（100万トークンあたりの値段）がモデルごとに違うので、費用は「トークン数×単価」で比べます。たとえば、仮に入力が100万トークンあたり1ドルなら、1000×1000のClaudeの画像（1296トークン）は、1枚あたり約0.0013ドルです（僕らの計算です。公式の例では、1,000枚で約1.30ドル）。

各社の上限・形式の一覧と、パッチ方式の縮小計算

1回の依頼で送れる枚数・大きさ・形式

項目	Claude	OpenAI	Gemini
枚数	API：200kトークンの文脈のモデルは100枚、それ以外は600枚。claude.aiは1回20枚	1依頼1,500枚	1依頼3,600枚
1枚の大きさ	最大8000×8000ピクセル。20枚を超える依頼では、全画像が各辺2000ピクセル以下	パッチ方式は1枚30,000パッチまで	確認できていません
容量	1枚10MB（API、base64）。BedrockとGoogle Cloudは5MB。依頼全体は32MB	依頼全体で512MB	インラインのデータは依頼全体で20MB。大きいときはFile API
形式	JPEG、PNG、GIF、WebP（アニメは最初の1コマ）	PNG、JPEG、WEBP、アニメでないGIF	PNG、JPEG、WEBP、HEIC、HEIF

Claudeの「20枚を超える依頼」には、以前の会話の画像や、ツールの結果に含まれる画像も数えられます。

パッチ予算で縮小される場合の計算（OpenAI）

公式の式では、縮小率 = √（32² × パッチ予算 ÷（横 × 縦））です。さらに、縦横を32の倍数に近づけるため、調整をかけます。僕らが公式の手順どおり実装して計算した例です。

1920×1080：パッチ2040で予算内。縮小なし、2448トークン
3840×2160：パッチ8160で予算の2,500を超える。約2104×1184に縮小され、2442パッチ、2931トークン
800×600：475パッチ、570トークン

予算が決まっているモデルでは、元の画像がどれだけ大きくても、highのトークン数は予算（2,500パッチ×1.2=3000トークン）までで頭打ちになります。

選び方・判断の基準

見立てです。公式の式を元にした、僕らの整理です。

細かい文字や表を読ませる：解像度の高い設定（Claudeの高解像度、OpenAIのoriginal、Geminiのhigh以上）が必要になる場合があります。ただし、トークンも増えます。
ざっくり内容を知りたい：低い設定で足ります。ただしOpenAIの文書は、モデルによってはlowがhighより多くのトークンを使うことがある、と注意しています。
大きな画像：送る前に自分で縮小する、または必要な部分だけ切り出すほうが、見える内容を自分で決められます。
何枚も送る：枚数×トークン数で費用が増えます。同じ画像を繰り返し使うなら、各社のキャッシュ（同じ前置きを安くする仕組み）の対象かどうかを料金ページで確かめてください（この記事では確認していません）。

よくあるつまずき

見立てです。公式資料を読んで、読み違えやすいと思った点を挙げます。

「1枚=一定のトークン数」と思い込む。サイズ・モデル・detailで変わります。
他社とトークン数を直接比べる。トークンの数え方が違います。
縮小の影響を見落とす。小さい文字は、縮小で読めなくなることがあります。Claudeの文書も、低品質・回転・200ピクセル未満の画像では、誤りや幻覚（もっともらしい誤り）が出る可能性がある、としています。
20枚を超えるとClaudeの制限が変わることを知らない。
位置や数を正確に求める。Claudeの文書は、座標や位置の出力は概算で、数えるのも正確でない場合がある、としています。

気をつけること

この記事では、画像を送ってトークン数を実測していません。数字は公式文書の記述で、「僕らの計算」と書いたものは公式の式による見積りです。
商用モデルの内部の作り（パッチの大きさがそのまま内部で使われているか）は、読んだ資料では確認できていません。文書にあるのは課金の数え方です。
Geminiのタイルの式（258トークン）とmedia_resolutionの表が、モデルごとにどう対応するかは確認できていません。Geminiの画像1枚の制限サイズも確認できていません。
公式の表の値は概数で、実際の請求は1トークン程度ずれることがあります（OpenAIの文書も、浮動小数点の丸めで1トークン違うことがある、と書いています）。
モデル名・上限・倍率は頻繁に更新されます。2026年10月8日時点の記述です。
画像からの個人の特定、医療画像の診断などは、各社の利用規約や文書が制限・注意を述べています。仕事で使う前に確認してください。

出典

更新履歴

2026年10月25日 書き方を直しました。
- 前：運営者が使っていないと読める書き方 → いま：「この記事は、実際に使って確かめた記録ではありません」。公式の資料を読んでまとめた記事で、使い心地は書いていない、という意味に直した