把文字變圖片竟然可以省 token

如果你不是工程師、但有在用 ChatGPT 或 Claude，這個冷門技巧可以讓你省下約一半費用——把送給 AI 的長文字轉成圖片。偶然聽到有人說他在用圖片代替文字送給 AI，省下最多約一半到三分之二的費用（整體約省一半，部分場景可到六七成），追下去找到一篇論文跟一個工具，認真看完才發現——不是噱頭，是真的有效，而且有清楚的使用限制。

這篇分享：為什麼圖片比文字便宜、什麼時候能省、什麼時候省不了，以及一個把這件事包成 proxy 的工具 pxpipe。

為什麼圖片比文字便宜

先說機制。

用自助餐來比喻：有些店是按道計費，你拿幾樣算幾樣；有些店是秤重賣，不管你盛了幾種，上磅秤統一算。菜量少的時候兩家差不多，菜量多的時候秤重那家就划算很多。

AI 用 tokenizer（把文字切成計費單位的工具）來計算費用，大概英文一個字 ≈ 1 個計費單位。

但你把同一段文字渲染成圖片、送給有視覺能力的模型（multimodal LLM，可以同時處理文字和圖片的那種），走的路不一樣：

• 文字版：tokenizer 切出 m 個計費單位
• 圖片版：看圖的層切出 k 個計費單位

根據 Allen AI、UChicago、Stony Brook 合著的論文《Text or Pixels? It Takes Half》，圖片版大約只用一半的計費單位。

原因不是魔法，是架構：AI 裡面有一個「看圖的層」（vision encoder），它把圖片壓縮成固定數量的計費單位，不會因為圖裡的字多就等比增長。換句話說，它是一個隱性的壓縮層，只是原本設計用來看照片，不是用來看文字。

實際省多少

論文用幾個標準測試題組測了：

任務	模型	結果
長文摘要（CNN/DailyMail）	GPT-4.1-mini	計費單位從 693 壓到 225，省 67%，摘要品質分數還贏過另一種主流省 token 方法
長文檢索測試	GPT-4.1-mini	維持 97% 正確率，省了 38–58% 計費單位
長文檢索測試	Qwen2.5-VL-72B	圖片計費單位僅為文字的 0.44 倍，推論快了 25–45%

論文把這套做法稱為 ConTexImage（文字圖片化）。它用一個排版工具把文字排好、截圖成圖片，再送給模型。

最適合的場景：

• context（你送給 AI 的所有背景文字）很長——例如讓 AI 幫你查文件（RAG：讓 AI 讀你自己的文件來回答問題的技術）、長文摘要
• 模型夠大——72B 級別效果最穩
• 問題本身很短、長的是 context

什麼時候省不了（這個比「能省多少」更重要）

不是萬能的。論文明確點出幾個失效條件：

模型太小 規格較小的模型（例如 7B 這類輕量版本）看密密麻麻的圖片文字時，正確率掉得很厲害。72B 以上才穩。

一張圖塞太多字 每個模型有一個「能讀進去的文字量上限」，超過就開始出錯。字越密、解析度越低，上限越低。

Context 本來就不長 如果送的文字才 500 個計費單位左右，壓成圖片的省幅比「看圖的層」的額外成本還小，划不來。

模型沒有視覺能力 純文字模型根本讀不了圖，這個技巧完全用不上。

API 視覺計費吃掉差距 有些 API 對圖片計費比文字貴，算完可能省不到。要自己試算。

pxpipe：把這件事包成一個 proxy

有人直接把這個邏輯做成了工具：pxpipe（在工程師社群獲得超過 5,000 個書籤，v0.7.1，2026/7/3）。

它是一個跑在你電腦上的中間人程式（API proxy），攔截你送給 AI 的每一次指令（request），把工具回傳的結果、你給 AI 的背景設定（system prompt）、對話歷史這類大段文字自動轉成圖片，再送給模型。換算下來大約是 3.1 個字元換一個圖片計費單位，在 pxpipe 的實測場景下圖片計費單位約為文字版的三分之一（省約 67%）（注意：這是工具在特定場景的數據，與論文整體約省一半的結論不同，兩者來源情境不同）。

用法很直接。不熟悉終端機的讀者：直接把下面兩行指令貼給工程師朋友，請他幫你設定即可——這是最省事的方式。熟悉終端機的讀者可以自己執行：

npx pxpipe-proxy                                      # 啟動 proxy，預設跑在 127.0.0.1:47821
ANTHROPIC_BASE_URL=http://127.0.0.1:47821 claude      # 把 Claude Code 指向 proxy

啟動後在瀏覽器開 http://127.0.0.1:47821/，就有即時監控頁面可以看省了多少。

目前預設支援的模型是 Claude Fable 5 和 GPT 5.6（名稱以工具頁面為準）。Opus 4.7/4.8（Claude 系列旗艦版）和 GPT 5.5 需要自己手動打開，作者標注這兩個模型讀圖片文字大約每 100 次有 7 次讀錯——如果你的工作不能容忍偶爾出錯，建議不要開。

整理一下：什麼情況值得試

條件	建議
context 長（500 個計費單位以上）＋模型夠大（72B+）	值得試
context 短，或模型是 7B	跳過，省不到
API 有視覺加價	先試算再說
純文字模型	不支援
不熟悉終端機	把指令貼給工程師朋友協助設定

---

省 token 這件事不稀奇，但從「看圖的層」的壓縮特性下手——這個角度我之前完全沒想到。

最近開始做免費的一對一諮詢，幫你把 AI 接進自己的工作流——有需要的話可以約：https://www.dawsonwang.com/

---

論文：Text or Pixels? It Takes Half（arXiv 2510.18279）— https://arxiv.org/html/2510.18279v1 工具：pxpipe — https://github.com/teamchong/pxpipe