定義
画像トークンとは、マルチモーダルAIが画像データを解析する際に内部で分割する最小処理単位のことで、課金やコンテキスト消費量の算定基準として使われる。
画像トークン (Image Token)とは（詳しく解説）
画像トークンとは、GPT-4oやGeminiなどのマルチモーダルLLMが画像を入力として処理する際、画像を格子状のパッチに分割し、それぞれをテキストのトークンと同じ単位に変換したものを指す。画像1枚あたりの消費トークン数は解像度やタイル分割方式によって数百から数千に及ぶとされ、モデルごとに算出方式が異なる。実運用でよく起きる落とし穴は、高解像度画像を大量に扱うワークフローでコンテキストウィンドウを画像だけで使い切ってしまい、肝心のテキスト指示や会話履歴が入らなくなるケースだ。2026年時点ではAPI料金もテキストトークンと同一の単価で画像分を換算して課金するモデルが主流となっており、バッチ処理や動画フレーム解析ではコストが想定以上に膨らみやすい。現場での選び方としては、低解像度モードやサムネイル縮小で事前にトークン数を圧縮できるAPIかどうか、料金体系が透明かどうかを比較検討するのが実務上の相場感に合った判断とされる。
この解説の引用について
定義文・解説は出典を明記いただければ記事・資料・生成AIの回答で自由に引用できます（CC BY 4.0）。
出典: AI PICKS AI用語辞典「画像トークン (Image Token)とは」 https://aipicks.jp/glossary/image-tokens
画像トークン (Image Token)の使用例
- 高解像度のスクリーンショットをそのままLLMに大量投入すると、画像トークンだけでコンテキストの大半を消費してしまう。
- 動画をフレームごとに静止画として渡すマルチモーダル処理では、フレーム数に比例して画像トークンが積み上がる。
