在LLM中选择最佳图像输入细节级别

一句话看懂：OpenRouter 最新基准测试发现，在 GPT-5.5 等推理模型中，使用“低细节”（low）图像输入不仅会大幅降低准确率，反而可能因为模型“费力思考”而增加推理成本。清晰的图像配合降低推理努力，才是更优的省钱策略。

事件核心：发生了什么

OpenRouter 于 7 月 7 日发布了一项针对 OpenAI 和 Google 最新多模态模型的图像细节参数基准测试。测试覆盖了 GPT-5.5、GPT-5.4-mini、GPT-4.1、Gemini-3.5-Flash 和 Gemini-3.1-Pro 五款模型，在 MMMU-Pro Vision 数据集上对比了“低细节”（low）与“自动细节”（auto）模式的表现。结果显示，所有模型在“自动细节”下准确率更高。以 GPT-5.5 为例，低细节模式下准确率仅 65.2%，而自动细节达到 79.0%；更反直觉的是，低细节模式每问成本为 5.1 美分，反而高于自动模式的 4.5 美分。

为什么重要

这一发现挑战了业界普遍存在的“降低图像分辨率等于省钱”的直觉。核心原因在于推理模型（如 GPT-5.5）在接收到模糊图像时，会动用大量推理 token 去“猜测”图像内容，导致推理成本激增——低细节下 GPT-5.5 的推理 token 数（1,180）比自动细节（730）高出 1.6 倍。这说明，在图像密集型 AI 应用中，粗暴的成本控制策略可能适得其反。对于 AI 服务的开发者和 API 采购者，理解“图像清晰度-推理成本-准确率”之间的非线性关系，将成为优化预算的关键。

对用户/开发者/创作者的影响

API 开发者：如果正在使用 GPT-5.5 等推理模型处理包含图表、截图或小文字的图片，切勿默认设为“low”以节约 API 开销。更好的做法是保持清晰的图像（auto 或 high），同时通过参数限制推理努力水平（如 reasoning=low）。OpenRouter 的数据显示，这一组合可将 GPT-5.5 的成本从 5.1 美分降至 1.7 美分，准确率仅下降 1.3 个百分点。
内容创作者与产品经理：在涉及 OCR（光学字符识别）或技术图表识别的应用场景中，低细节可能导致用户体验断崖式下降。尤其是机械工程图、数据图表等细粒度内容，低细节下识别准确率降幅可达 10 个百分点以上。
非推理模型用户：对于 GPT-4.1 或 GPT-5.4-mini 这类不支持长链思考的模型，“low”模式仍能实现输入成本节省，但因输出 token 较少，准确率损失也需要权衡。

值得关注的后续

第一，OpenAI 和 Google 是否会针对这一评测结果调整 API 文档或默认参数建议，值得跟踪。第二，当前数据集以文本和 OCR 为主（占 76%），图表和图表部分对细节敏感度最高，未来多模态 benchmark 可能需要更精细的图像类型拆分。第三，这一规律是否会推广到即将发布的 GPT-6 系列或 Gemini 下一代模型，目前公开信息尚未披露，但推理模型的“思考代价”将成为定价设计的长期变量。