경계선 시각 모델로 이미지를 처리하는 비용은?

프론티어 비전 모델의 이미지 처리 비용은 단순히 "이미지 1장당 얼마"가 아니라, 각 제공사가 이미지를 내부적으로 토큰으로 변환하는 방식에 따라 결정된다. Anthropic의 Claude는 이미지를 `(width × height) / 750` 공식으로 토큰화하며 최대 1568px로 리사이즈한다. OpenAI의 GPT-4o/4.1은 이미지를 512×512 타일로 분할해 타일당 고정 토큰(170 토큰 + 베이스 85)을 부과하는 방식이고, GPT-5나 o-시리즈는 패치 기반(32×32)으로 변경되었다. Google의 Gemini는 384px 이하면 258 토큰 고정, 그 이상은 768×768 타일 단위로 258 토큰씩 누적된다. 즉, 같은 1024×1024 이미지라도 Claude는 약 1,400 토큰, GPT-4o는 약 765 토큰, Gemini는 1,032 토큰으로 계산되어 동일 입력에 대한 청구액이 제공사마다 2~3배까지 차이가 날 수 있다.

실무 영향은 특히 멀티모달 파이프라인을 운영하는 팀에게 크다. 예를 들어 OCR, 문서 분석, 의료영상 검수, 쇼핑몰 상품 자동 태깅처럼 하루 수만 장 이상의 이미지를 처리하는 서비스라면, 토큰화 규칙을 모르고 그냥 "고해상도가 좋다"는 이유로 4K 원본을 던지면 비용이 선형이 아니라 계단식으로 폭증한다. GPT-4o의 경우 2048×2048은 6개 타일로 1,105 토큰이지만, 2049×2049가 되는 순간 9개 타일이 되어 1,615 토큰으로 뛴다. Claude의 1568px 상한이나 Gemini의 768px 타일 경계도 마찬가지로, 입력 직전 리사이즈/크롭 단계 하나로 월 비용이 30~50% 줄어드는 사례가 흔하다. 또한 Korean 개발자 입장에서 부가세 포함 환율 변동까지 고려하면, 동일 기능을 어느 모델로 구현하느냐에 따라 손익분기점이 달라진다.

엔지니어가 즉시 취해야 할 액션은 세 가지다. 첫째, 자신의 유스케이스에서 실제로 필요한 최소 해상도를 측정하라 — 영수증 OCR이라면 768×768로도 충분한 경우가 많고, 얼굴 인식 같은 디테일 작업만 1568px급이 필요하다. 둘째, 이미지 전처리 미들웨어를 SDK 호출 직전에 두어 각 제공사의 "스위트 스폿" 해상도(Claude 1568, GPT 2048, Gemini 768 배수)에 맞춰 자동 리사이즈하도록 구성하라. 셋째, 비용 모니터링을 토큰 단위가 아닌 "이미지 1장당 평균 토큰" 지표로 대시보드화해서, 입력 이미지 분포가 바뀔 때 즉시 알림이 가도록 해야 한다. 마지막으로 프로토타입 단계에서는 Gemini Flash나 Claude Haiku처럼 저가 모델로 정확도를 먼저 검증한 후 프론티어 모델로 승격하는 패턴이 비용 대비 가장 안정적이다.