首先搬一个自己的解答帖，关于 4o mini 图文对话的 token 消耗为什么那么大
相同的图片和提问，输入 token 相差却大得惊人：
尽管看着很离谱，但这确实是按照官网的计费规则来的，因为 4o mini 的图片 token 计数 base 特别高，导致相同的图片，（输入）消耗的实际 money 甚至比 4o 还要贵一倍
很多前端都有标题生成、历史总结的默认功能，并且多数把 4o-mini 作为默认模型。在多模态模型越来越普遍的情况下，如果 4o mini 的图片计费没有下降，那 4o mini 用来总结上下文的性价比就会变低。
那不如就把这个基础任务模型换成一些更实惠的多模态模型吧，比如这两天刚放出来的 glm-4v-flash 免费 api。当然还有各家大善人们提供的免费 api 也可以考虑进来：gemini 的 flash 模型、groq 的 llama 3.2-90b-vision、mistral 的 pixtral-large、…
欢迎大家补充更多免费的多模态 api
