Многие инженеры пытаются сэкономить, подавая в мультимодальные LLM изображения с низкой детализацией. Однако исследование OpenRouter показывает: такая «экономия» для моделей с рассуждением, вроде GPT-5.5, не только снижает точность ответов, но и увеличивает итоговую стоимость.
OpenRouter протестировала пять моделей от OpenAI и Google, сравнивая режимы low и auto детализации изображений. Для GPT-5.5 низкая детализация снизила точность на 13.8 процентных пункта (с 79% до 65.2%) и увеличила стоимость одного вопроса с 4.5¢ до 5.1¢. Модель, пытаясь компенсировать недостаток информации, «думала» в 1.6 раза дольше, генерируя больше токенов рассуждения.
По документации OpenAI, режим low уменьшает изображение до 512x512 пикселей, независимо от исходного размера, что экономит токены на входе. Но для GPT-5.5 это привело к увеличению числа токенов рассуждения с 730 до 1180 на запрос, а также к росту токенов завершения на 39%. Модель тратила больше усилий на попытки разобрать мелкий текст или диаграммы, которые стали нечитаемы. Поскольку токены вывода стоят дороже токенов ввода, мнимая экономия на входных данных обернулась переплатой.
Переключение с low на auto детализацию принесло от 2 до 17 процентных пунктов прироста точности, в зависимости от модели. Наибольший выигрыш показали модели OpenAI, так как их low режим сильнее ужимает изображения. Улучшения особенно заметны для графиков и диаграмм, где, например, Gemini-3.1-pro поднялся с 78.6% до 91.7%. Когда тонкие линии на чертежах размываются до неразличимости, модель начинает «рассуждать» дольше, но всё равно даёт неверный ответ.
Для контроля стоимости OpenRouter рекомендует влиять на уровень усилий, которые модель тратит на рассуждение, а не на детализацию изображения. Ограничение параметра reasoning (усилия рассуждения) для GPT-5.5 снизило стоимость на 67% (с 5.1¢ до 1.7¢) при минимальной потере точности в 1.3 пункта. При этом изменение детализации изображения мало влияло на итоговую стоимость.
Исключение составляют модели, не способные к рассуждению, такие как GPT-5.4-mini и GPT-4.1. Для них режим low действительно снижает стоимость (на 40% для GPT-5.4-mini) и уменьшает задержку, так как нет цикла рассуждения, увеличивающего затраты. Однако это происходит ценой снижения точности.
OpenRouter протестировала модели на бенчмарке MMMU-Pro Vision с 1730 вопросами на визуальное рассуждение. Для моделей OpenAI использовался параметр image_url.detail, для Gemini — mediaResolution.
Таким образом, для большинства мультимодальных LLM, особенно способных к рассуждениям, попытка сэкономить на детализации изображений — это ловушка. Инженерам стоит сфокусироваться на оптимизации уровня рассуждения, сохраняя при этом чёткость входных данных. Эти выводы, основанные на данных OpenRouter, предлагают конкретные рекомендации для настройки API, но требуют дальнейшей проверки на разнообразных задачах.