LLMへの画像入力における詳細度設定の選択基準：精度とコスト、推論モデルの挙動を解説

要点

• 大規模言語モデル（LLM）へ画像を入力する際、詳細度設定（detail）を「low（低詳細度）」に落とす選択が、期待通りのコスト削減につながらない仕組みを解説する。
• 推論機能を持つLLMでは、低解像度の画像を判読しようとしてモデルの思考（推論トークン）が増加し、結果的に処理コストが跳ね上がることがある。
• コスト削減を目的とする場合、画像は鮮明な設定（autoまたはhigh）のまま入力し、代わりに推論の取り組み度（reasoning effort）を制限する方が効果的である。
• 推論機能を持たない通常のLLMでは、低詳細度設定によって想定通りにコストや遅延を削減できるが、引き換えに精度が低下する。

導入

LLMのマルチモーダル機能（画像とテキストを同時に処理する機能）を利用する際、料金を節約する目的で画像入力の詳細度設定（detail）を「low（低詳細度）」に下げることがあります。しかし、OpenRouterが実施したベンチマーク調査によると、この設定は必ずしもコスト削減につながらず、むしろ精度低下とコスト増加を同時に引き起こす場合があることが判明しました。本記事では、入力画像の鮮明さ、モデルの推論挙動、そして最終的な処理コストの間に生じる関係性を整理して説明します。

低解像度化による「推論の増加」とコストの逆転

OpenAIやGoogleの最新モデルでは、画像を「low」に設定すると、モデルが画像を認識するために余計な思考プロセスを走らせる挙動が見られます。

たとえば、OpenAIの「gpt-5.5」を用いて「MMMU-Pro Vision」ベンチマークを実施した際、詳細度を「low」に設定した実行結果は、自動設定である「auto」に比べて精度が13.8ポイント低下（65.2%対79.0%）しただけでなく、1質問あたりのコストも4.5¢（セント）から5.1¢へと高くなりました。

この原因は、画像が低解像度化されたことで、モデルが潰れたテキストや図表を判読しようとし、思考プロセスに必要な「推論トークン」を多く消費したことにあります。gpt-5.5では、auto設定時の推論トークン数が平均730であったのに対し、low設定時には1.6倍にあたる1,180トークンまで増加しました。さらに、最終的な応答を出力する完了トークン（completion tokens）も39%増加しています。

LLMの料金体系において、出力トークンは入力画像トークンよりも高額に設定されているため、入力側で削減した画像トークン分のコストメリットが、出力側の推論トークンの増加によって相殺されてしまう仕組みです。

各モデルにおける詳細度の影響比較

OpenRouterがOpenAIとGoogleの5つのモデルを対象に、温度設定（temperature）0、1エポックで検証した結果は以下の通りです。すべてのモデルにおいて、詳細度をautoに設定した方が高い精度を記録しています。

モデル名	詳細度設定	精度（Accuracy）	1質問あたりのコスト	1リクエストあたりの平均推論トークン数
gpt-5.5	low <br> auto	65.2% <br> 79.0%	5.1¢ <br> 4.5¢	1,180 <br> 730
gpt-5.4-mini	low <br> auto	46.1% <br> 55.8%	0.08¢ <br> 0.14¢	0 <br> 0
gpt-4.1	low <br> auto	40.1% <br> 57.5%	0.43¢ <br> 0.66¢	0 <br> 0
gemini-3.5-flash	low <br> auto	77.9% <br> 80.1%	2.96¢ <br> 2.80¢	2,876 <br> 2,602
gemini-3.1-pro	low <br> auto	75.5% <br> 78.4%	9.53¢ <br> 11.12¢	6,344 <br> 6,964

この検証結果から、モデルによって挙動の傾向が異なることが分かります。「gemini-3.5-flash」もgpt-5.5と同様に、low設定時に推論トークン数が増加し（2,876トークン対2,602トークン）、autoの方が安価に処理できています。一方で「gemini-3.1-pro」は、low設定時の推論トークン数が6,344と、auto時の6,964に比べてわずかに減少したため、low設定の方がコストが安くなりました。

また、推論機能を持たない通常のモデル（gpt-5.4-miniおよびgpt-4.1）は推論トークン数が0であるため、画像の詳細度を下げた分だけ、純粋に入力コストを抑えることができています。

画像の鮮明さと認識精度の相関

詳細度設定をlowからautoに切り替えることで得られる精度向上は、モデルによって2〜17ポイントと幅があります。

特にOpenAIのモデルで精度の伸びが大きい理由は、OpenAIのlow設定が画像を元のサイズに関わらず512x512ピクセルの正方形に一律で縮小し、少ない固定トークン数（gpt-4.1では85トークン）として処理するためです。これに対し、GoogleのGeminiモデルのlow設定は、縮小しても約273トークン相当の解像度を維持するため、もともとの画質低下が比較的緩やかであり、autoに切り替えた際の精度の変動幅が小さくなります。

精度向上の度合いは、入力する画像の種類によっても偏りがあります。検証データセットの76%を占めるテキストやOCR（画像からの文字認識）、19%を占めるスクリーンショットは、もともとモデルが認識しやすい限界値に近いため、詳細度を変えてもスコアの変動は僅かでした。一方で「チャートやグラフ」では顕著な差が現れており、gemini-3.1-proではlowからautoに変更することで精度が78.6%から91.7%へと大幅に向上しました。

具体例として、4つの酷似した図面から正しいものを選ぶ機械工学の試験問題では、画像をクリアなautoで処理したgpt-5.5は正解を選択できました。しかし、low設定にして画像が512ピクセル四方のサムネイルに縮小されると、図面内の細いハッチング（網掛け）や隠れ線が潰れて見えなくなり、モデルは長い思考時間を費やした末に誤答を選択しました。この事例は、潰れて読めなくなった画像を補うための手段として、長い推論時間をかけることは効果的ではないことを示しています。

効率的なコスト削減のアプローチ

検証結果からは、画像の詳細度を調整するよりも、モデルの推論レベル（推論の取り組み度）そのものを調整する方が、コスト管理において遥かに効果的であることが示されています。

画像詳細度を変更した場合は精度が大きく変動する一方でコストの変動はごく僅かですが、推論レベルを制限した場合は、精度への悪影響を最小限に抑えながらコストを50〜75%カットすることが可能です。

実際にgpt-5.5の推論設定を低レベル（reasoning=low）に制限した検証では、low詳細度での1質問あたりのコストが5.1¢から1.7¢へと67%削減されたのに対し、精度は65.2%から63.9%へと1.3ポイントの低下に留まりました。また、gemini-3.1-proのauto詳細度の実行において同様の推論制限を加えたところ、コストは11.1¢から2.7¢へと激減し、精度は誤差範囲内（1.5ポイントの上昇）でほぼ横ばいでした。

したがって、画像を用いたパイプライン処理のコストを抑えたい場合は、入力画像は鮮明な状態（autoまたはhigh）を保つことで認識精度を確保し、代わりにモデル側の推論の取り組み度を絞るアプローチが推奨されます。

推論機能を持たないモデルのケース

推論ステップを伴わない非推論モデルでは、詳細度をlowに下げることで、想定通りのコスト削減効果が得られます。

たとえば、gpt-5.4-miniでは、low設定にすることで1質問あたりのコストが0.14¢から0.08¢へと約40%安くなりました。ただし、精度は55.8%から46.1%へと低下するため、業務上の許容範囲に応じたトレードオフの考慮が必要です。

同様に、処理に要する遅延時間（レイテンシ）も変化します。gpt-4.1の平均応答時間は、auto設定時の1,148ミリ秒に対し、low設定時には960ミリ秒に短縮されました。

補足

本ベンチマークは、OpenAIおよびGoogleが提供する仕様に準拠し、OpenRouter上で対象モデルを実行して測定されたデータに基づいています。