Разработчик под ником teamchong показал довольно нестандартный способ сэкономить на использовании Claude Code. Он начал превращать текстовый контекст в изображения.
По его оценке, такой подход позволяет сократить расходы на токены на 60–70%.
Идея звучит почти как технический трюк на грани абсурда, но логика в ней есть. В ИИ-сервисах текст оплачивается по количеству токенов, а изображения считаются иначе — их стоимость фиксируется по размеру картинки.
Автор проекта заметил, что большие куски технического текста (логи, документация, системные промпты) можно «упаковать» в изображения и тем самым резко снизить объем токенов.
Читают прямо сейчас:
Почему короткий промпт может стоить дороже длинного — как устроена тарификация токенов изнутри и почему трюк с изображениями вообще работает
Claude Code: 6 инструментов и как снизить расход токенов 2026 — другие способы сократить расходы без риска потерять данные в PNG
ИИкономика: токены, GPU и бигтех — кто реально контролирует ИИ — почему стоимость токенов стала центральной инженерной проблемой и как бизнес с этим борется
Как это работает
Проект под названием pxpipe использует локальный прокси, который перехватывает запросы к Claude Code. Перед отправкой он берет «тяжелые» текстовые блоки и преобразует их в PNG-изображения.
Для модели это не выглядит как потеря данных — она все равно «читает» содержимое картинки. Но с точки зрения тарификации такие данные обходятся заметно дешевле, чем обычный текстовый ввод.
Автор утверждает, что особенно эффективно это работает на системных промптах, больших логах и технических описаниях — там, где текст плотный и плохо структурированный.
Откуда берется экономия
По оценкам разработчика, один и тот же объем текста может занимать десятки тысяч токенов, тогда как в виде изображения он «сжимается» до нескольких тысяч условных vision-токенов.
В реальных замерах он заявляет экономию примерно от 59% до 70% на стоимости запросов. Однако результат зависит от типа нагрузки: чем плотнее текст, тем лучше работает схема.
Где начинаются проблемы
Метод нельзя назвать универсальным. При работе с изображениями модель хуже справляется с точным восстановлением данных: могут теряться символы, путаться хеши, ID и другие строгие строки.
В некоторых тестах фиксируются ошибки чтения, а в худших случаях модель начинает уверенно «додумывать» недостающие значения. Поэтому автор прямо признает: использовать подход для криптографических данных, кодов или точных идентификаторов опасно.
