henry 发自 凹非寺 | 量子位公众号 QbitAI

谁能想到，网友当年考生靠“微缩打印”做小抄的薅出土办法，在大模型时代竟然成了省钱利器。省钱神招

近日，最高一位技术极客发现了一个“邪门”技巧：将 Fable 5 的网友长文本上下文渲染为高密度图片，利用模型的薅出 OCR 能力读取，可将 Token 输入成本最高降低 70%。省钱神招

这一招不仅适用于普通对话，最高系统提示词（System Prompt）、网友工具文档、薅出历史记录等长文本均可打包进图片。省钱神招

实测案例显示：

• 传统方式：约 4.8 万字符的最高系统提示与文档，需消耗约 2.5 万 Token。网友
• 图片方式：渲染为 1573×1248 分辨率的薅出图片后，仅需约 2700 个 Image Token。省钱神招

按 Fable 5 当前定价计算，端到端账单实际下降了 59% 至 70%。

这不仅是技术的胜利，更像是一场数字时代的“微缩考试”。

网友调侃：“真·压缩即智能。”

更有网友戏称：“这招千万别让 Dario（Anthropic CEO）知道，不然他肯定限制图片上传。”

pxpipe：把上下文做成“小抄”，账单砍半

该项目名为 pxpipe，目前在 GitHub 已收获 3000+ Star。

作者直言不讳：这就是将 Fable 5 的文本上下文渲染为图片，以极致压缩 Token 用量。

核心原理：计价差异套利

这一“邪修”手段的核心，在于利用了 图片 Token 与文本 Token 的计价逻辑差异：

1. 图片成本由像素决定：只要模型能看清字，图片内包含的文字量不影响 Token 计费。
2. 文本成本由字符决定：每个字符对应固定 Token。

对于代码、JSON、工具输出、系统提示等高密度文本，将其压缩为 PNG 图片，性价比远高于直接输入文本。

据 pxpipe 作者测算，在真实 Claude Code 流量中：
* 图片输入：每个 Image Token 可容纳约 3.1 个字符。
* 文本输入：每个 Text Token 仅容纳约 1 个字符。

技术实现：本地代理 + 视觉通道

pxpipe 本质上是一个本地代理（Local Proxy）：

1. 拦截请求：在 Claude Code 发出请求前，拦截其中臃肿的上下文。
2. 渲染压缩：将文本重新排版为紧凑的 PNG 图片。
3. 视觉注入：通过 Anthropic 的 Computer Use（视觉通道）将图片喂给模型。

换言之，pxpipe 并非让模型进行传统 OCR 识别，而是利用模型自带的看图能力，将大段上下文伪装成“屏幕截图”输入。

实测对比：效果显著

作者提供了直观的性能对比：

Fable 5 成功从图片化上下文中提取关键信息，完成了计数和多步账本运算。

局限性：有损压缩与模型差异

此方法并非万能，存在明显局限：

1. 模型依赖性强：作者使用 Opus 4.8 测试时，虽能处理普通文本，但在图片化内容的词频统计上失败。
2. 有损风险：这是一种有损压缩。Fable 5 能勉强读取密集图片中的精确字符串，但 Opus 容易出错，且可能自信地编造错误结果而非报错。

注：Benchmark 证明，在 Fable 5 上，图片化高密度上下文不影响语义理解和状态追踪，但涉及逐字精确读取时存在风险。

因此，pxpipe 采取选择性压缩策略：
* 保留：ID、哈希、密钥、精确数字、最近几轮对话。
* 压缩：系统提示词、工具文档、早期历史记录、大型工具输出。

快速上手

启动仅需两行命令：

npx pxpipe-proxy # 启动代理，监听 127.0.0.1:47821ANTHROPIC_BASE_URL=http://127.0.0.1:47821 claude # 指向代理

启动后，可通过本地 Dashboard (http://127.0.0.1:47821/) 查看：
* Token 节省统计
* 文本转图片前后对比
* Kill Switch（紧急停止）
* 当前模型标签

注意：pxpipe 仅压缩输入侧上下文，模型响应仍正常流式返回。

历史回响：从 CLIPPO 到 DeepSeek-OCR

pxpipe 的爆火，并非孤立事件，而是多条技术路线的交汇。

1. 谷歌 2022 年论文：CLIPPO

有学者指出，早在 2022 年，谷歌就提出了 CLIPPO项目。

核心思想：将文字视为图片处理。
* 传统 CLIP 使用两套编码器（视觉+文本）。
* CLIPPO 将文本渲染为 RGB 图片，让同一个 Vision Transformer 同时处理真实图片和“文字图片”。
* 结果：无需 Tokenizer 和文本塔，在图像分类和图文检索上性能仅落后 1-2 个点。

这证明了：文字不一定非要以 Token 形式进入模型，像素化同样可行。

2. DeepSeek-OCR：视觉压缩路线

评论区还提到了 DeepSeek-OCR，其主打长上下文的视觉压缩。

pxpipe 文档引用其数据：
* 压缩倍率 < 10x：解码精度约 97%。
* 压缩倍率 ≈ 20x：解码精度降至约 60%。

总结：技术路线的交汇

pxpipe 的走红，标志着三条技术线的融合：
1. CLIPPO证明了“文字可当图看”。
2. DeepSeek-OCR证明了“上下文可做光学压缩”。
3. Fable 5让普通用户在生产环境中首次触达这一套利空间。

用图像作文本输入，究竟是大势所趋，还是极客的临时 workaround？值得持续观察。

参考文献：
[1] https://github.com/teamchong/pxpipe
[2] https://arxiv.org/pdf/2212.08045