视觉曾经是付费升级项。在 2026 年 10 月的目录里它成了预算档标配：五款模型在 $0.16/M 以下就能原生读图，一款顶级全模态选项干脆免费，连西方高端选手的视觉价格也跌到了去年的零头。如果你的负载涉及截图、文档、UI 校验或商品图，“看得见”的成本已经崩塌。
这是目录驱动的排名——以下所有价格与标签来自 MeshTok 实时目录（2026-10-26，可在定价页复算）。按价位分组，并标注谁在图像之外还带音频或视频。
视觉选手一览
以下模型均带 vision 标签（原生图像输入），全部经同一 OpenAI 兼容端点 https://meshtok.com/v1 调用：
| Model id | 上下文 | 输入 $/M | 输出 $/M | 额外能力 |
|---|---|---|---|---|
agnes/agnes-2.0-flash | 512K | 免费 | 免费 | 智能体、tools |
bigmodel/glm-5.3-flash | 1M | $0.12 | $0.42 | tools、fast |
xiaomi/mimo-v2.6-flash | 1M | $0.15 | $0.30 | 音频输入 |
ali/qwen3.8-flash | 1M | $0.15 | $0.45 | tools、fast |
deepseek/deepseek-v4.1-flash | 1M | $0.15 | $0.60 | reasoning |
deepseek/deepseek-v4-flash-vision-exp | 1M | $0.15 | $0.60 | 实验视觉线 |
ali/qwen3.5-omni-flash | 256K | $0.33 | $1.98 | 音频 + 视频输入 |
google/gemini-3.8-flash | 1M | $0.75 | $3.75 | coding、reasoning、tools |
ali/qwen3.5-omni-plus | 256K | $1.04 | $5.95 | 音频 + 视频，全模态旗舰 |
stepfun/step-5-preview | 256K | $1.04 | $2.98 | 视频输入、编程旗舰 |
anthropic/claude-sonnet-5.5 | 1M | $2.00 | $10.00 | reasoning、tools |
anthropic/claude-opus-5.5 | 1M | $4.00 | $20.00 | 旗舰、reasoning、tools |
openai/gpt-6-astra | 400K | $10.00 | $50.00 | OpenAI 旗舰 |
预算档：$0.12–$0.15/M 的视觉
一年前不存在的档位，也是大多数图像量负载该待的地方：
- GLM-5.3-Flash（$0.12/$0.42）——目录里最便宜的带视觉模型。智谱首款原生多模态 GLM-5（320B 总参/18B 激活稀疏架构），读图价格落在去年纯文本模型的价位段。截图分类、票据解析、规模化内容审核，这就是价格地板。
- MiMo V2.6 Flash（$0.15/$0.30）——预算档唯一带
audio标签的：图像加声音输入，还是全目录最低输出价。语音转写加截图理解一个模型全包，对客服工具是真能打的组合。 - Qwen3.8 Flash（$0.15/$0.45）——阿里均衡 flash：图像加工具调用、1M 窗口。视觉调用还要触发 function call 时选它。
- DeepSeek V4.1 Flash（$0.15/$0.60）——给视觉加上
reasoning标签：图像需要思考时选它（读图表、看图问诊、照片里的数学题）。 - Agnes 2.0 Flash（免费）——零元、512K 窗口、图像理解自带。视觉管线打样、CI 冒烟、数据回填，免费就是比便宜强。
中档：全模态进阶（$0.33–$1.04/M）
- Qwen3.5 Omni Flash（$0.33/$1.98）——最便宜的真全模态：文本、图像、音频和音视频输入，为实时交互而生。语音助手和媒体理解管线从这里起步。
- Gemini 3.8 Flash（$0.75/$3.75）——Google 最强 Flash：视觉配
coding、reasoning标签，1M 窗口。同一个模型既要读截图又要照着写代码的混合负载选它。 - Qwen3.5 Omni Plus（$1.04/$5.95）——全模态旗舰档：Flash 不够用时的最高质量音视频理解。
- Step 5 Preview（$1.04/$2.98）——原生接受视频输入加文本图像，还带编程旗舰标签——对视频转代码和媒体工作流是窄但真实的优势。
高端档：挂在旗舰上的视觉（$2.00–$10.00/M）
**Claude Sonnet 5.5（$2.00/$10.00）**是截图调试冠军：vision + reasoning + tools 配 1M 窗口，是顶级智能体栈里最便宜的视觉方案。**Claude Opus 5.5（$4.00/$20.00）**和 **GPT-6 Astra（$10.00/$50.00）**属于硬核场景——数小时的智能体运行，模型要读屏、规划并行动。纯图像理解用它们属于杀鸡用牛刀；视觉只是附赠，不是付费理由。
一个月视觉流量多少钱
参考负载：每天 1M 输入 + 0.25M 输出 token，30 天（图像 token 按输入计费——视觉成本正集中在这里）：
| 模型 | 月成本 | 视觉档位 |
|---|---|---|
| Agnes 2.0 Flash | $0 | 免费 |
| GLM-5.3-Flash | $6.75 | 预算 |
| MiMo V2.6 Flash | $6.75 | 预算 + 音频 |
| Qwen3.8 Flash | $7.88 | 预算 + tools |
| DeepSeek V4.1 Flash | $9.00 | 预算 + reasoning |
| Qwen3.5 Omni Flash | $24.75 | 全模态 |
| Gemini 3.8 Flash | $50.63 | 中档 + 编程 |
| Step 5 Preview | $53.55 | 中档 + 视频 |
| Claude Sonnet 5.5 | $135.00 | 高端 |
| Claude Opus 5.5 | $270.00 | 高端旗舰 |
| GPT-6 Astra | $675.00 | OpenAI 旗舰 |
价差刺眼：同样满月图像重负载，预算地板 $6.75，市场之巅 $675——同一件基本工作相差 100 倍。
按负载选型
- 截图分类、票据、规模化审核 → GLM-5.3-Flash（$0.12 输入地板）
- 图像 + 语音留言（客服工具） → MiMo V2.6 Flash
- 图表、示意图、照片里的数学 → DeepSeek V4.1 Flash（vision + reasoning）
- 语音助手、音视频理解 → Qwen3.5 Omni Flash，要质量再上 Omni Plus
- 读屏然后写代码 → Gemini 3.8 Flash 或 Step 5 Preview
- 带截图的智能体循环 → Claude Sonnet 5.5（硬核末端上 Opus 5.5）
- 零预算打样 → Agnes 2.0 Flash
一个请求就能试
import base64
from openai import OpenAI
client = OpenAI(
base_url="https://meshtok.com/v1",
api_key="sk-your-MeshTok-key",
)
img = base64.b64encode(open("screenshot.png", "rb").read()).decode()
resp = client.chat.completions.create(
model="bigmodel/glm-5.3-flash", # 或 mimo-v2.6-flash, gemini-3.8-flash, claude-sonnet-5.5
messages=[{
"role": "user",
"content": [
{"type": "text", "text": "描述这张截图里的每一个 UI 元素。"},
{"type": "image_url", "image_url": {"url": f"data:image/png;base64,{img}"}},
],
}],
)价格反映 2026-10-26 的 MeshTok 目录；实时数字见定价页，单模型详情见模型页。纯文本预算档见2026年10月最便宜 AI API。