Хитрый способ экономии в Fable 5 становится вирусным: сократите расходы до 70% с помощью контекста на основе изображений

ВведениеВ сообществе Fable 5 начал привлекать внимание один на удивление олдскульный приём: превращать длинный текстовый контекст в плотные изображения, а затем позволять модели считывать эти изображения обратно с помощью своей способности к компьютерному зрению.Звучит почти как создание маленькой шпаргалки к экзамену. Но в данном случае эта «шпаргалка» предназначена не для человека. Она предназначена для мультимодальной модели, которая умеет читать скриншоты. Один разработчик обнаружил, что при преобразовании контекста Claude Code в плотно упакованные PNG-изображения стоимость входных токенов в протестированных сценариях могла снизиться примерно на 59–70%.Базовая идея проста: системные промпты, документация по инструментам, вывод команд, логи и старая история диалога часто оказываются чрезвычайно «тяжёлыми» по числу токенов. Если эти блоки отрисовать в виде изображений, то стоимость в image-token будет в основном зависеть от размеров изображения, а не от объёма текста, упакованного в него.В этой статье рассматривается, что делает pxpipe, почему этот метод позволяет экономить, где он даёт сбой и как он связан с более ранними исследованиями, такими как CLIPPO, а также с более новыми работами по оптическому сжатию контекста, например DeepSeek-OCR.## Примечание об источникеЭта статья основана на оригинальной китайской публикации на BAAI Hub, где указано, что источником послужил материал QbitAI в WeChat. Среди исходных ссылок упоминаются GitHub-репозиторий pxpipe и статья о CLIPPO. Изображения, сохранённые ниже, представляют собой скриншоты, демо, диаграммы и скриншоты обсуждений в соцсетях, относящиеся к теме статьи. QR-коды, призывы подписаться, CTA для вовлечения и несвязанное декоративное оформление платформ были удалены.## Превратите контекст в «шпаргалку» и сократите расходыМетод, ставший вирусным, называется pxpipe. Это локальный прокси с открытым исходным кодом, который переписывает громоздкий входной контекст Claude Code до того, как запрос покинет вашу машину.Согласно описанию проекта, pxpipe снижает потребление токенов, визуализируя большие текстовые блоки в виде изображений. Те же системные промпты, документация по инструментам, вывод инструментов и старая история могут занимать значительно меньше токенов, если модель достаточно хорошо умеет читать плотно отрисованный текст.В одном из примеров около 48 000 символов системного промпта и документации по инструментам заняли бы примерно 25 000 токенов в виде обычного текста. После рендеринга в изображение размером 1573 × 1248 тот же контент, как сообщается, потребовал около 2700 image-token.Именно эта разница и даёт снижение стоимости.ПриблизительнаяЛогика такова:1. Стоимость текстовых токенов растёт вместе с объёмом текста.

1. Стоимость токенов изображения в основном определяется размерами в пикселях.
2. Плотный код, JSON, вывод инструментов, системные промпты и логи часто содержат много токенов на строку.
3. Если модель всё ещё может надёжно читать сжатое изображение, тот же самый контекст может стать дешевле для отправки.Некоторые разработчики шутили, что это буквальный случай выражения «картинка стоит тысячи слов». В данном случае шутка оказалась необычайно близка к технической реальности.## Что на самом деле делает pxpipepxpipe — это не новая модель и не традиционный OCR-движок. Он работает как локальный прокси между Claude Code и API модели.Перед отправкой запроса pxpipe ищет большие блоки, подходящие для сжатия. Затем он рендерит эти блоки в компактные страницы PNG и вставляет их обратно в запрос как входные изображения. Модель читает эти страницы через свой обычный канал зрения.Проще говоря, pxpipe работает как автоматический микропринтер для длинного контекста. Он не заставляет модель выполнять «OCR» текста в строгом инженерном смысле. Вместо этого он опирается на встроенную способность модели читать визуальный ввод, похожий на скриншоты.В README pxpipe объясняется, что он фокусируется на громоздком входном контексте, таком как:- Большие блоки tool_result, включая чтение файлов, вывод команд и логи.

• Более старая свёрнутая история диалога.
• Статические системные промпты и документация инструментов.Он намеренно не преобразует всё подряд. Недавние реплики, пользовательские сообщения, точные идентификаторы, небольшие блоки, разреженная проза и вывод модели остаются текстом.## Почему это может так сильно экономитьКлючевое несоответствие в ценообразовании заключается в том, что входные изображения и текстовыевходные данные измеряются по-разному.Для ориентированных на текст рабочих процессов разработчиков исходный материал часто имеет высокую плотность токенов. Код, логи, JSON, трассировки стека и схемы инструментов могут обходиться дорого, если отправлять их как обычный текст. Автор pxpipe предполагает, что в реальном трафике Claude Code плотный контент может упаковываться примерно по 3,1 символа на один токен изображения, по сравнению примерно с 1 символом на один текстовый токен.Это соотношение дает pxpipe возможность снижать стоимость, когда текст достаточно плотный.Автор также поделился сравнительной демонстрацией. В исходной текстовой версии тестовый прогон, как сообщается, завершился со счетом в $42.21 и почти полностью заполненным контекстным окном. В версии с pxpipe та же задача была выполнена за $6.06, при этом свободного места в контексте осталось значительно больше.Важная деталь состоит в том, что pxpipe сжимает только сторону запроса. Ответ модели по-прежнему обычно возвращается потоком в виде текста. Выходные токены он не сжимает.## Результаты бенчмарка и основная оговоркаМетод впечатляет, но он не является без потерь. Плотный контекст в изображениях сильно зависит от способности модели читать визуальную информацию.Скриншот бенчмарка pxpipe показывает, что Fable 5 хорошо справляется с несколькими задачами на контекст изображений, включая новую арифметику, воспроизведение общей сути, отслеживание состояния и некоторые тесты на воспроизведение плотно отрендеренного содержимого. Но точное воспроизведение строк — слабое место, особенно у моделей, которые плохо читают плотный текст.Упрощенная версия приведенной таблицы бенчмарка выглядит так:

• Секреты и ключи.
• Точные числовые значения.
• Недавние активные реплики в диалоге.
• Сообщения пользователей.
• Разреженный прозаический текст, недостаточно плотный по токенам, чтобы это давало выгоду.Именно поэтому проект и описывает экономию как зависящую от характера нагрузки. Если запрос в основном состоит из длинной прозы на естественном языке, сжатие может оказаться невыгодным. Если же запрос насыщен кодом, JSON, логами и выводом инструментов, экономия может быть значительно больше.## Как попробовать pxpipeАвтор приводит очень краткую схему запуска. Сначала запустите прокси локально, затем направьте Claude Code на этот прокси.```Bash
  npx pxpipe-proxy # прокси на 127.0.0.1:47821
  ANTHROPIC_BASE_URL=http://127.0.0.1:47821 claude # направить Claude Code на него

После запуска pxpipe также открывает локальную панель управления:Plaintext
http://127.0.0.1:47821/

5. Он отмечает, что когда передовые лаборатории внезапно сокращают расходы или заявляют, что «нашли способ резко уменьшить объём памяти, необходимый для инференса», секрет в том, что визуальный подход всегда побеждает. На изображении также показана статья Google Research о CLIPPO, чья ключевая идея заключается в том, чтобы рассматривать текст как пиксели, а не как отдельный текстовый поток: изображения и визуализированный текст обрабатываются общим Vision Transformer. По сравнению с традиционными моделями в стиле CLIP, CLIPPO при тех же параметрах способен выполнять задачи с изображениями, текстом и мультимодальными данными, а время обучения сокращается вдвое.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/fc619df0-1ec1-499e-be61-c9d4694419cf-11-29036419-6e72-4814-861e-9112de35adb1.png)Традиционные модели в стиле CLIP часто используют две башни: одну для изображений и одну для текста. CLIPPO устраняет это разделение, визуализируя текст как RGB-изображения и пропуская и изображения, и визуализированный текст через общий Vision Transformer.![На изображении показано сравнение архитектур моделей CLIP и CLIPPO. Слева в модели CLIP изображение проходит через слой CONV в Vision Transformer, а текст после WORD EMB и TOK поступает в Text Transformer; затем они взаимодействуют через Contrastive-механизм. Справа в модели CLIPPO и изображения, и текст проходят через слой CONV в Transformer, то есть раздельная обработка изображений и текста устранена. Это изображение тесно связано с контекстом и наглядно демонстрирует ключевую идею CLIPPO — обработку текста как RGB-изображения с использованием общего Vision Transformer, что делает его важным примером для понимания архитектуры модели CLIPPO.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/ab6bfa22-4731-412e-aad2-ebe018b87259-12-fe95229e-2cc9-4fb6-8b98-6447db331a95.png)Главный вывод здесь важен: текст не всегда должен поступать в модель в виде дискретных текстовых токенов. Его также можно преобразовать в пиксели и обрабатывать через визуальные каналы.## DeepSeek-OCR и оптическое сжатие контекстаОбсуждение такжеупомянул **DeepSeek-OCR**, который сосредоточен на оптическом сжатии для длинного контекста. В его репозитории проект описывается как «Contexts Optical Compression».![图片展示了两条推文。上方推文由JQ发布，内容提到大约一年前，Deepseek在其Deepseek OCR项目中尝试了将文本处理为图像的技术，当时人们对此压缩可能性感到兴奋。下方推文由Lucas Beyer回复，表示自己隐约记得此事。这两条推文与文档中关于pxpipe、DeepSeek-OCR等技术的讨论相关，说明pxpipe并非单一成本节省技巧，还连接了光学压缩等趋势。](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/e18d3fee-895e-4f98-bc1f-0a6b75e83154-13-76cabe63-a07e-49fb-b271-82995ed0c43a.png)![图片展示的是一个GitHub页面，页面标题为“deepseek
- ai/DeepSeek
- OCR: Contexts Optical Compression”。页面显示贡献者1人，问题248个，星标23k，fork 2k。下方有Matthew Campbell的评论，提到Deepseek在2025年10月也发布过类似内容，不确定这次还有什么新意。该图片与文档中关于pxpipe和DeepSeek
- OCR的讨论相关，表明pxpipe与DeepSeek
- OCR在光学压缩方面有相似之处，引发对二者关系的思考。](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/c078a32c-73e0-4766-bc59-9c40d0253f1e-14-ab418c5b-0ed8-4a8c-b44b-fa0edae93c3a.png)В этом смысле pxpipe — не просто разовый трюк для снижения затрат. Он связывает сразу несколько тенденций:1. CLIPPO показал, что текст можно обрабатывать как изображения.
2. DeepSeek-OCR исследовал оптическое сжатие для длинного контекста.
3. Fable 5, похоже, достаточно хорошо справляется с плотным визуальным чтением, чтобы это стало полезным в реальных рабочих процессах программирования.Однако остаётся жёсткое ограничение: надёжность точного воспроизведения строк. Некоторые комментаторы предположили, что проблему можно улучшить просто за счёт масштабирования более мощных визуально-языковых моделей.![这张图片展示了两条社交平台的推文对话，是对pxpipe相关技术问题的讨论。Shardul发布的推文指出，该技术存在信息丢失的弊端，像身份标识、哈希值这类需要精准完整的内容可能被错误解读；另一条Lucas Beyer的推文则简洁回应，认为只需扩大模型规模就能解决该问题。该对话对应文档中提及的pxpipe存在“精确字符串可靠性”局限，需依托更强的视觉语言模型优化的相关内容。](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/575261c3-6956-4e4e-b4cd-69fe2d468cc8-15-56d3aa86-021e-499a-8560-6f6ded3163de.png)## Практические выводыpxpipe наиболее полезен, когда контекст большой, плотный и не требует критической точности. Сеансы программирования — естественный вариант применения, потому что агенты часто перечитывают файлы перед их редактированием, что может снижать риск действий на основе неверно прочитанного блока изображения.Он хуже подходит для рабочих процессов, где важна точная посимвольная реконструкция. Если задача зависит от идентификаторов, хэшей, учётных данных, точных юридических формулировок, финансовых чисел или другого чувствительного к точности содержимого, к сжатию на основе изображений следует относиться с осторожностью.Разумный способ использовать pxpipe — держать его как слой оптимизации, а не как границу доверия. Пусть он сжимает объёмный контекст там, где это математически выгодно, но критически важные значения оставляйте в текстовом виде и проверяйте панель управления при отладке странного поведения модели.## FAQ### Что такое pxpipe?pxpipe — это локальный прокси, который снижает расход токенов, преобразуя объёмный входной контекст Claude Code в компактные PNG-изображения. Он предназначен для плотного контекста, такого как выводы инструментов, логи, код, системные промпты и более старая история диалога.### Как pxpipe снижает затраты на Fable 5?Он использует тот факт, что стоимость токенов для изображений в основном зависит от размеров в пикселях, тогда как стоимость текстовых токенов растёт вместе с объёмом текста. Если модель может надёжно читать плотно отрисованный текст, большие блоки могут обходиться дешевле в виде изображений, чем в виде обычного текста.### Сжимает ли pxpipe вывод модели?Нет. pxpipe сжимает только выбранные входные блоки перед отправкой запроса. Модель的ответ по-прежнему обычно передаётся в виде текста, поэтому количество выходных токенов не уменьшается.### Является ли сжатие контекста с помощью изображений без потерь?Нет. Это метод сжатия с потерями. Он может хорошо работать для широкого контекста, отслеживания состояния и многих задач программирования, но точные строки, такие как идентификаторы, хеши, секреты и точные числа, могут быть распознаны неверно.### Могу ли я использовать pxpipe с любой моделью?Не безопасно. В собственной документации pxpipe поддержка моделей рассматривается как ограниченная и зависящая от типа нагрузки. Некоторые модели значительно хуже читают плотный отрисованный текст, чем другие, поэтому неподдерживаемые или более слабые модели должны получать данные в виде текста, если только это явно не включено.### Какой контент следует оставлять в виде текста?Идентификаторы, хеши, секреты, точные числа, сообщения пользователей, недавние реплики и другие критически важные для точности блоки следует оставлять в виде текста. pxpipe лучше подходит для длинных, плотных и менее чувствительных к побайтовой точности материалов, таких как журналы, документация по инструментам и старая история.### Как запустить pxpipe локально?Запустите прокси с помощью `npx pxpipe-proxy`, затем запустите Claude Code с `ANTHROPIC_BASE_URL=http://127.0.0.1:47821 claude`. Локальная панель управления доступна по адресу `http://127.0.0.1:47821/`.## Связанные инструменты- [pxpipe](https://github.com/teamchong/pxpipe): локальный прокси, который преобразует объёмный контекст Claude Code в PNG-изображения, чтобы сократить использование входных токенов.
- [Claude Code](https://code.claude.com/docs/en/overview): агентный инструмент программирования от Anthropic для терминала, IDE, настольных приложений и браузерных рабочих процессов.
- [Anthropic Messages API](https://platform.claude.com/docs/en/api/messages): API-интерфейс, через который отправляются запросы в формате сообщений в стиле Claude.
- [Anthropic Token Counting](https://platform.claude.com/docs/en/api/messages/count_tokens): официальная документация API для оценки количества токенов в запросах сообщений.
- [DeepSeek-OCR](https://github.com/deepseek-ai/DeepSeek-OCR): проект с открытым исходным кодом, исследующий оптическое сжатие текста для длинного контекста.## Связанные ссылки- [Original BAAI Hub Article](https://hub.baai.ac.cn/view/56137): исходная статья на китайском языке, в которой обсуждался ставший вирусным метод экономии затрат с помощью pxpipe.
- [pxpipe GitHub Repository](https://github.com/teamchong/pxpipe): исходный код проекта, README, бенчмарки, ограничения и команды использования.
- [CLIPPO Paper on arXiv](https://arxiv.org/pdf/2212.08045): статья 2022 года, посвящённая исследованию понимания изображений и языка только по пикселям.
- [DeepSeek-OCR GitHub Repository](https://github.com/deepseek-ai/DeepSeek-OCR): официальный репозиторий Contexts Optical Compression.
- [Claude Code Documentation](https://code.claude.com/docs/en/overview): официальная документация по использованию Claude Code в разных средах.
- [Anthropic Computer Use Tool](https://platform.claude.com/docs/en/agents-and-tools/tool-use/computer-use-tool): официальная документация по возможности взаимодействия Claude с компьютером на основе скриншотов.
- [Anthropic Messages API](https://platform.claude.com/docs/en/api/messages): официальная справка по отправке запросов к моделям Claude в формате сообщений.## Краткое резюмеpxpipe демонстрирует изобретательный способ снизить затраты на входные данные в Fable 5: преобразовывать насыщенный токенами контекст в компактные изображения и позволять модели считывать эти изображения с помощью своей способности работать со зрительной информацией. Для плотных рабочих нагрузок, связанных с программированием, это может значительно сократить затраты на стороне запросаменьшее потребление токенов и более низкая сквозная стоимость.Компромисс заключается в том, что этот метод является с потерями. Он может сохранять достаточно смысла для многих рабочих процессов, связанных с программированием и отслеживанием состояния, но на него не следует полагаться для побайтно точного воспроизведения идентификаторов, хэшей, секретов или точных чисел.Более общий вывод состоит в том, что текст внутри ИИ-систем не всегда должен оставаться текстом. CLIPPO, DeepSeek-OCR и pxpipe указывают на одну и ту же идею: пиксели могут стать практичным слоем сжатия для длинного контекста.Лучший сценарий использования очевиден: сжимать объёмный контекст, не требующий высокой точности, но сохранять критически важные точные значения в обычном тексте.