没想到人类当年靠微缩打印做小抄的土办法在大模型身上也照样管用。这两天有位机智的老哥发现只要把Fable 5的上下文转换成一张张密密麻麻写满文字的图片再让模型通过OCR读回来token输入成本最多能省下70%。没想到人类当年靠微缩打印做小抄的土办法在大模型身上也照样管用。这两天有位机智的老哥发现只要把Fable 5的上下文转换成一张张密密麻麻写满文字的图片再让模型通过OCR读回来token输入成本最多能省下70%。更离谱的是不只是普通对话系统提示、工具文档、历史记录全都能一股脑塞进图里。空说无凭老哥还真给了一个例子大约4.8万字符的系统提示词和工具文档如果直接按文本输入大约需要2.5万token但把它们渲染成一张上面1573×1248的图片后只需要约2700个image token。按Fable 5现在的价格计算实测端到端账单下降了59%到70%。这一图胜过千言万语还真有以前考试微缩、写小字的味儿了。真·压缩即智能。网友看完直接表示这招可千万别让Dario知道了。你也不想你的Fable 5限制上传图片吧。把上下文做成小抄账单直接砍七成开头提到的这个邪修Fable 5的方法名叫pxpipe目前在GitHub已经收获3000 STAR。在说明里作者也是直抒胸臆的表示这玩意就是把Fable 5的文本上下文渲染成图片以降低的token用量。之所以能这么“邪修”关键在于一个计价差异图片的token成本主要由像素尺寸决定而不是由图片里塞了多少文字决定。也就是说只要模型还能读清图片里的字那么同样一段内容压成一张密密麻麻的PNG可能就比直接作为文本输入更便宜。尤其是代码、JSON、工具输出、系统提示词、工具文档这类内容本身就非常token密集。按照pxpipe作者的测算在真实Claude Code流量中这类内容如果作为图片输入大约可以做到每个image token容纳3.1个字符但如果作为文本输入约等于每个text token只能容纳1个字符。而这就给了pxpipe操作空间。pxpipe本质上是一个本地代理拦截Claude Code发出的请求在请求离开本机之前先把其中比较臃肿、适合压缩的上下文重新排版成一张张紧凑的PNG图片再塞回请求里发给模型。模型读这些图片走的则是同一个视觉通道——也就是Anthropic的computer use功能读取屏幕截图时依赖的那条通道。换句话说pxpipe并不是让模型“真正OCR”文本而是利用模型本来就具备的看图能力把大段上下文伪装成截图喂进去。说白了就是一个自动的微缩“打印机”。后面为了证明这招不是纯脑洞作者也放了一个对比demo。同样一组任务原始文本版本跑到最后账单是42.21美元上下文窗口已经占满96%而pxpipe版本只花了6.06美元上下文还只用了73.5k/1M。也就在省钱的同时任务也照样完成了Fable 5依然能从图片化上下文中读出关键信息完成计数和多步账本运算。不过这也不是一招鲜吃遍天。作者用Opus 4.8跑了同样的实验普通文本needle没问题但一到图片化内容里的词频统计Opus就读不出来了。与此同时这也意味着这是一种有损压缩非常吃模型的视觉读取能力。密集图片里的精确字符串Fable 5还能勉强读Opus就很容易翻车更危险的是错了也未必报错而是自信编出一个看似合理的结果。注这组benchmark证明在Fable 5上把高密度上下文渲染成图片基本不影响语义理解和状态追踪还能显著省token但一旦涉及逐字读取精确字符串就会暴露有损压缩的风险所以pxpipe也没有把所有内容都图片化而是保留ID、哈希、密钥、精确数字和最近几轮对话只压缩系统提示词、工具文档、较早历史记录、大型工具输出这些“又长又密”的内容。最后如果想自己试一下也很简单作者给的启动方式只有两行npx pxpipe-proxy # proxy on 127.0.0.1:47821ANTHROPIC_BASE_URL http://127.0.0.1:47821 claude # point Claude Code at it启动后本地还有一个dashboardhttp://127.0.0.1:47821/里面可以看到节省了多少token、每一次文本转图片的前后对比、kill switch以及当前启用的模型标签。需要注意的是pxpipe只压缩请求不压缩模型输出。也就是说响应还是正常流式返回它动的只是输入侧那些大块上下文。谷歌2022年老论文早已证明这项目一经发出后也是一石激起千层浪谁叫fable 5这么贵。有网友表示这招我早就在用了。还有学者翻出了谷歌2022年的老论文CLIPPO。简单来说跟pxpipe的做的差不多CLIPPO的核心思想就是把文字也当成图片处理。传统CLIP通常是两套编码器一套看图一套读文本。CLIPPO则直接把文本渲染成RGB图片让同一个Vision Transformer同时处理真实图片和文字图片连图片 问题也可以拼成一张图一起喂进去。这样一来模型不再需要tokenizer、文本tower和word embedding但在图像分类、图文检索上依然接近CLIP风格模型只差1-2个点。也就是说文字不一定非得以token的形式进入模型也可以先变成像素。此外评论区里还有不少网友提到了DeepSeek-OCR。在DeepSeek OCR中主打的就是把长上下文做成视觉压缩。pxpipe文档里也专门拿它解释这条路线低于10x压缩时能有约97%解码精度接近20x时降到约60%。所以这次pxpipe的热闹可能不只是一个“省钱小工具”引发的。它更像是把过去几年几条线突然接上了CLIPPO证明文字可以当图看DeepSeek-OCR证明上下文可以做光学压缩而Fable 5这代模型则让普通用户第一次在真实生产工具里摸到了这个套利空间。话说用图像作文本输入有没有搞头