Fable 5被网友薅出省钱神招！最高减70%！
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：
- 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。
- 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）：
- 拦截请求：在 Claude Code 发出请求前，拦截其中臃肿的上下文。
- 渲染压缩：将文本重新排版为紧凑的 PNG 图片。
- 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：
| 模式 | 账单金额 | 上下文窗口占用 | 结果 |
|---|---|---|---|
| 原始文本 | $42.21 | 96% (已满) | 完成 |
| pxpipe 图片 | $6.06 | 73.5k / 1M | 完成 |
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：
- 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。
- 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
