Nano Banana 2 和 Pro API 省钱攻略：轻松省50%以上（2026完整指南）

Google 的 Nano Banana 系列已经迅速成为 AI 图片生成领域的首选方案，从 Gemini 聊天机器人的视觉输出到企业营销流水线，无处不在。Nano Banana 2 和 Nano Banana Pro 提供了当前最顶级的 AI 生成图片质量，但一旦超出日常使用范畴，API 费用就会快速攀升。按照 Google 的标准费率，每月生成 10,000 张 1K 分辨率的图片，Nano Banana 2 需要 $670，Nano Banana Pro 则高达 $1,340。好消息是，你完全不必支付这些全价。通过组合 Batch API 折扣、第三方平台和智能模型选择，你可以在不牺牲输出质量的前提下，将每张图片的成本降低50%到79%。本指南将逐一拆解每个定价层级，对比五种经过验证的省钱策略，并给出精确的数据帮你做出最适合预算的决策。

要点速览

以下是2026年 Nano Banana 2 和 Pro API 省钱方案的快速总结：

本指南中所有价格均已对照 Google 官方定价页面验证，截至2026年3月31日。由于 Google 可能会不定期调整 API 费率，在制定成本优化策略之前，请务必在 ai.google.dev/pricing 确认最新定价。

省钱效果最显著的组合方式是将 Batch API（自动50%折扣）与 Nano Banana 2 搭配使用。以4K分辨率为例，每张图片的成本从 $0.240（Pro 标准价）直降至 $0.076（NB2 Batch 价），降幅高达68%，而且除了切换到批处理模式之外，不需要任何额外配置。

官方定价全面解读——每个分辨率、每个层级

理解完整的定价矩阵是制定任何省钱策略的基础。Google 对 Nano Banana 图片生成的定价基于两个变量：你选择的模型和输出分辨率。Nano Banana 2 和 Nano Banana Pro 都提供标准（Standard）和批处理（Batch）两种定价层级，二者之间的差距相当可观。

Nano Banana 2 运行在 gemini-3.1-flash-image-preview 模型上，面向需要快速、高并发图片生成的开发者。它于2026年2月26日发布，将 Nano Banana Pro 的视觉质量与 Gemini Flash 的速度特性融为一体。定价结构体现了这种速度优先的定位，在每个分辨率级别上都比 Pro 便宜不少。

Nano Banana Pro 使用 gemini-3-pro-image-preview 模型，专为专业级素材生产设计。它利用先进的推理能力来处理复杂构图、精确文字渲染和多对象场景。高端质量意味着高端价格——在相同分辨率下，价格大约是 Nano Banana 2 的两倍。

以下是完整定价矩阵，涵盖每个分辨率层级，直接来自 Google 官方定价页面（ai.google.dev/pricing，2026年3月31日验证）：

从这张表格中可以看出几个直接影响省钱策略的关键规律。首先，Batch API 在所有模型和分辨率组合中一律降价50%，非常一致。其次，在1K及以上分辨率中，Nano Banana 2 都比 Nano Banana Pro 便宜，而且分辨率越高差距越大。第三，一个有趣的反转出现在低分辨率：NB Pro 在0.5K下实际上比 NB2 更便宜（$0.039 vs $0.045），对于缩略图级别的图片反而更划算。

值得了解的是，这些价格背后是基于 token 消耗的计费方式。Nano Banana 2 使用 Gemini 3.1 Flash 的 token 定价结构，输入 $0.50/百万 token，输出 $60.00/百万 token，图片输出根据分辨率消耗不同数量的 token。在1K分辨率下，一张生成图片大约消耗1,117个输出 token，换算成每张图片 $0.067 的价格。理解这种基于 token 的定价模型对于估算同时包含文本和图片输出的请求成本非常有帮助，因为文本部分按照远低于图片的文本 token 费率计费，只有图片输出才会触发较高的图片定价。

Google 还实施了基于层级的速率限制，会影响你生成图片的速度。从2026年4月1日起，所有层级都将启用消费上限。Tier 1 账户（已启用计费但无消费记录）的月度上限为 $250。Tier 2 账户（3天以上累计消费 $100+）每月上限为 $2,000。Tier 3 账户（30天以上累计消费 $1,000+）有更高的限额，适合生产级工作负载。如果你正在扩大图片生成规模，请确保账户层级与预期月度消费匹配，避免意外触及上限。

如需更详细的单模型定价拆解，请参阅我们的 Nano Banana 2 完整定价分析和 NB Pro API 定价指南。

Nano Banana 2 对比 Pro——哪个更省钱？

选择 Nano Banana 2 还是 Nano Banana Pro，是你要做的第一个也是影响最大的成本决策。两个模型之间的价格差异从37%到50%不等（取决于分辨率），而在很多使用场景中，输出质量的差异几乎可以忽略。精确了解每个模型在何时表现更优，能帮你避免为用不上的能力多花冤枉钱。

Nano Banana 2 的图片生成速度大约是 Nano Banana Pro 的两倍，同时保持了很强的视觉质量。它支持所有相同的分辨率（512px到4K）、相同的宽高比（包括4:1和8:1等超宽格式），以及相同的搜索增强生成（search-grounded generation）来减少幻觉。它相比 Pro 的不足之处在于处理极其复杂的多对象构图，以及在专业摄影风格输出中达到绝对最高的保真度。对于绝大多数开发者用例——产品效果图、营销素材、社交媒体内容、UI 占位图——Nano Banana 2 的生成效果与 Pro 在视觉上几乎无法区分。

在大批量使用时，成本差异非常显著。假设一个团队每月生成5,000张1K分辨率的图片。使用 Nano Banana Pro 标准定价，月度账单为 $670。切换到 Nano Banana 2 标准定价则降至 $335，瞬间省下50%。再叠加 Batch API，同样5,000张图片每月只需 $170，比原来的 Pro 标准价降低了75%，而大多数终端用户根本注意不到质量差异。

两个模型的功能差异也值得在价格和速度之外深入了解。Nano Banana 2 支持最多14张参考图片（10个对象或4个角色），而 Nano Banana Pro 支持6个对象或5个角色。两个模型都包含 Google 搜索增强功能以提高生成图片的事实准确性，以及用于营销物料和信息图的高级文字渲染，还有可配置强度级别的思维模式来处理复杂提示。关键区别在于 Pro 使用高级推理来处理空间关系和构图逻辑，这是 Flash 架构模型偶尔会遇到困难的领域，特别是在涉及三个或更多不同对象交互的场景中。

在两个模型之间做出实际选择时，取决于你的主要输出类型。对于电商产品图片、社交媒体图形、博客配图和 UI 效果图，Nano Banana 2 在1K或2K分辨率下就能提供出色效果，成本低37-50%。对于广告大片、编辑摄影、精细角色插画，以及客户会在全画幅放大审查图片质量的任何输出场景，Nano Banana Pro 的溢价是合理的。许多生产团队采用混合策略：用 NB2 打草稿和迭代，然后用 NB Pro 重新生成最终确认的概念以获得最高质量。

什么时候应该选择 Nano Banana Pro 而不是 NB2： 对最高保真度有要求的专业摄影和艺术创作，需要高级推理的复杂多角色场景，以及不计成本追求最佳输出的企业客户。除此之外，Nano Banana 2 都是更明智的经济选择。我们的NB2 与 NB Pro 详细对比用并排样例深入分析了质量差异。

策略一——Batch API 自动省50%

Google 的 Batch API 是最简单的省钱手段，几乎不需要改动你现有的工作流。通过 Batch API 端点生成的每张图片，无论模型还是分辨率，价格都恰好是标准价的一半。唯一的条件是你接受最长24小时的处理窗口，而不是实时返回结果。

Batch API 的工作方式非常直观。你不再向标准端点逐个发送图片生成请求，而是将请求编译到一个 JSONL 文件中，每一行代表一个生成任务。你将这个文件上传到 Google 的批处理系统，它会在24小时内返回所有完成的图片。实际上，大多数批处理任务的完成速度远快于24小时的窗口期，对于1,000张以内的批次，通常在2-4小时内就能完成。

以下是一个简单的 Python 示例，展示如何提交批处理图片生成任务：

python
import google.generativeai as genai
import json

genai.configure(api_key="YOUR_API_KEY")


requests = []
for i, prompt in enumerate(your_prompts):
    requests.append({
        "model": "gemini-3.1-flash-image-preview",
        "contents": [{"parts": [{"text": prompt}]}],
        "generationConfig": {
            "responseModalities": ["IMAGE"],
            "imageGenerationConfig": {"aspectRatio": "16:9"}
        }
    })

# Write JSONL file
with open("batch_input.jsonl", "w") as f:
    for req in requests:
        f.write(json.dumps(req) + "\n")

# Submit batch job
batch_job = genai.batches.create(
    model="gemini-3.1-flash-image-preview",
    src="batch_input.jsonl",
    dest="batch_output/"
)
print(f"Job ID: {batch_job.name}, Status: {batch_job.state}")

Batch API 非常适合任何不要求图片即时返回的工作流：内容生产流水线、定时营销素材生成、批量产品图片创建，或数据集准备。对于交互式图片编辑器或聊天机器人驱动的实时生成等应用，你仍然需要标准 API，但即便如此，你也可以将非紧急请求路由到批处理端点来降低整体成本。

很多开发者容易忽略的一个关键因素是生成失败带来的实际成本影响。根据社区测试和开发者论坛的反馈，Nano Banana 图片生成的首次成功率大约在70-90%之间，取决于提示的复杂度。当生成因安全过滤、内容政策限制或模型容量问题而失败时，你不会被收取失败请求的费用。但你需要考虑重试带来的额外开销。以80%的成功率计算，生成1,000张成功图片实际上需要大约1,250次 API 调用。按 NB2 标准定价计算，实际成本约为 $83.75，而理论成本只有 $67.00。Batch API 在一定程度上缓解了这个问题，因为批处理任务由于在处理流水线中自带自动重试机制，成功率往往更高，而且50%的折扣是按成功输出计费，而非按请求次数。

另一个值得采用的批处理优化技巧是智能分批。与其提交一个包含100,000张图片的超大批次，不如将工作量拆分为每批1,000-5,000张。更小的批次完成速度更快（通常在1小时内而非完整的24小时窗口），允许你尽早发现提示问题并在浪费大量资源之前做出调整，同时也能按项目或活动提供更精细的成本追踪。如需完整的批处理优化教程，请参阅我们的 Batch API 定价深度解析。

策略二——第三方平台省50-79%

除了 Google 自身的定价层级，一个日益壮大的第三方 API 平台生态正在以大幅降低的价格提供同样的 Nano Banana 2 和 Pro 模型访问。这些平台作为 API 代理运营，通过自己的 Google Cloud 基础设施路由你的请求，并将基于规模的折扣传递给用户。成本降幅可以非常惊人：Google 在 NB2 标准层级对4K图片收费 $0.151，而一些第三方平台对同样的生成只收 $0.02-$0.05。

目前市场上最可靠的第三方平台包括那些将多个 AI 模型聚合在单一 API 端点后面的平台。这种方式对开发者的好处是只需维护一个计费关系、统一的 API 格式，以及平台间的自动故障转移。对于 Nano Banana 来说，价格优势在高分辨率下最为明显，因为 Google 的每张图成本在那里最高。

其中一个平台 laozhang.ai 以大约每张图片 $0.05 的价格提供 Nano Banana Pro 和 NB2 访问，不区分分辨率。在4K分辨率下，这相比 Google NB2 标准价（$0.151）节省了67%，相比 NB Pro 标准价（$0.240）节省了79%。该平台支持标准的 OpenAI 兼容 API 格式，这意味着大多数现有代码只需更改 base URL 和 API key 就能切换平台。你可以查看最便宜的 Nano Banana 2 API 方案了解更多平台对比。

以下是截至2026年3月最成熟的第三方平台对比，基于公开定价和开发者社区反馈：

某些平台采用的统一价格模式值得特别关注。当一个平台对任何分辨率都收取 $0.05 时，节省比例会因输出尺寸的不同而产生巨大变化。在0.5K分辨率下，你实际上比 Google NB2 标准价还贵（$0.05 vs $0.045），用来生成缩略图并不划算。在1K下，第三方稍微便宜一些（$0.05 vs $0.067，省25%）。但到了4K，同样的统一价格比 NB2 标准价省了67%（$0.05 vs $0.151），比 NB Pro 标准价省了79%（$0.05 vs $0.240）。这种随分辨率变化的性价比意味着，第三方平台最适合那些主要生成高分辨率图片的团队。

使用第三方平台也有一些合理的权衡需要考虑。响应时间可能会因平台的基础设施和当前负载而略有波动。你在应用程序和底层 Google 模型之间增加了一层依赖，引入了一个额外的潜在故障点。不同平台的数据隐私政策各异，你应该审查每个平台关于图片存储和保留的条款。一些平台为了交付优化会临时缓存生成的图片，这可能与敏感内容的隐私要求不符。然而，对于成本敏感的生产工作负载来说，当绝对最低的每张图片价格比保证亚秒级延迟更重要时，第三方平台代表了 Nano Banana 生态中最大的省钱机会。

策略三——智能分辨率与模型选择

最容易被忽视的省钱策略不需要第三方服务，也不需要批处理等待。它只是为每个具体用途选择合适的分辨率和模型组合，而不是对所有请求都默认使用最高设置。很多开发者将 API 设置为对所有输出都生成4K图片，即使最终显示尺寸只是300px的缩略图或1080p的社交媒体帖子，白白浪费了高达70%的预算在不必要的分辨率上。

实用的分辨率选择框架从了解生成图片的实际展示场景开始。社交媒体帖子、博客缩略图和聊天界面几乎不会展示超过1024px的图片。对于这些用途，1K层级每张 $0.067（NB2 标准）或 $0.034（NB2 Batch）已经绰绰有余。只有用于印刷品、大尺寸屏幕展示或对细节要求极高的专业应用，才真正需要2K或4K级别的生成。

将这种分辨率意识与策略性模型选择结合起来，就能创造出强大的优化矩阵。考虑将所有大批量、标准质量的请求通过 Nano Banana 2 的1K分辨率处理，而只对主视觉和优质内容保留 Nano Banana Pro 的2K或4K。一个每月生成10,000张图片的内容平台可以这样分配：8,000张标准图片用 NB2 1K（$0.067/张 = $536），加上2,000张优质图片用 NB Pro 2K（$0.134/张 = $268），总计 $804。相比之下，全部10,000张都用 NB Pro 2K 标准定价则是 $1,340。混合方案省了40%，同时在重要的地方保持了高端质量。

这种混合策略之所以有效，是因为大多数应用本身就内建了自然的质量分层。一个 SaaS 产品可能用512px分辨率的 NB2 生成快速预览缩略图（$0.045/张），在主界面以1K展示已选图片（$0.067/张），只有当用户明确请求高分辨率导出时，才用 NB Pro Batch 以4K渲染最终的下载输出（$0.120/张）。通过让 API 分辨率与实际显示场景对齐，你就避免了一个常见陷阱——为所有图片都生成最高质量，而其中80%实际上只会以缩小尺寸被浏览。

智能选择的另一个维度涉及 Gemini 的宽高比支持。NB2 和 NB Pro 都支持14种不同的宽高比，从正方形（1:1）到超宽幅（8:1）。从一开始就以正确的宽高比生成图片，可以消除后期裁剪或调整大小的需要，避免质量损失和额外的处理开销。对于竖版移动端内容，直接使用9:16而不是生成1:1再裁剪。对于电影风格的主横幅，使用21:9而不是生成16:9再加黑边。这种对宽高比选择的关注并不直接降低每张图片的 API 费用，但它消除了因格式不对而需要重新生成导致的浪费。

对于想要用免费方案补充付费使用的团队，我们的免费使用 Nano Banana 2 指南介绍了可用的免费层级及其限制。

月度成本计算器——你实际会花多少钱？

上面几节中的抽象每张图价格，当投射到真实的月度用量时就变得非常具体了。以下计算器使用 Nano Banana 2 的1K分辨率作为基准，因为这是生产应用中最常见的配置。费用线性增长，所以你可以在这些基准之间进行插值来估算任意用量。

这些数字揭示了不同用量范围下的清晰决策点。对于低用量（每月500张以下），各种方案之间的成本差异只有几十美元，所以便利性和实时可用性应该成为你的选择驱动力，而非纯粹的成本优化。NB2 标准 API 每月500张图片 $33.50，对大多数个人开发者和小团队来说完全合理。

在中等用量（1,000到10,000张）时，Batch API 开始成为一个很有吸引力的默认选择。在1,000张时每月省 $33 可能不值得重构你的流水线，但在10,000张时省 $330 就绝对值得了。这也是第三方平台开始体现明显价值的用量范围，因为它们的统一价格（$0.05/张，10,000张即 $500）比 NB2 标准价（$670）更便宜，同时提供与实时 API 同等的便利性。

在高用量（50,000张以上）时，每一分钱都很重要。最便宜的方案（NB2 Batch，50K张 $1,700）和最贵的方案（NB Pro 标准，$6,700）之间的差距是每月 $5,000。在这个规模下，投入工程时间建设批处理流水线、多平台故障转移和分辨率优化，每月能带来数千美元的回报。一些达到这个用量级别的团队还会通过 Vertex AI 企业协议直接与 Google Cloud 谈判定制价格，可以获得超出公开费率之外的额外折扣。

为了展示组合省钱的潜力，来看一个中型电商平台的真实场景。该团队每月大约生成15,000张图片：10,000张产品缩略图（1K分辨率）、4,000张生活方式图片（2K分辨率）和1,000张主图（4K分辨率）。以下是不同策略下的成本明细，全部使用 Nano Banana 2：

Batch API 以 $7,392 的年度成本拿下最低价，比标准定价每年省 $7,308（50%）。第三方平台以年度 $9,000 居中，但具备无需24小时等待的实时生成优势。对于这个团队来说，最优策略是将缩略图和生活方式图片通过 Batch API 处理（因为这些都是在内容准备阶段预生成的，不是按需的），而主图使用第三方平台以获得编辑工作流中的即时响应。这种混合方案每月成本约 $540（14K张走 Batch + 1K张主图走第三方），比全部走标准定价省56%。

快速上手指南——5分钟开始省钱

无论你选择哪种省钱策略，开始使用成本优化的 Nano Banana 图片生成只需要几个步骤。整个过程从获取 API key 开始，然后调整代码指向最具性价比的端点。

第一步：获取 Google AI Studio API key。 访问 aistudio.google.com，用你的 Google 账户登录，进入 API keys 部分。生成一个新的 key。这个 key 可以通过 Gemini API 同时访问 Nano Banana 2 和 Nano Banana Pro。免费层级不需要设置计费，但生产级用量需要启用计费功能。

第二步：选择你的模型和层级。 基于上面的成本分析，选择你的主要模型。对于大多数开发者来说，gemini-3.1-flash-image-preview（Nano Banana 2）在1K分辨率下提供了质量、速度和成本的最佳平衡，标准价 $0.067/张，Batch 价 $0.034/张。

第三步：生成你的第一张图片。 以下是一个最简可运行示例：

python
import google.generativeai as genai
from PIL import Image
import io, base64

genai.configure(api_key="YOUR_API_KEY")
model = genai.GenerativeModel("gemini-3.1-flash-image-preview")

response = model.generate_content(
    "A professional product photo of wireless headphones on a marble surface",
    generation_config=genai.GenerationConfig(
        response_modalities=["IMAGE"],
        image_generation_config={"aspectRatio": "16:9"}
    )
)

# Save the generated image
for part in response.candidates[0].content.parts:
    if part.inline_data:
        img = Image.open(io.BytesIO(base64.b64decode(part.inline_data.data)))
        img.save("output.png")

第四步（可选）：接入第三方平台获得额外折扣。 如果你使用 OpenAI 兼容的平台如 laozhang.ai，切换只需要更改 base URL：

python
from openai import OpenAI

client = OpenAI(
    api_key="YOUR_PROVIDER_KEY",
    base_url="https://api.laozhang.ai/v1"
)

response = client.images.generate(
    model="gemini-3.1-flash-image-preview",
    prompt="A professional product photo of wireless headphones",
    size="1024x1024"
)

两种方式生成的图片输出完全相同，因为底层模型是同一个。区别仅在于路由和计费方式。在将生产流量提交给某个平台之前，用你实际的提示词测试两种路径，验证质量一致性。

第五步：优化你的提示词以提高成本效率。 除了基础设施选择之外，提示词的质量和具体程度直接影响你的实际成本。模糊的提示词会产生更多失败的生成和更多需要重新生成的图片，从而提高你每张成功图片的实际成本。具体、结构清晰、包含明确主体描述、构图指导和风格参考的提示词能获得更高的首次成功率，通常超过90%。在 API 调用中指定所需的宽高比而不是让模型猜测，并明确指定输出分辨率以避免默认到高于你需求的层级。

第六步：监控和追踪你的支出。 在 Google Cloud 控制台或第三方平台的仪表盘中设置计费警报，在意外的成本飙升变成预算问题之前及时发现。长期追踪你的每张图片成本和成功率，识别出那些频繁需要重试的提示词类别，然后花时间优化这些提示词以减少浪费。大多数平台提供用量仪表盘，可以按模型、分辨率和时间段细分支出，方便你验证成本优化策略是否产生了预期的效果。

常见问题

Nano Banana 2 的质量和 Nano Banana Pro 一样吗？

在大多数标准用例中，Nano Banana 2 的质量与 Nano Banana Pro 相当，包括产品照片、营销素材和社交媒体内容。质量差距只在复杂的多角色构图和超精细细节工作中才会显现。对于90%的开发者用例来说，NB2 的输出在视觉上与 Pro 无法区分，这使得它在每张图低37-50%的价格下成为明确的高性价比选择（ai.google.dev，2026年3月）。

Batch API 会影响图片质量吗？

不会。Batch API 使用与标准 API 完全相同的模型权重和推理流水线来生成图片，输出完全一致。唯一的区别是处理时间：批处理任务在24小时内完成（实际上通常2-4小时），而不是实时返回。质量、分辨率和所有其他输出特征完全相同，而价格在所有模型和分辨率上都降低了50%。

第三方 API 平台安全吗？

信誉良好的第三方平台通过自己的 Google Cloud 账户路由请求，这意味着实际的图片生成仍然发生在 Google 的基础设施上。主要需要考虑的是数据隐私（审查平台的数据保留政策）、可靠性（查看运行时间保证和支持选项）以及合规性。大多数成熟平台如 laozhang.ai 已经运营超过一年，有可查的运行时间记录。建议先用非敏感内容测试，在将生产流量路由到平台之前审查其服务条款。

生成 Nano Banana 图片最便宜的方式是什么？

绝对最低的每张图价格是 Imagen 4 Fast 的 $0.02/张，但它使用的是不同的模型（不是 Nano Banana）。在 Nano Banana 系列中，最便宜的官方选项是 NB2 Batch 0.5K分辨率（$0.022/张）。对于实用的1K分辨率，NB2 Batch 以 $0.034/张 是最便宜的官方路径。第三方平台可能提供更低的费率，某些平台的 NB2 起价约 $0.02/张。

项目进行中可以在 NB2 和 Pro 之间切换吗？

可以。两个模型接受相同的 API 请求格式、相同的分辨率参数和相同的宽高比选项。你只需更改 API 调用中的 model 参数，就可以在 gemini-3.1-flash-image-preview（NB2）和 gemini-3-pro-image-preview（Pro）之间切换。这使得用 NB2 做草稿和迭代、再切换到 Pro 做最终生产渲染的流程变得非常实际，在创意流水线的每个阶段都优化成本。

Nano Banana API 的费用和 Midjourney 或 DALL-E 相比如何？

在使用 Batch API 的1K分辨率下，Nano Banana 2 每张图成本 $0.034，显著低于 Midjourney 的订阅模式（根据套餐不同约 $0.04-$0.10/张）和 DALL-E 3 的 API 费率 $0.040/张（1024x1024）。Nano Banana Pro Batch 在1K下 $0.067/张，仍然与这些替代品保持竞争力，同时提供原生4K支持——这是 Midjourney 和 DALL-E 目前都没有通过 API 提供的功能。Nano Banana 生态的核心优势在于分辨率的灵活性：你可以通过单一 API 生成从512px缩略图到4K印刷级素材的所有尺寸，而竞争对手通常把你锁定在固定输出尺寸，或者对放大收取高额费用。当综合考虑全部输出尺寸范围和 Batch API 折扣时，Nano Banana 在2026年各大主流图片生成平台中始终保持着最低的单像素成本。

搜索增强生成（search-grounded generation）会影响定价吗？

Nano Banana 2 包含一项名为搜索增强生成的功能，允许模型在创建视觉内容时参考 Google 搜索中的实时信息和图片。这一功能提高了事实准确性，对于生成特定产品、地标或时事图片尤为有用。搜索增强不会增加额外的按请求收费，但由于增强上下文被包含在提示处理中，它确实会略微增加输入 token 数量。实际操作中，额外成本可以忽略不计，通常每张图片增加不到 $0.001。而由于减少幻觉带来的质量提升往往意味着更少的重新生成次数，这实际上可以降低你每张成功图片的有效成本，即使输入 token 的使用略有增加。