Um Truque de Economia de Custos do Fable 5 Viraliza: Corte as Contas em Até 70% com Contexto Baseado em Imagens

Introdução

Um truque surpreendentemente old-school começou a chamar atenção na comunidade do Fable 5: transformar longos contextos em texto em imagens densas e depois deixar o modelo reler essas imagens por meio de sua capacidade de visão.

Parece quase como fazer uma pequena cola para uma prova. Mas, neste caso, a “cola” não é para uma pessoa. É para um modelo multimodal capaz de ler capturas de tela. Um desenvolvedor descobriu que, ao converter o contexto do Claude Code em imagens PNG compactas e densamente preenchidas, o custo com tokens de entrada poderia cair cerca de 59% a 70% nas cargas de trabalho testadas.

A ideia básica é simples: prompts de sistema, documentação de ferramentas, saídas de comandos, logs e histórico mais antigo da conversa costumam consumir muitos tokens. Se esses blocos forem renderizados como imagens, o custo em tokens de imagem fica principalmente ligado às dimensões da imagem, e não à quantidade de texto compactada nela.

Este artigo explica o que o pxpipe faz, por que o método pode economizar dinheiro, em que pontos ele falha e como se conecta a pesquisas anteriores, como o CLIPPO, e a trabalhos mais recentes de compressão óptica de contexto, como o DeepSeek-OCR.

Nota sobre a fonte

Este artigo é baseado no artigo original em chinês publicado no BAAI Hub, que afirma que a fonte veio do QbitAI no WeChat. Os links de referência originais incluem o repositório do pxpipe no GitHub e o artigo do CLIPPO. As imagens mantidas abaixo são capturas de tela, demonstrações, diagramas e imagens de discussões sociais relevantes para o artigo. Códigos QR, convites promocionais para seguir, chamadas para engajamento e elementos decorativos não relacionados da plataforma foram removidos.

Transforme o contexto em uma “cola” e reduza a conta

O método que viralizou se chama pxpipe. Trata-se de um proxy local de código aberto que reescreve o contexto volumoso de entrada do Claude Code antes que a requisição saia da sua máquina.

De acordo com a descrição do projeto, o pxpipe reduz o uso de tokens ao renderizar grandes blocos de texto como imagens. O mesmo prompt de sistema, a documentação das ferramentas, as saídas das ferramentas e o histórico mais antigo podem ser compactados em uma pegada muito menor de tokens quando o modelo é suficientemente capaz de ler texto renderizado de forma densa.

Em um exemplo, cerca de 48.000 caracteres de prompt de sistema e documentação de ferramentas consumiriam aproximadamente 25.000 tokens como texto simples. Renderizado em uma imagem de 1573 × 1248, o mesmo conteúdo teria usado cerca de 2.700 tokens de imagem.

É dessa diferença que vem a redução de custos.

A estimativa aproximada

a lógica é:

1. O custo de tokens de texto cresce com a quantidade de texto.
2. O custo de tokens de imagem é determinado em grande parte pelas dimensões em pixels.
3. Código denso, JSON, saída de ferramentas, prompts de sistema e logs frequentemente contêm muitos tokens por linha.
4. Se o modelo ainda conseguir ler a imagem comprimida com confiabilidade, o mesmo contexto pode se tornar mais barato de enviar.

Alguns desenvolvedores brincaram dizendo que este é um caso literal de “uma imagem vale mais que mil palavras”. Neste caso, a piada está excepcionalmente próxima da realidade técnica.

O que o pxpipe realmente faz

O pxpipe não é um novo modelo, nem um mecanismo tradicional de OCR. Ele funciona como um proxy local entre o Claude Code e a API do modelo.

Antes de uma solicitação ser enviada, o pxpipe procura grandes blocos adequados para compressão. Em seguida, ele renderiza esses blocos em páginas PNG compactas e os reinsere na solicitação como entradas de imagem. O modelo lê essas páginas usando seu canal normal de visão.

Em termos simples, o pxpipe se comporta como uma microimpressora automática para contexto longo. Ele não faz o modelo “usar OCR” de texto no sentido estrito da engenharia. Em vez disso, ele depende da capacidade embutida do modelo de ler entrada visual semelhante a capturas de tela.

O README do pxpipe explica que ele se concentra em contextos de entrada volumosos, como:

• Grandes corpos de tool_result, incluindo leituras de arquivos, saída de comandos e logs.
• Histórico de conversas mais antigo e recolhido.
• Prompts de sistema estáticos e documentação de ferramentas.

Ele evita deliberadamente converter tudo. Interações recentes, mensagens do usuário, identificadores exatos, blocos pequenos, prosa esparsa e a saída do modelo permanecem como texto.

Por que ele pode economizar tanto

A incompatibilidade central de preços é que entradas de imagem e texto

as entradas são medidas de forma diferente.

Em fluxos de trabalho de desenvolvimento com muito texto, o material de origem costuma ser denso em tokens. Código, logs, JSON, stack traces e esquemas de ferramentas podem sair caros quando enviados como texto simples. O autor do pxpipe estima que, no tráfego real do Claude Code, conteúdos densos podem atingir cerca de 3,1 caracteres por token de imagem, em comparação com cerca de 1 caractere por token de texto.

Essa proporção dá ao pxpipe margem para reduzir custos quando o texto é denso o suficiente.

O autor também compartilhou uma demonstração comparativa. Na versão original em texto, uma execução de teste teria terminado com uma cobrança de US$ 42,21 e uma janela de contexto quase cheia. Na versão com pxpipe, a mesma tarefa foi concluída por US$ 6,06, com muito mais espaço de contexto restante.

O detalhe importante é que o pxpipe comprime apenas o lado da solicitação. A resposta do modelo continua sendo transmitida normalmente como texto. Ele não comprime os tokens de saída.

Resultados de Benchmark e a Principal Ressalva

O método é impressionante, mas não é sem perdas. Contexto de imagem denso depende fortemente da capacidade visual de leitura do modelo.

A captura de tela do benchmark do pxpipe mostra que o Fable 5 tem bom desempenho em várias tarefas de contexto em imagem, incluindo aritmética inédita, lembrança da ideia geral, rastreamento de estado e alguns testes de lembrança com renderização densa. Mas a reprodução exata de strings é um ponto fraco, especialmente em modelos que não são bons leitores de texto denso.

Uma versão simplificada da tabela de benchmark reportada é a seguinte:

Teste	N	Texto	Imagem pxpipe	Mudança de tokens
Aritmética inédita, claude-fable-5	100	100%	100%	-38%
Aritmética inédita, claude-opus-4-8	100	100%	93%	-38%
Lembrança da ideia geral A/B, Fable 5	98 por grupo	98/98	98/98	—
Rastreamento de estado, Fable 5	18 por grupo	18/18	18/18	—
Confabulação sobre fatos nunca declarados, Fable 5	16 por grupo	0/16	0/16	—
Lembrança literal de hexadecimal de 12 caracteres, Opus	15	15/15	0/15	—
Lembrança literal de hexadecimal de 12 caracteres, Fable 5	15	—	13/15	—

O risco é claro: contexto baseado em imagem pode ser bom o bastante para compreensão semântica ampla, rastreamento de estado e muitas tarefas de programação, mas pode interpretar incorretamente strings exatas sem que isso seja percebido.

IDs, hashes, segredos, números fixos e outros valores exatos em nível de byte não devem ser colocados em imagens densas. As próprias notas do pxpipe destacam esse ponto: o trade-off é sério, e o modo de falha pode ser uma resposta confiante, porém errada, em vez de um erro óbvio.

O tweet abaixo é uma resposta de @sanixdarker, dizendo que essa prática não é novidade; ele faz isso desde o lançamento do Opus e que isso não tem relação direta com a série Fable. A imagem está intimamente ligada ao contexto e apresenta de forma clara a discussão sobre os riscos de empurrar determinados dados para imagens densas.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/8d83ec15-fc8e-4019-8909-2d441f51f258-10-af6628e8-7211-4ee2-8a25-33b3a4e2a529.png)

O que o pxpipe mantém como texto

Como a compressão é com perdas, o pxpipe não transforma cegamente todo bloco de entrada em imagem. Ele mantém em formato de texto o conteúdo sensível e crítico em termos de precisão.

Exemplos que devem permanecer como texto normal incluem:

• IDs e hashes.
• Segredos e chaves.
• Valores numéricos exatos.
• Turnos de conversa recentemente ativos.
• Mensagens do usuário.
• Prosa esparsa que não seja densa em tokens o suficiente para trazer benefício.

É também por isso que o projeto apresenta a economia como dependente da carga de trabalho. Se a solicitação consistir principalmente em prosa longa em linguagem natural, a compressão pode não ser vantajosa. Se a solicitação estiver repleta de código, JSON, logs e saída de ferramentas, a economia pode ser muito maior.

Como testar o pxpipe

O autor fornece um fluxo de inicialização bem curto. Execute o proxy localmente e depois aponte o Claude Code para o proxy.

npx pxpipe-proxy                                  # proxy em 127.0.0.1:47821
ANTHROPIC_BASE_URL=http://127.0.0.1:47821 claude  # apontar o Claude Code para ele

Após a inicialização, o pxpipe também expõe um painel local:

http://127.0.0.1:47821/

O painel pode mostrar a economia de tokens, conversões lado a lado de texto para imagem, um kill switch e tags de modelo em tempo real. Isso facilita ver exatamente o que está sendo comprimido e o que está passando sem alterações.

O artigo CLIPPO, do Google em 2022, já apontava nessa direção

Depois que o pxpipe começou a se espalhar, alguns pesquisadores apontaram que a ideia central não é completamente nova.

Uma linha de trabalho relacionada apareceu no artigo de 2022 do Google, CLIPPO: Image-and-Language Understanding from Pixels Only. A ideia central do CLIPPO é tratar texto como pixels, em vez de como um fluxo de texto tokenizado separado.

Modelos tradicionais no estilo CLIP frequentemente usam duas torres: uma para imagens e outra para texto. O CLIPPO elimina essa separação ao renderizar texto como imagens RGB e enviar tanto as imagens quanto o texto renderizado por um Vision Transformer compartilhado.

A conclusão é importante: o texto nem sempre precisa entrar em um modelo como tokens de texto discretos. Ele também pode ser convertido em pixels e processado por caminhos de visão.

DeepSeek-OCR e compressão de contexto óptico

A discussão também

mencionou o DeepSeek-OCR, que se concentra na compressão óptica para contextos longos. O seu repositório descreve o projeto como “Contexts Optical Compression”.

Nesse sentido, o pxpipe não é apenas um truque pontual de redução de custos. Ele liga várias tendências:

1. O CLIPPO mostrou que o texto pode ser processado como imagem.
2. O DeepSeek-OCR explorou a compressão óptica para contextos longos.
3. O Fable 5 parece ser suficientemente forte em leitura visual densa para que isso se torne útil em fluxos de trabalho reais de programação.

Ainda existe um limite difícil: a fiabilidade exata de cadeias de caracteres. Alguns comentadores sugeriram que o problema pode melhorar simplesmente com o aumento de escala de modelos visão-linguagem mais fortes.

Conclusões práticas

O pxpipe é mais útil quando o contexto é grande, denso e não crítico em termos de precisão. Sessões de programação são um caso natural de uso porque os agentes costumam reler ficheiros antes de os editar, o que pode reduzir o risco de agir com base num bloco de imagem mal interpretado.

É menos adequado para fluxos de trabalho em que a recuperação exata ao nível dos caracteres é importante. Se uma tarefa depender de identificadores, hashes, credenciais, linguagem jurídica exata, números financeiros ou outro conteúdo semelhante sensível à precisão, a compressão baseada em imagens deve ser usada com cuidado.

Uma forma sensata de usar o pxpipe é mantê-lo como uma camada de otimização, e não como um limite de confiança. Deixe-o comprimir contextos volumosos quando a matemática compensar, mas mantenha os valores críticos em texto e reveja o painel de controlo ao depurar comportamentos estranhos do modelo.

FAQ

O que é o pxpipe?

O pxpipe é um proxy local que reduz o uso de tokens ao converter contextos de entrada volumosos do Claude Code em imagens PNG compactas. Foi concebido para contextos densos, como saídas de ferramentas, logs, código, prompts de sistema e histórico mais antigo da conversa.

Como é que o pxpipe reduz os custos do Fable 5?

Ele tira partido do facto de o custo de tokens de imagem estar ligado principalmente às dimensões em píxeis, enquanto o custo de tokens de texto cresce com a quantidade de texto. Se um modelo conseguir ler texto denso renderizado com fiabilidade, blocos grandes podem sair mais baratos como imagens do que como texto simples.

O pxpipe comprime a saída do modelo?

Não. O pxpipe apenas comprime blocos de entrada selecionados antes de o pedido ser enviado. O modelo’s

a resposta continua sendo transmitida normalmente como texto, portanto os tokens de saída não são reduzidos.

A compressão de contexto baseada em imagem é sem perdas?

Não. É um método de compressão com perdas. Pode funcionar bem para contexto amplo, acompanhamento de estado e muitas tarefas de programação, mas cadeias exatas, como IDs, hashes, segredos e números precisos, podem ser interpretadas incorretamente.

Posso usar o pxpipe com qualquer modelo?

Não com segurança. A própria documentação do pxpipe trata o suporte a modelos como limitado e dependente da carga de trabalho. Alguns modelos leem texto renderizado denso muito pior do que outros, então modelos não suportados ou mais fracos devem permanecer em texto, a menos que isso seja habilitado explicitamente.

Que tipos de conteúdo devem permanecer como texto?

IDs, hashes, segredos, números exatos, mensagens do usuário, interações recentes e outros blocos críticos em termos de precisão devem permanecer como texto. O pxpipe é mais adequado para material longo, denso e menos sensível a bytes, como logs, documentação de ferramentas e histórico antigo.

Como executo o pxpipe localmente?

Inicie o proxy com npx pxpipe-proxy e depois execute o Claude Code com ANTHROPIC_BASE_URL=http://127.0.0.1:47821 claude. O painel local está disponível em http://127.0.0.1:47821/.

Ferramentas relacionadas

• pxpipe: Um proxy local que renderiza contextos volumosos do Claude Code em imagens PNG para reduzir o uso de tokens de entrada.
• Claude Code: A ferramenta de programação agêntica da Anthropic para fluxos de trabalho em terminal, IDE, desktop e navegador.
• Anthropic Messages API: A interface de API por meio da qual são enviadas solicitações de mensagens no estilo Claude.
• Anthropic Token Counting: A referência oficial da API para estimar a contagem de tokens em solicitações de mensagens.
• DeepSeek-OCR: Um projeto de código aberto que explora compressão óptica para texto de contexto longo.

Links relacionados

• Artigo original no BAAI Hub: O artigo-fonte em chinês que discutiu o método viral de economia de custos com pxpipe.
• Repositório GitHub do pxpipe: Código-fonte do projeto, README, benchmarks, limitações e comandos de uso.
• Artigo do CLIPPO no arXiv: O artigo de 2022 que explora compreensão de imagem e linguagem apenas a partir de pixels.
• Repositório GitHub do DeepSeek-OCR: Repositório oficial da Compressão Óptica de Contextos.
• Documentação do Claude Code: Documentação oficial para usar o Claude Code em diferentes ambientes.
• Ferramenta Computer Use da Anthropic: Documentação oficial sobre a capacidade de interação por capturas de tela do Claude.
• Anthropic Messages API: Referência oficial para envio de solicitações baseadas em mensagens aos modelos Claude.

Resumo

O pxpipe mostra uma maneira engenhosa de reduzir os custos de entrada do Fable 5: renderizar contexto carregado de tokens em imagens compactas e deixar o modelo ler essas imagens por meio de sua capacidade de visão. Para cargas de trabalho densas de programação, isso pode reduzir significativamente o lado da solicitação

uso de tokens e menor custo total de ponta a ponta.

A contrapartida é que o método é com perda. Ele pode preservar significado suficiente para muitos fluxos de trabalho de programação e rastreamento de estado, mas não se deve confiar nele para a recuperação exata, byte a byte, de IDs, hashes, segredos ou números precisos.

O ponto mais amplo é que o texto nem sempre precisa permanecer como texto dentro de sistemas de IA. CLIPPO, DeepSeek-OCR e pxpipe apontam todos para a mesma ideia: os pixels podem se tornar uma camada prática de compressão para contextos longos.

O melhor caso de uso é claro: comprimir contextos volumosos e de baixa precisão, mas manter valores exatos críticos em texto normal.