Codex 生图额度体系曝光：两套账本，一个坑
一句话：你以为的「一个额度」，其实是两个
近日，开发者社区 Linux.do 上一篇关于 GPT 账号 image2 额度的技术分析帖引发了广泛讨论。帖子作者通过抓包和接口分析，揭示了一个此前并未被 OpenAI 官方明确说明的事实——ChatGPT 的图片生成能力背后，实际运行着两套完全独立的额度计费体系。
这不是一个小细节。对于正在用 Codex 做开发辅助、同时又依赖 GPT 图像生成能力的开发者来说，这意味着你的用量消耗速度可能比你想象的快得多。
两条路径，两套规则
先说结论。GPT 的 image2（即当前最新的图像生成能力）有两种调用方式：
- 网页对话生图：通过
/f/conversation接口触发，也就是你在 ChatGPT 网页端或 App 里直接对话让它画图的那种方式。 - Codex 工具调用生图：通过
/codex/responses接口触发，这是 Codex 编程助手在执行任务过程中，自主决定调用图像生成工具时走的路径。
关键在于：这两条路径的额度是分开计算的，互不相通。
用一个不太精确但足够直观的类比：这就像你办了一张银行卡，以为线上线下共享一个额度，结果发现线上消费和线下刷卡各有各的限额，而且线下刷一笔顶线上三到五笔。
免费用户：Codex 生图？没你的份
帖子中最直接的发现之一是关于免费账户的限制：
GPT Free 账号具有网页生图额度，但不具有 Codex 生成图片额度。
这意味着什么？如果你是 ChatGPT 的免费用户，你可以在网页端让 GPT 帮你画图（当然有次数限制），但当你使用 Codex 功能时，即便 Codex 在执行任务过程中判断需要生成一张图片，这个请求也会因为没有额度而失败。
这个设计从商业角度完全可以理解——Codex 本身就是面向开发者的高级功能，OpenAI 显然不希望免费用户通过 Codex 的工具调用机制来「白嫖」图像生成能力。但问题在于，这个限制在官方文档中并没有被清晰地标注出来。很多免费用户在尝试使用 Codex 进行涉及图像的开发任务时，可能会遇到莫名其妙的失败，却不知道原因出在额度体系的分离上。
付费用户：能用，但代价不低
非免费账号（Plus、Pro、Team、Enterprise 等）同时拥有网页生图额度和 Codex 生图额度。听起来不错，但这里有一个容易被忽略的细节：
Codex 生图会计入 Codex 用量，消耗大约是普通 Codex 用量的 3 到 5 倍。
这个倍率值得仔细品味。Codex 的用量本身就不便宜。根据 OpenAI 官方的 Pricing 页面，Codex 的计费是按照任务复杂度和 token 消耗来计算的。而当 Codex 在执行过程中调用了图像生成工具，这一次调用的用量消耗直接翻了 3-5 倍。
举个具体场景：假设你让 Codex 帮你搭建一个前端页面，Codex 在过程中自动生成了几张占位图或 UI 示意图。你可能觉得这只是顺手的事，但实际上每张图都在以 3-5 倍的速率吞噬你的 Codex 额度。如果你的工作流中频繁涉及图像生成，Codex 的额度可能会以超出预期的速度耗尽。
这就引出了一个实际的开发策略问题：在使用 Codex 时，是否应该主动避免让它调用图像生成工具？
对于额度敏感的开发者来说，答案可能是肯定的。如果你的任务确实需要图像，不如把生图的部分拆出来，单独在网页端完成，用网页端的额度来承担这部分消耗，而不是让 Codex 在工具调用链路中自动触发。
技术细节：工具调用机制下的生图
从技术实现的角度看，Codex 生图的原理是「工具调用」（Tool Use / Function Calling）。这是当前大模型领域的一个核心能力范式——模型本身不直接执行某些操作，而是通过调用外部工具来完成。
在 Codex 的场景中，图像生成被封装为一个可调用的工具。当 Codex 在分析任务需求后判断需要生成图片时，它会发起一次工具调用请求，这个请求走的是 /codex/responses 接口，而不是网页端的 /f/conversation 接口。
这种架构设计本身是合理的。工具调用是 AI Agent 的核心能力之一，让 Codex 能够在编程任务中自主调用图像生成、代码执行、文件操作等工具，是构建真正有用的编程助手的必经之路。但问题在于计费的透明度——当一个工具调用的成本是普通操作的 3-5 倍时，用户有权在调用发生之前就知道这一点。
从接口层面来看，两种调用方式的差异可以简化理解为：
网页生图路径：
POST /f/conversation
→ 用户消息包含生图意图
→ 模型生成图片
→ 消耗网页生图额度
Codex 生图路径：
POST /codex/responses
→ Codex 执行任务过程中判断需要生图
→ 触发工具调用（tool_use）
→ 调用图像生成工具
→ 消耗 Codex 额度（3-5x 倍率）
两条路径最终调用的底层图像生成模型可能是同一个（大概率是 DALL·E 或其迭代版本），但计费入口完全不同。这种「同一能力、不同入口、不同价格」的模式，在云服务领域并不罕见，但通常会被更明确地标注出来。
这件事为什么重要
表面上看，这只是一个额度计费的技术细节。但往深了想，它反映了几个值得关注的趋势：
1. AI 产品的计费复杂度正在急剧上升
早期的 ChatGPT 计费很简单：免费用户有次数限制，Plus 用户按月付费享受更高额度。但随着 Codex、图像生成、语音、视频等多模态能力的叠加，计费体系正在变得越来越复杂。不同能力、不同调用路径、不同倍率，这些细节交织在一起，普通用户很难完全搞清楚自己的额度到底是怎么被消耗的。
这不是 OpenAI 一家的问题。Anthropic 的 Claude 在推出 Tool Use 能力后，也面临类似的计费透明度挑战。Google 的 Gemini 在 AI Studio 和 Vertex AI 之间同样存在不同的计费逻辑。但 OpenAI 作为行业标杆，它的计费设计会直接影响整个行业的定价范式。
2. Codex 正在从「编程助手」进化为「AI Agent」
Codex 能够自主调用图像生成工具，这本身就说明它已经不再是一个简单的代码补全工具。它正在向 AI Agent 的方向演进——能够理解任务目标、规划执行步骤、自主调用各种工具来完成复杂任务。
在这个演进过程中，工具调用的成本管理会成为一个越来越重要的话题。今天是图像生成 3-5 倍消耗，明天可能是代码执行、网络搜索、文件操作各有各的倍率。开发者需要开始建立「AI Agent 成本意识」，就像我们管理云服务器的资源消耗一样，精细化地管理 AI 工具的调用成本。
3. 社区逆向工程的价值
这次额度体系的细节是由社区开发者通过抓包分析发现的，而不是 OpenAI 官方主动披露的。这再次证明了开发者社区在 AI 产品透明度方面的重要作用。当官方文档不够详细时，社区的逆向工程和经验分享就成了填补信息差的关键渠道。
开发者应该怎么做
基于目前已知的信息，给出几个实操建议：
对于免费用户：
- 不要指望通过 Codex 来生成图片，这条路走不通
- 图像生成需求统一走网页端对话，在额度范围内使用
- 如果你的开发任务强依赖图像生成，认真考虑是否需要升级到付费计划
对于付费用户：
- 注意监控 Codex 的用量消耗，特别是涉及图像生成的任务
- 考虑将生图任务从 Codex 工作流中拆分出来，用网页端额度来承担
- 在 prompt 中明确告诉 Codex 不要自动生成图片（如果你不需要的话），避免不必要的额度消耗
- 关注 OpenAI 官方的 Pricing 页面更新，额度规则可能会随时调整
对于 API 开发者：
- 如果你在通过 API 构建应用，目前这个额度分离主要影响的是 ChatGPT 产品端用户，API 端的计费逻辑相对独立
- 但要注意，随着 Responses API 和工具调用能力的普及，类似的分层计费模式可能会逐步延伸到 API 端
- 通过 OpenAI Hub 等 API 聚合平台调用时，可以更方便地在不同模型之间切换和对比成本，找到最适合自己场景的方案
等等，还有一些未解的问题
这次社区的发现虽然揭示了额度体系的基本结构，但仍有一些问题没有明确答案：
- 网页生图额度和 Codex 生图额度各自的具体数值是多少？ 目前只知道它们是分开的，但具体上限并不清楚。
- 3-5 倍的消耗倍率是固定的还是动态的？ 是否会根据生成图片的复杂度、分辨率等因素浮动？
- 不同付费等级（Plus vs Pro vs Team vs Enterprise）的 Codex 生图额度是否有差异？ 这一点官方 Pricing 页面也没有给出足够细致的说明。
- 未来 Codex 调用其他工具（如代码执行、网络搜索）是否也会有类似的倍率消耗？ 如果是，那 Codex 的实际使用成本可能比表面看起来高得多。
这些问题的答案，可能需要等待 OpenAI 官方的进一步说明，或者社区开发者的持续挖掘。
写在最后
AI 产品的计费透明度，正在成为一个越来越重要的话题。当模型能力从单一的文本对话扩展到多模态、多工具、多路径的复杂体系时，用户有权清楚地知道自己的每一分钱花在了哪里。
这次 Codex 生图额度体系的曝光，本质上是一个信息不对称的问题。OpenAI 设计了一套精细的分层计费机制，但没有把规则讲清楚。社区开发者通过技术手段填补了这个信息差，这是好事。但更好的做法，应该是官方主动把这些细节写进文档里。
毕竟，开发者最讨厌的不是付费，而是付了费之后不知道钱是怎么没的。
参考来源
- 关于 GPT 账号的 image2 额度 - Linux.do — 社区开发者对 ChatGPT 图像生成额度体系的逆向分析，本文核心信息来源