同じ文章を AI に渡すのに、テキストのまま送ると 2 万 5000 円ぶんのトークンがかかり、画像にして送ると 2700 円ぶんで済む——もしそんな請求書が来たら、多くの人は「バグだ」と思うだろう。だが 2026 年 7 月、その「バグのような正規の抜け道」を突いた PxPipe というツールが公開され、開発者コミュニティで一気に広まった。本記事は、この一見マジックのような手法が「なぜ効くのか」「どこまで信じていいのか」を、課金の仕組みから元ネタの研究論文まで一段ずつ分解していく。

• 0%
  トークン削減（最大）
• 0→2.7k
  トークン圧縮（同じ文章）
• 0倍
  1トークンあたり情報量

user@sinyblog:~/article ❯ 01_digest.md90秒ダイジェスト

先に結論だけ押さえておく。時間がなければ、この章だけで話の骨格はつかめる。

1. 何が起きたか：Steven Chong（GitHub: teamchong）という開発者が PxPipe というツールを公開した。AI に渡す長文（システムプロンプト・ツールの説明書・過去のやり取り）を PNG 画像に変換してから送るだけで、API 料金が 59〜70% 下がった^[1]。
2. なぜ効くか：AI の課金は、テキストは「文字数」に比例するのに対し、画像は「ピクセル面積」でほぼ固定される。文字をびっしり詰め込んだ画像は、面積あたりの情報量が高くても料金は変わらない。この課金ルールの非対称性を突いている^[2]。
3. 元ネタは何か：この発想は、DeepSeek が 2025 年 10 月に発表した論文「DeepSeek-OCR: コンテキスト光学圧縮」に基づく。文章を画像として持たせると、テキストの 1/10 の情報量で 97% の精度を保てることが示されていた^[3]。
4. 代償は何か：これは「不可逆な圧縮」であり、無料ではない。AI が画像を読み間違えてもエラーを出さずに黙って捏造する（=沈黙の幻覚）。特に ID・ハッシュ・パスワードのような「意味を持たない文字列」は文字のまま残さないと危険だ^[1]。

user@sinyblog:~/article ❯ 02_receipt.md$42 が $6 になった夜

話は 1 枚の請求書から始まる。開発者が Claude を使って通常どおりコーディング作業を 1 セッション回したところ、テストでは料金が $42.21 かかった。同じ作業を PxPipe を通して実行すると、料金は $6.06 まで落ちた^[2]。

出力される答えは変わらない。AI が返してくるコードも、文章も、これまで通りのテキストだ。変えたのは「AI に渡す側」だけ。それでも請求額が 7 分の 1 近くまで縮んだ——この 1 枚の差分が、コミュニティを騒がせた出発点だった。

なぜこんなことが起きるのか。それを理解するには、まず「AI がどうやって料金を計算しているのか」という前提を 1 分だけ確認する必要がある。ここを飛ばすと、この後のカラクリが「ただの魔法」に見えてしまう。

user@sinyblog:~/article ❯ 03_token.md前提：AI は「トークン」で課金される

Claude のような AI は、文章をそのまま扱っているわけではない。入力された文字列を「トークン」という小さな断片に刻んで処理している。ざっくり言えば、英語なら 1 単語がおよそ 1 トークン、日本語なら 1〜2 文字で 1 トークンほどだ。

そして料金は、このトークンの数で決まる。「入力に何トークン使ったか」「出力に何トークン返したか」を数えて課金される。つまり、AI に長い指示書や大量のコードを毎回読ませるほど、入力トークンが積み上がり、請求額も膨らんでいく。

ここで多くの人は「じゃあ指示書を短くすればいい」と考える。それも正解の一つだ。だが PxPipe が突いたのは、まったく別の角度だった——「同じ内容を、もっと安く数えてもらう方法はないか」。

user@sinyblog:~/article ❯ 04_asymmetry.md核心：テキストと画像で課金ルールが違う

ここが本記事の心臓部だ。Claude は文章だけでなく画像も理解できる（マルチモーダル）。そして——ここが肝心だが——画像のトークン計算方法は、テキストとまったく違う。

テキストは「中身の文字数」で課金される。1000 文字あれば、それに応じたトークンを取られる。一方、画像は「ピクセルの面積」でトークン数が決まる。中に文字が 10 文字書いてあろうと 1 万文字びっしり詰まっていようと、画像のサイズが同じなら料金はほぼ同じだ。目安として、Anthropic の画像トークンは概ね「幅 × 高さ ÷ 750」で計算される^[4]。

この差が、そのまま抜け道になる。1 枚の画像に文字をできるだけ小さく、できるだけ多く詰め込めば、「情報量は多いのに料金は安い」状態が作れる。実測では、密度の高い内容（コード・JSON・ツールの出力）を画像化すると、1 画像トークンあたり約 3.1 文字を運べた。テキストなら 1 トークンでおよそ 1 文字だから、単純計算で情報密度が約 3 倍になる^[1]。

user@sinyblog:~/article ❯ 05_proxy.mdPxPipe の正体 — 間に挟むだけのプロキシ

理屈は分かった。では実際に「文字を画像に変換して送る」作業を、誰がやるのか。手作業では現実的でない。そこで PxPipe は、ローカルプロキシという形をとった。

プロキシとは「間に挟まる中継役」のことだ。あなたのツール（Claude Code など）と、Anthropic のサーバーのあいだに割り込む。ツールが送ろうとしたリクエストを一度受け取り、その中の「かさばるテキスト」を PNG 画像に差し替えてから、本物のサーバーへ転送する。返ってきた答えはそのまま素通しする。

[Claude Code]
     |  リクエスト（分厚いテキストを含む）
     v
[PxPipe プロキシ]  ← ここで長文を PNG に変換
     |  リクエスト（テキスト → 画像に差し替え済み）
     v
[Anthropic サーバー]
     |  回答（テキストのまま）
     v
[Claude Code]  ← 何も変換されず、いつも通り受け取る

ポイントは 2 つある。1 つ目は、圧縮するのは「送る側（リクエスト）」だけで、AI が生成する回答には一切手を加えないこと。2 つ目は、直近のやり取りは文字のまま残し、変わりにくい古い部分だけを画像化すること。頻繁に使い回すシステムプロンプトやツールの説明書は、Claude 側の「キャッシュ」が効くように配慮しながら差し替えている^[1]。

user@sinyblog:~/article ❯ 06_render.mdどうやって文章を画像に詰め込むのか

「文字を画像にする」といっても、ただスクリーンショットを撮るわけではない。損をしないためには、1 ピクセルも無駄にせず、可能な限り小さな面積に文字を敷き詰める必要がある。PxPipe はここを徹底的に最適化している。

具体的には、テキストを幅 1928 ピクセルの列（カラム）にレイアウトし、1 ページあたりおよそ 9 万 2000 文字を詰め込む。これを 1928 × 1928 の正方形画像として書き出すと、コストは約 4761 ビジョントークンで済む^[1]。もし同じ 9 万文字をテキストで送れば、その何倍ものトークンを取られる計算だ。

具体例で見てみよう。ある 4 万 8000 文字のシステムプロンプトは、テキストのままなら約 2 万 5000 トークンかかっていた。これを 1 枚の PNG に変換すると、わずか約 2700 トークンまで縮んだ^[2]。約 9 割の削減だ。冒頭の「$42 → $6」は、この積み重ねで生まれている。

user@sinyblog:~/article ❯ 07_usage.md実際の使い方

PxPipe は MIT ライセンスのオープンソースで、インストールは不要。npx で起動できる。手順はシンプルだ。

# プロキシを起動（インストール不要）
npx pxpipe-proxy

# 起動すると、以下のアドレスで待ち受ける
# → http://127.0.0.1:47821

# あとは Claude Code などの向き先を、このプロキシに差し替えるだけ
# ダッシュボードで削減状況を確認できる
# → http://127.0.0.1:47821/

起動後、利用中のツールの API 向き先を http://127.0.0.1:47821 に向けるだけで、リクエストが自動的に最適化される。ダッシュボードでは、実際に何トークン削減できたかを確認できる（並行して count_tokens で実測した値がログに残る）^[1]。

user@sinyblog:~/article ❯ 08_benchmark.md数字で見る削減効果

「7 割削減」は誇張ではないか——当然の疑問だ。開発者は複数のベンチマークを公開している。数字を並べてみよう。

注目すべきは SWE-bench Lite の結果だ。これは実際のソフトウェアのバグ修正を解かせるベンチマークで、「テキストで渡した場合」と「65% を画像化して渡した場合」で、どちらも 10 問中 10 問正解だった^[1]。つまり、少なくともコード修正のような意味の塊で理解する作業では、画像化しても回答品質が落ちなかった。

ただし——これはあくまで「特定のモデル・特定のタスク」での話だ。次章で、この手法が抱える本質的な代償を見ていく。ここを読まずに導入するのは危険だ。

user@sinyblog:~/article ❯ 09_hallucination.mdこれは魔法じゃない — 「沈黙の幻覚」

画像化は「不可逆な圧縮」だ。文字を絵に変換して縮めている以上、AI はもはや文字を直接読んでいない。「文字が描かれた画像を見て、それを読み取っている」。人間が小さな文字を目を細めて読むのと同じで、ときどき読み間違える。

そして最も危険なのが、読み間違えても AI がそれをエラーとして報告しない点だ。開発者はこれを「沈黙の捏造（silent confabulation）」と呼ぶ。AI は「読めませんでした」とは言わず、もっともらしい別の文字を自信満々にでっち上げる。エラーが出ないぶん、ミスに気づきにくい^[1]。

この違いは本質的だ。人間の文章やコードのように文脈から補完できる情報は、多少読み違えても意味が通る。だが「a3f9c2」のような文字列は、文脈がないので 1 文字の誤読が致命傷になる。だから PxPipe は、こうしたバイト単位で正確さが要る値は、そもそも画像化しない設計になっている。

もう一つの代償は速度だ。画像を読ませるということは、AI 側で「ビジョンエンコーダ」という画像処理を余分に走らせることになる。テキストを直接読むより処理に手間がかかるぶん、応答が遅くなる場合がある^[2]。

user@sinyblog:~/article ❯ 10_whattoimage.md何を画像にし、何を文字で残すか

ここまでの理解を、実用的な判断基準に落とし込もう。PxPipe が自動でやっている「仕分け」を、あなた自身の頭でも持っておくと安全だ。

原則はシンプルだ。「文脈で補える情報」は画像化してよく、「1 文字も間違えられない情報」は文字で残す。そして「量が少ない情報」も画像化のメリットが出ないので、テキストのままにする。この 3 つを押さえておけば、大きな事故は避けられる。

user@sinyblog:~/article ❯ 11_deepseek.md元ネタの論文：DeepSeek-OCR

PxPipe は突然生まれた思いつきではない。その土台には、DeepSeek が 2025 年 10 月に発表した論文「DeepSeek-OCR: Contexts Optical Compression（コンテキスト光学圧縮）」がある^[3]。この研究が問いかけたのは、実に挑発的なテーマだった。

長い文章を、テキストトークンではなく「画像（ビジョントークン）」として持たせたら、どこまで少ない情報量で圧縮できるのか？
DeepSeek-OCR 論文の問題設定

その答えは驚くべきものだった。テキストトークンの数が、画像トークンの 10 倍以内に収まる圧縮率（10 倍圧縮）であれば、97% の精度で元の文章を復元できた。20 倍まで圧縮しても、約 60% の精度が残った^[3]。つまり「文章を画像として持つと、テキストの 1/10 の情報量でほぼ完全に読める」ことが、学術的に示されたのだ。

PxPipe がやっていることは、この研究成果をそっくりそのまま課金の世界に持ち込んだものだ。DeepSeek-OCR が「情報量」の圧縮を示し、PxPipe が「料金」の圧縮に応用した。学術的発見が、わずか半年余りで実用ツールに結実した——AI 分野のスピード感を象徴する事例と言える。

user@sinyblog:~/article ❯ 12_future.md裏技か、それとも本質的な変化か

ここで一歩引いて考えたい。PxPipe は「課金体系の抜け道を突いた一過性のハック」なのか、それとも「これからの当たり前になる本質的な手法」なのか。

短期的には「抜け道」の側面が強い。もし AI 提供各社が「画像の中の文字数に応じて課金する」ように料金体系を変えれば、この裏技はその日で効かなくなる。実際、料金設計は各社の胸三寸だ。

しかし DeepSeek-OCR が示したのは、「文章を画像として持つ」ことには課金と無関係の本質的なメリットがあるという事実だった。同じ情報を、より少ない計算資源で扱える。これは料金の話を超えて、AI が超長文（本一冊ぶんの文脈など）をどう効率的に記憶するか、という根本問題への一つの答えになりうる。

user@sinyblog:~/article ❯ 99_summary.mdまとめ

「システムプロンプトを画像にして 7 割コスト削減」——見出しだけ聞くとオカルトのようだが、分解すれば筋の通った工学だった。要点を 3 つに畳んでおく。

1. カラクリは課金ルールの非対称性。テキストは文字数課金、画像はピクセル面積課金。文字をびっしり詰めた画像は「情報量は多いのに料金は安い」。PxPipe はこの差を自動で突く間に挟むだけのプロキシだ。
2. 効果は本物だが、無料ではない。59〜70% の削減は複数のベンチで確認されている。一方で画像化は不可逆圧縮であり、AI が読み間違えても黙って捏造する。ID・ハッシュ・機密値は必ず文字のまま残す。
3. 元ネタは DeepSeek-OCR。「文章を画像として持つと 1/10 の情報量で 97% 復元できる」という論文の成果を、課金の世界に応用したのが PxPipe。裏技であると同時に、本質的な問いへの入り口でもある。

最後に一つだけ。この手法を使うかどうか以上に、「制約だと思っていたものを、選べる変数として捉え直す」という視点こそ、この事例から持ち帰るべき土産だ。次にあなたが「これは仕様だから仕方ない」と諦めかけたとき、本当にそうか——と一度だけ疑ってみてほしい。