LLM + Vision

Задача: есть 100к фото
нужно каждую из них распознать, описать, прописать метаданные и т.д. чтобы сделать по ним удобный поиск

как же это сделать оптимально по цена-качество?

может локальное железо выгоднее?
или какую облачную модель взять?

каждое фото в разрешении 1024p а на выходе 4000токенов описание с метаданными на каждое фото

Вот что у меня получилось по цене
(примерно одинаковом качество описания):

На локальном ПК (цена электричества +30%)
GPU 3090, модель Gemma 4, на 1к фото примерно 3.5 часа
За 1000 фото: $2.45

цена с тарифами из OpenRouter
(input) + (output) = цена

Gemma 4 26B
за 1000 фото: $0.032 + $0.880 = $0.91

Gemini 2.5 Flash-Lite
за 1000 фото: $0.025 + $1.60 = $1.625

GLM-4 Flash Vision
за 1000 фото: $0.046 + $1.40 = $1.45

Qwen3 VL Flash
за 1000 фото: $0.150 + $1.88 = $2.03

GPT-4o-mini
за 1000 фото: $0.115 + $2.40 = $2.51

GLM-4V
за 1000 фото: $0.383 + $6.000 = $6.38

Gemini 2.5 Flash
за 1000 фото: $0.077 + $10.000 = $10.08

Kimi K2.5 Vision
за 1000 фото: $0.456 + $12.0 = $12.456

мой Вывод: локальное железо это не экономия а дополнительные сложности и расходы