多模态 LLM 实战一张图等于多少 token账怎么算结论先放这儿图像视觉 token 数16px patch 估算336 × 336441512 × 51210241024 × 10244096长截图 1280 × 400020000一张高分辨率截图轻松吃掉几千到两万个视觉 token比一段长文字贵得多。多模态的账先算图像侧再算文本侧混着估会翻车。一、图像怎么变成 token视觉模型把图片切成小方块每个方块过一个编码器变成一个向量这就是视觉 token。切法通常按固定边长14 或 16 像素划网格token 数就是几何题import math def vision_tokens(width, height, patch16): return (width // patch) * (height // patch) for w, h in [(336, 336), (512, 512), (1024, 1024), (1280, 4000)]: print(w, x, h, -, vision_tokens(w, h), token)分辨率翻一倍token 数翻四倍成本跟着平方涨。这也是很多产品在上传前先压缩图片的原因画质损失可接受省下来的账单实在。二、分辨率和成本的三笔账第一笔输入计费。视觉 token 按输入价计费一张 1024 见方的图约 4000 token按常见价格折算比一段几百字的中文还贵。批量截图理解的场景先把图压到模型能认清的最小尺寸。第二笔上下文窗口。视觉 token 和文本 token 共享同一个窗口。塞几张高分辨率图留给对话历史的余量就被挤掉多图任务先算总账。第三笔延迟。视觉 token 越多首 token 延迟越长。实时场景截图问答、摄像头流要么降分辨率要么只送关键帧。三、选型注意各家模型对图像的处理方式不一样。有的固定分辨率切一格超过就压缩到规格内有的动态分辨率按长宽比切块长图切成多块逐块编码。选型时先看两点支持的图像 token 上限和计费方式再把你的真实图片样本跑一遍实测 token 数别拿文档示例当自己场景的账。实测方法和 Tokenizer 篇一个道理同一段内容不同编码差异很大图像侧同理# 用 API 返回的 usage 对账图像 token 通常单列 # usage.prompt_tokens_details.image_tokens 或类似字段四、三个坑坑一整页长图直接塞。一张 4000 像素高的长截图就是两万 token先按视口切段再喂每段配一行说明。坑二表格当图片送。表格类截图用视觉模型提取容易丢行列能转文本OCR 或结构化输出的先转视觉模型留给图表和示意图。坑三忘记多图累积。十张图的对话视觉 token 累积进历史后续每一轮都在为它付费。历史里的旧图及时替换成摘要。写在最后多模态的账分图像侧和文本侧图像侧是几何题token 数随分辨率平方涨。上传前压图、长图切段、表格先转文本、历史旧图换摘要四招下来成本差数倍。把真实图片样本跑一遍实测再定预算。实测口径以各家 API 返回的 usage 为准估自己的账要用自己的图片样本。
