يفرض Google Gemini رسوم 258 توكن لأي صورة يصل حجمها إلى 384 × 384 بكسل. إذا تجاوزت الصورة هذا الحجم، يضيف Gemini رسومًا إضافية قدرها 258 توكن لكل بلاطة (tile) بمساحة 768 × 768 بكسل. وبناءً على ذلك، فإن صورة بحجم 500 × 500 بكسل تكلف نفس تكلفة صورة بحجم 384 × 384 بكسل، بينما إطار بحجم 1920 × 1080 بكسل يمتد عبر ست بلاطات ويستهلك 1,548 توكن. بالنسبة للمطورين الذين يدفعون مقابل كل توكن، فإن تجاوز حد الـ 768 بكسل يمكن أن يغير التكلفة بنسبة 75%.

كيف يسعر Gemini الصور

يعامل Gemini الصور كمجموعة من الرقع المرئية (visual patches). المربع الذي تبلغ أبعاده 384 بكسل ينقسم إلى 256 رقعة؛ ويتم إضافة توكنين إضافيين لتحديد بداية ونهاية التسلسل المرئي، مما يعطي السعر الثابت وهو 258 توكن. أي شيء أكبر من ذلك يفعل خطوة التقسيم إلى بلاطات: حيث يقوم النظام بتقسيم الصورة إلى بلاطات بمساحة 768 بكسل، ويقيم كل بلاطة بشكل مستقل، ويحاسب على كل منها بـ 258 توكن.

يتوسع عدد التوكنز مع عدد البلاطات، وليس مع عدد البكسلات الخام. صورة بحجم 1280 × 720 بكسل تشغل بلاطتين (258 × 2 = 516 توكن). أما إطار 4K بحجم 3840 × 2160 بكسل فيغطي خمس عشرة بلاطة، مما يكلف 3,870 توكن. القاعدة بسيطة: احسب عدد مربعات الـ 768 بكسل التي تشغلها الصورة، واضربها في 258، وستحصل على فاتورة التوكنز.

لماذا تهم هذه القاعدة

يترجم نموذج التوكنز الخاص بـ Gemini مباشرة إلى مصاريف الـ API.

طرق عملية لتقليل الفاتورة

  • ابقَ تحت حد البلاطات. صورة بحجم 800 × 800 بكسل تنقسم إلى أربع بلاطات (768 بكسل)، مما يكلف 1,032 توكن — أي أربعة أضعاف سعر صورة بحجم 768 × 768 بكسل. قم بتغيير الحجم إلى حدود البلاطة بالضبط ووفر 75%.
  • قص المساحات الفارغة. الهوامش البيضاء الكبيرة لا تزال تولد رقعًا تُحتسب ضمن إجمالي التوكنز. يمكن لقص هذه الهوامش أن يقلل التكاليف بمقدار الثلثين.
  • انتبه لقابلية القراءة عبر OCR. يقرأ Gemini النصوص فقط عندما يكون ارتفاع الأحرف حوالي 15–20 بكسل. إذا قمت بتصغير حجم المستند إلى ما دون هذا الحد، فسيفقد النموذج الكلمات، مما يضطرك للجوء إلى إدخال النص الذي قد يكون أكثر تكلفة.
  • طبق قاعدة الارتفاع لكل سطر. بالنسبة للمستندات النصية البسيطة، استهدف ارتفاعًا إجماليًا للصورة يساوي عدد الأسطر مضروبًا في 25 بكسل. هذه "التركيبة الذهبية" تحافظ على تباعد الأسطر قابلاً للقراءة مع البقاء ضمن بلاطة واحدة.
  • فضل الصور للبيانات الكثيفة. غالبًا ما تحتوي لقطة شاشة لجدول بيانات كبير أو معادلة LaTeX على معلومات أكثر لكل توكن مقارنة بكتابة نفس البيانات نصيًا. عندما تكون الكثافة عالية، يمكن أن تكون تكلفة الـ 258 توكن للصورة أرخص من حمولة النص المكافئة.

متى تتفوق الصور على النصوص

تتحول اقتصاديات التوكنز لصالح الصور في عدة أنواع من المحتوى:

  • النصوص غير اللاتينية. تتطلب النصوص مثل الهندية والصينية والعربية والنصوص المشابهة العديد من الأحرف لإيصال فكرة قصيرة؛ ويظل كل حرف عبارة عن توكن في وضع النص، بينما تتسع نفس المعلومة المرئية في بلاطة صورة واحدة.
  • الرموز الرياضية المعقدة. تتضخم عدد التوكنز في معادلات LaTeX. تظل الصورة المعروضة للمعادلة ضمن بلاطة واحدة، وغالبًا ما تكلف أقل من سلسلة نص LaTeX الخام.
  • تخطيطات واجهة المستخدم (UI) أو الجداول الكبيرة. إن عرض نموذج UI كامل الشاشة أو جدول متعدد الصفحات كصورة يتجاوز الحاجة إلى وصف كل عنصر نصيًا، مما يضغط المعلومات في عدد قليل من البلاطات.

المقايضة

قد يؤدي تقليل حجم الصورة بشكل عشوائي إلى نتائج عكسية. إذا تقلصت الأحرف إلى أقل من الحد الأدنى البالغ 15 بكسل، فسيفشل نظام OCR في Gemini، وسيضطر المطورون إلى العودة إلى إرسال النص الخام — مما قد يؤدي إلى تضخم فاتورة التوكنز. كما أن القص المفرط قد يؤدي أيضًا إلى قطع السياق الذي يحتاجه النموذج للإجابة بشكل صحيح. النقطة المثالية هي تغيير الحجم بشكل معتدل يحترم حدود البلاطة مع الحفاظ على وضوح القراءة.

الخلاصة

إن فهم حسابات توكنز الصور في Gemini يحول التكلفة الخفية إلى متغير يمكن التحكم فيه. حافظ على الصور عند 768 بكسل أو أقل، وقم بقص المساحات البيضاء غير الضرورية، وتأكد من بقاء النص قابلاً للقراءة لتقليل عشرات أو مئات التوكنز من كل طلب. بالنسبة للمحتوى الكثيف البيانات — مثل النصوص غير اللاتينية والرياضيات والجداول — غالبًا ما توفر الصور نفس الرؤية بجزء بسيط من سعر التوكنز. المعالجة المسبقة الذكية، وليس التصغير الأعمى، هي المفتاح لدمج فعال واقتصادي مع Gemini.

المصدر: dev.to/kushaagr