Google Gemini 384 × 384 px સુધીના કોઈપણ ચિત્ર માટે 258 ટોકન વસૂલે છે. જો ચિત્ર તેનાથી મોટું હોય, તો Gemini દરેક 768 × 768 px ટાઇલ માટે વધુ 258-ટોકનનો ચાર્જ ઉમેરે છે. તેથી 500 × 500 px ના ચિત્રનો ખર્ચ 384 × 384 px ના ચિત્ર જેટલો જ થાય છે, જ્યારે 1920 × 1080 px ના ફ્રેમમાં છ ટાઇલો આવે છે અને તે 1,548 ટોકનનો ઉપયોગ કરે છે. જે ડેવલપર્સ પ્રતિ ટોકન ચૂકવણી કરે છે, તેમના માટે 768-પિક્સેલની સીમા ઓળંગવાથી ખર્ચમાં 75% નો ફેરફાર થઈ શકે છે.

Gemini ચિત્રોના ભાવ કેવી રીતે નક્કી કરે છે

Gemini ચિત્રોને વિઝ્યુઅલ પેચના ગ્રીડ તરીકે ગણે છે. 384-પિક્સેલનો ચોરસ 256 પેચમાં વહેંચાય છે; વિઝ્યુઅલ સિક્વન્સની શરૂઆત અને અંત માટે બે વધારાના ટોકન ઉમેરવામાં આવે છે, જેનાથી ફ્લેટ 258-ટોકનનો ભાવ મળે છે. તેનાથી મોટું કંઈપણ હોય તો ટાઇલિંગ સ્ટેપ શરૂ થાય છે: સિસ્ટમ ચિત્રને 768-પિક્સેલની ટાઇલોમાં કાપે છે, દરેક ટાઇલનું સ્વતંત્ર રીતે મૂલ્યાંકન કરે છે, અને દરેક માટે 258 ટોકન વસૂલે છે.

ટોકન ગણતરી ટાઇલોની સંખ્યા સાથે વધે છે, કાચા પિક્સેલ્સ સાથે નહીં. 1280 × 720 px નો ફોટો બે ટાઇલો રોકે છે (258 × 2 = 516 ટોકન). 3840 × 2160 px 4K ફ્રેમ પંદર ટાઇલો આવરી લે છે, જેનો ખર્ચ 3,870 ટોકન થાય છે. નિયમ સરળ છે—ચિત્ર કેટલી 768-પિક્સેલની ચોરસ ટાઇલો રોકે છે તે ગણો, તેને 258 સાથે ગુણો, અને તમારી પાસે ટોકન બિલ તૈયાર હશે.

આ નિયમ શા માટે મહત્વપૂર્ણ છે

Geminiનું ટોકન મોડેલ સીધું જ API ખર્ચમાં પરિવર્તિત થાય છે.

બિલ ઘટાડવાના વ્યવહારુ રસ્તાઓ

  • ટાઇલ મર્યાદાની અંદર રહો. 800 × 800 px નું ચિત્ર ચાર 768-પિક્સેલની ટાઇલોમાં વહેંચાય છે, જેનો ખર્ચ 1,032 ટોકન થાય છે—જે 768 × 768 px ના ચિત્રના ચાર ગણો ખર્ચ છે. ચોક્કસ ટાઇલ બોર્ડર મુજબ રિસાઇઝ કરો અને 75% બચાવો.
  • ખાલી જગ્યા કાઢી નાખો. મોટા સફેદ માર્જિન હજુ પણ પેચ બનાવે છે જે ટોકન ટોટલમાં ગણાય છે. આ માર્જિનને ક્રોપ કરવાથી ખર્ચ બે તૃતીયાંશ સુધી ઘટાડી શકાય છે.
  • OCR વાંચનક્ષમતાનું ધ્યાન રાખો. Gemini ટેક્સ્ટ ત્યારે જ વાંચે છે જ્યારે અક્ષરો અંદાજે 15–20 px ઊંચા હોય. જો તમે દસ્તાવેજને આ મર્યાદાથી નીચે ડાઉનસ્કેલ કરશો, તો મોડેલ શબ્દો ચૂકી જશે, જેના કારણે ટેક્સ્ટ ઇનપુટનો ઉપયોગ કરવો પડશે જે કદાચ વધુ મોંઘો હોઈ શકે છે.
  • લાઇન દીઠ ઊંચાઈનો નિયમ લાગુ કરો. પ્લેન-ટેક્સ્ટ દસ્તાવેજો માટે, કુલ ચિત્રની ઊંચાઈ લાઇનની સંખ્યા ગુણ્યા 25 px જેટલી રાખવાનો પ્રયાસ કરો. આ "ગોલ્ડન ફોર્મ્યુલા" લાઇન સ્પેસિંગ વાંચી શકાય તેવું રાખે છે અને એક જ ટાઇલની અંદર રહે છે.
  • વધુ માહિતી ધરાવતા (dense) ડેટા માટે ચિત્રોને પ્રાધાન્ય આપો. મોટી સ્પ્રેડશીટ અથવા LaTeX સમીકરણનો સ્ક્રીનશોટ ઘણીવાર સમાન ડેટા ટાઈપ કરવા કરતાં પ્રતિ ટોકન વધુ માહિતી આપે છે. જ્યારે ડેન્સિટી વધુ હોય, ત્યારે ચિત્રનો 258-ટોકનનો ખર્ચ સમાન ટેક્સ્ટ પેલોડ કરતા સસ્તો હોઈ શકે છે.

જ્યારે ચિત્રો ટેક્સ્ટ કરતા વધુ સારા હોય

કેટલાક પ્રકારના કન્ટેન્ટ માટે ટોકન ઇકોનોમી ચિત્રોના પક્ષમાં વળી જાય છે:

  • નોન-લેટિન સ્ક્રિપ્ટ્સ. હિન્દી, ચાઈનીઝ, અરબી અને સમાન લિપિઓ ટૂંકા વિચારને વ્યક્ત કરવા માટે ઘણા અક્ષરોની જરૂર પડે છે; ટેક્સ્ટ મોડમાં દરેક અક્ષર એક ટોકન બને છે, જ્યારે તે જ વિઝ્યુઅલ એક જ ઇમેજ ટાઇલમાં સમાઈ જાય છે.
  • જટિલ ગાણિતિક નોટેશન. LaTeX ફોર્મ્યુલામાં ટોકન ગણતરી ખૂબ વધી જાય છે. ફોર્મ્યુલાનું રેન્ડર કરેલું ચિત્ર એક ટાઇલની અંદર રહે છે, જે ઘણીવાર કાચા LaTeX સ્ટ્રિંગ કરતા ઓછો ખર્ચ કરે છે.
  • મોટા UI લેઆઉટ અથવા ટેબલ. ફૂલ-સ્ક્રીન UI મોકઅપ અથવા મલ્ટી-પેજ ટેબલને ચિત્ર તરીકે રેન્ડર કરવાથી દરેક ઘટનને વર્ણવવાની જરૂર રહેતી નથી, જેનાથી માહિતી થોડી ટાઇલોમાં સંકુચિત થઈ જાય છે.

ટ્રેડ-ઓફ (સંતુલન)

ચિત્રનું કદ અંધાધૂંધ ઘટાડવાથી નુકસાન થઈ શકે છે. જો અક્ષરો 15-પિક્સેલની લઘુત્તમ મર્યાદાથી નીચે જાય, તો Gemini નું OCR નિષ્ફળ જાય છે અને ડેવલપર્સે કાચો ટેક્સ્ટ મોકલવો પડે છે—જે સંભવતઃ ટોકન બિલ વધારી શકે છે. વધુ પડતું ક્રોપિંગ મોડેલને સાચો જવાબ આપવા માટે જરૂરી સંદર્ભ (context) ને પણ કાપી શકે છે. યોગ્ય સંતુલન એ છે કે ટાઇલ બોર્ડરનું સન્માન જળવાય અને વાંચનક્ષમતા પણ જળવાઈ રહે તે રીતે મધ્યમ રિસાઇઝ કરવું.

નિષ્કર્ષ

Gemini ના ઇમેજ ટોકન અંકગણિતને સમજવાથી છુપાયેલ ખર્ચને નિયંત્રિત કરી શકાય તેવા વેરિએબલમાં ફેરવી શકાય છે. દરેક રિક્વેસ્ટમાંથી દસ કે સો ટોકન બચાવવા માટે ચિત્રોને 768 px અથવા તેનાથી નીચે રાખો, બિનજરૂરી વ્હાઇટસ્પેસ કાઢી નાખો અને ટેક્સ્ટ વાંચી શકાય તેવું રહે તેની ખાતરી કરો. ડેટા-ડેન્સ કન્ટેન્ટ માટે—નોન-લેટિન સ્ક્રિપ્ટ્સ, ગણિત, ટેબલ—ચિત્રો ઘણીવાર ટોકન કિંમતના ખૂબ જ નાના ભાગમાં સમાન માહિતી આપે છે. અંધાધૂંધ ડાઉનસ્કેલિંગ કરવાને બદલે સ્માર્ટ પ્રી-પ્રોસેસિંગ એ લીન Gemini ઇન્ટિગ્રેશનની ચાવી છે.

સ્ત્રોત: dev.to/kushaagr