Google Gemini 384 × 384 px ವರೆಗಿನ ಯಾವುದೇ ಚಿತ್ರಕ್ಕೆ 258 ಟೋಕನ್‌ಗಳನ್ನು ವಿಧಿಸುತ್ತದೆ. ಚಿತ್ರವು ಈ ಗಾತ್ರವನ್ನು ಮೀರಿದರೆ, ಪ್ರತಿ 768 × 768 px ಟೈಲ್‌ಗೆ (tile) Gemini ಮತ್ತೆ 258-ಟೋಕನ್ ಶುಲ್ಕವನ್ನು ಸೇರಿಸುತ್ತದೆ. ಆದ್ದರಿಂದ 500 × 500 px ಚಿತ್ರವು 384 × 384 px ಚಿತ್ರದಷ್ಟೇ ವೆಚ್ಚವಾಗುತ್ತದೆ, ಆದರೆ 1920 × 1080 px ಫ್ರೇಮ್ ಆರು ಟೈಲ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ ಮತ್ತು 1,548 ಟೋಕನ್‌ಗಳನ್ನು ಬಳಸುತ್ತದೆ. ಪ್ರತಿ ಟೋಕನ್‌ಗೆ ಪಾವತಿಸುವ ಡೆವಲಪರ್‌ಗಳಿಗೆ, 768-ಪಿಕ್ಸೆಲ್ ಮಿತಿಯನ್ನು ಮೀರಿದಾಗ ವೆಚ್ಚವು 75% ರಷ್ಟು ಬದಲಾಗಬಹುದು.

Gemini ಚಿತ್ರಗಳಿಗೆ ಬೆಲೆ ನಿಗದಿಪಡಿಸುವ ವಿಧಾನ

Gemini ಚಿತ್ರಗಳನ್ನು ದೃಶ್ಯ ಪ್ಯಾಚ್‌ಗಳ (visual patches) ಗ್ರಿಡ್ ಆಗಿ ಪರಿಗಣಿಸುತ್ತದೆ. 384-ಪಿಕ್ಸೆಲ್ ಚೌಕಟ್ಟನ್ನು 256 ಪ್ಯಾಚ್‌ಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗುತ್ತದೆ; ದೃಶ್ಯದ ಆರಂಭ ಮತ್ತು ಅಂತ್ಯವನ್ನು ಗುರುತಿಸಲು ಎರಡು ಹೆಚ್ಚುವರಿ ಟೋಕನ್‌ಗಳನ್ನು ಬಳಸಲಾಗುತ್ತದೆ, ಇದರಿಂದ ಒಟ್ಟು 258-ಟೋಕನ್ ಸ್ಥಿರ ಬೆಲೆ ಸಿಗುತ್ತದೆ. ಇದಕ್ಕಿಂತ ದೊಡ್ಡದಿದ್ದಲ್ಲಿ ಟೈಲಿಂಗ್ (tiling) ಹಂತವು ಪ್ರಾರಂಭವಾಗುತ್ತದೆ: ಸಿಸ್ಟಮ್ ಚಿತ್ರವನ್ನು 768-ಪಿಕ್ಸೆಲ್ ಟೈಲ್‌ಗಳಾಗಿ ಕತ್ತರಿಸುತ್ತದೆ, ಪ್ರತಿ ಟೈಲ್ ಅನ್ನು ಸ್ವತಂತ್ರವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತದೆ ಮತ್ತು ಪ್ರತಿಯೊಂದಕ್ಕೂ 258 ಟೋಕನ್‌ಗಳಂತೆ ಬಿಲ್ ಮಾಡುತ್ತದೆ.

ಟೋಕನ್ ಸಂಖ್ಯೆಯು ಕೇವಲ ಪಿಕ್ಸೆಲ್‌ಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರದೆ, ಟೈಲ್‌ಗಳ ಸಂಖ್ಯೆಯೊಂದಿಗೆ ಹೆಚ್ಚಾಗುತ್ತದೆ. 1280 × 720 px ಫೋಟೋವು ಎರಡು ಟೈಲ್‌ಗಳನ್ನು ಆಕ್ರಮಿಸುತ್ತದೆ (258 × 2 = 516 ಟೋಕನ್‌ಗಳು). 3840 × 2160 px 4K ಫ್ರೇಮ್ ಹದಿನೈದು ಟೈಲ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ, ಇದರ ವೆಚ್ಚ 3,870 ಟೋಕನ್‌ಗಳು. ಇದರ ನಿಯಮ ಸರಳ—ಚಿತ್ರವು ಎಷ್ಟು 768-ಪಿಕ್ಸೆಲ್ ಚೌಕಟ್ಟುಗಳನ್ನು ಆಕ್ರಮಿಸಿದೆ ಎಂದು ಎಣಿಸಿ, ಅದನ್ನು 258 ರಿಂದ ಗುಣಿಸಿ, ಆಗ ನಿಮಗೆ ಟೋಕನ್ ಬಿಲ್ ಸಿಗುತ್ತದೆ.

ಈ ನಿಯಮ ಏಕೆ ಮುಖ್ಯ?

Gemini ನ ಟೋಕನ್ ಮಾಡೆಲ್ ನೇರವಾಗಿ API ವೆಚ್ಚಗಳಿಗೆ ಸಂಬಂಧಿಸಿದೆ.

ಬಿಲ್ ಅನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಪ್ರಾಯೋಗಿಕ ಮಾರ್ಗಗಳು

  • ಟೈಲ್ ಮಿತಿಯ ಒಳಗೇ ಇರಿ. 800 × 800 px ಚಿತ್ರವು ನಾಲ್ಕು 768-ಪಿಕ್ಸೆಲ್ ಟೈಲ್‌ಗಳಾಗಿ ವಿಭಜನೆಯಾಗುತ್ತದೆ, ಇದು 1,032 ಟೋಕನ್‌ಗಳ ವೆಚ್ಚವನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ—ಇದು 768 × 768 px ಚಿತ್ರದ ಬೆಲೆಗಿಂತ ನಾಲ್ಕು ಪಟ್ಟು ಹೆಚ್ಚು. ನಿಖರವಾದ ಟೈಲ್ ಗಡಿಗೆ (boundary) ಅನುಗುಣವಾಗಿ ಚಿತ್ರದ ಗಾತ್ರವನ್ನು ಬದಲಾಯಿಸಿ (resize) ಮತ್ತು 75% ಉಳಿತಾಯ ಮಾಡಿ.
  • ಖಾಲಿ ಜಾಗವನ್ನು ಕತ್ತರಿಸಿ. ದೊಡ್ಡ ಬಿಳಿ ಅಂಚುಗಳು (margins) ಟೋಕನ್ ಒಟ್ಟು ಮೊತ್ತಕ್ಕೆ ಸೇರ್ಪಡೆಯಾಗುವ ಪ್ಯಾಚ್‌ಗಳನ್ನು ಸೃಷ್ಟಿಸುತ್ತವೆ. ಅಂತಹ ಅಂಚುಗಳನ್ನು ಕ್ರಾಪ್ (crop) ಮಾಡುವುದರಿಂದ ವೆಚ್ಚವನ್ನು ಮೂರನೇ ಎರಡರಷ್ಟು ಕಡಿಮೆ ಮಾಡಬಹುದು.
  • OCR ಓದುವಿಕೆಯನ್ನು ಗಮನಿಸಿ. ಅಕ್ಷರಗಳು ಅಂದಾಜು 15–20 px ಎತ್ತರವಿದ್ದಾಗ ಮಾತ್ರ Gemini ಪಠ್ಯವನ್ನು ಓದುತ್ತದೆ. ದಾಖಲೆಯನ್ನು ಆ ಮಿತಿಗಿಂತ ಕಡಿಮೆ ಗಾತ್ರಕ್ಕೆ ಇಳಿಸಿದರೆ, ಮಾಡೆಲ್ ಪದಗಳನ್ನು ಗುರುತಿಸಲು ಸಾಧ್ಯವಾಗುವುದಿಲ್ಲ, ಇದರಿಂದ ಹೆಚ್ಚು ವೆಚ್ಚದಾಯಕವಾಗಿರಬಹುದಾದ ಪಠ್ಯ ಇನ್‌ಪುಟ್‌ಗೆ (text input) ಬದಲಾಯಿಸಬೇಕಾಗುತ್ತದೆ.
  • ಪ್ರತಿ ಸಾಲಿಗೆ ಎತ್ತರದ ನಿಯಮವನ್ನು ಅನ್ವಯಿಸಿ. ಪ್ಲೇನ್-ಟೆಕ್ಸ್ಟ್ ದಾಖಲೆಗಳಿಗಾಗಿ, ಒಟ್ಟು ಚಿತ್ರದ ಎತ್ತರವು ಸಾಲುಗಳ ಸಂಖ್ಯೆ ಮತ್ತು 25 px ರ ಗುಣಲಬ್ಧಕ್ಕೆ ಸಮನಾಗಿರುವಂತೆ ನೋಡಿಕೊಳ್ಳಿ. ಈ "ಗೋಲ್ಡನ್ ಫಾರ್ಮುಲಾ" ಸಾಲುಗಳ ನಡುವಿನ ಅಂತರವನ್ನು ಓದುವಿಕೆಗೆ ಅನುಕೂಲವಾಗುವಂತೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಒಂದೇ ಟೈಲ್‌ನೊಳಗೆ ಇರಿಸುತ್ತದೆ.
  • ದಟ್ಟವಾದ ಡೇಟಾಗೆ ಚಿತ್ರಗಳನ್ನು ಬಳಸಿ. ದೊಡ್ಡ ಸ್ಪ್ರೆಡ್‌ಶೀಟ್ ಅಥವಾ LaTeX ಸಮೀಕರಣದ ಸ್ಕ್ರೀನ್‌ಶಾಟ್, ಅದೇ ಡೇಟಾವನ್ನು ಟೈಪ್ ಮಾಡುವುದಕ್ಕಿಂತ ಪ್ರತಿ ಟೋಕನ್‌ಗೆ ಹೆಚ್ಚಿನ ಮಾಹಿತಿಯನ್ನು ನೀಡುತ್ತದೆ. ಡೇಟಾ ಸಾಂದ್ರತೆ ಹೆಚ್ಚಿದ್ದಾಗ, ಚಿತ್ರದ 258-ಟೋಕನ್ ವೆಚ್ಚವು ಸಮಾನವಾದ ಪಠ್ಯದ (text payload) ವೆಚ್ಚಕ್ಕಿಂತ ಕಡಿಮೆ ಇರಬಹುದು.

ಚಿತ್ರಗಳು ಪಠ್ಯಕ್ಕಿಂತ ಉತ್ತಮವಾಗಿರುವಾಗ

ಕೆಲವು ರೀತಿಯ ವಿಷಯಗಳಿಗಾಗಿ ಟೋಕನ್ ಉಳಿತಾಯವು ಚಿತ್ರಗಳ ಪರವಾಗಿ ಬದಲಾಗುತ್ತದೆ:

  • ಲ್ಯಾಟಿನ್ ಅಲ್ಲದ ಲಿಪಿಗಳು. ಹಿಂದಿ, ಚೀನೀ, ಅರೇಬಿಕ್ ಮತ್ತು ಅಂತಹ ಲಿಪಿಗಳು ಒಂದು ಸಣ್ಣ ವಿಚಾರವನ್ನು ತಿಳಿಸಲು ಅನೇಕ ಅಕ್ಷರಗಳನ್ನು ಬಯಸುತ್ತವೆ; ಪಠ್ಯ ಮೋಡ್‌ನಲ್ಲಿ ಪ್ರತಿ ಅಕ್ಷರವು ಒಂದು ಟೋಕನ್ ಆಗುತ್ತದೆ, ಆದರೆ ಅದೇ ದೃಶ್ಯವು ಒಂದೇ ಚಿತ್ರದ ಟೈಲ್‌ನಲ್ಲಿ ಹೊಂದುತ್ತದೆ.
  • ಸಂಕೀರ್ಣ ಗಣಿತದ ಸಂಕೇತಗಳು. LaTeX ಸೂತ್ರಗಳು ಟೋಕನ್ ಸಂಖ್ಯೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತವೆ. ಸೂತ್ರದ ಚಿತ್ರವು (rendered image) ಒಂದೇ ಟೈಲ್‌ನಲ್ಲಿ ಇರುತ್ತದೆ, ಇದು ಹೆಚ್ಚಾಗಿ ಕಚ್ಚಾ LaTeX ಸ್ಟ್ರಿಂಗ್‌ಗಿಂತ ಕಡಿಮೆ ವೆಚ್ಚವಾಗುತ್ತದೆ.
  • ದೊಡ್ಡ UI ಲೇಔಟ್‌ಗಳು ಅಥವಾ ಟೇಬಲ್‌ಗಳು. ಪೂರ್ಣ ಪರದೆಯ UI ಮಾಕಪ್ ಅಥವಾ ಬಹು-ಪುಟದ ಟೇಬಲ್ ಅನ್ನು ಚಿತ್ರವಾಗಿ ಬಳಸುವುದರಿಂದ, ಪ್ರತಿಯೊಂದು ಅಂಶವನ್ನು ವಿವರವಾಗಿ ಬರೆಯುವ ಅಗತ್ಯವಿರುವುದಿಲ್ಲ, ಇದು ಮಾಹಿತಿಯನ್ನು ಕೆಲವೇ ಟೈಲ್‌ಗಳಲ್ಲಿ ಸಂಕುಚಿತಗೊಳಿಸುತ್ತದೆ.

ಸಮತೋಲನ (The trade-off)

ಚಿತ್ರದ ಗಾತ್ರವನ್ನು ಅತಿಯಾಗಿ ಕಡಿತಗೊಳಿಸುವುದು ಹಿಂತಿರುಗಿ ಪರಿಣಾಮ ಬೀರಬಹುದು. ಅಕ್ಷರಗಳು ಕನಿಷ್ಠ 15-ಪಿಕ್ಸೆಲ್ ಮಿತಿಗಿಂತ ಕಡಿಮೆಯಾದರೆ, Gemini ನ OCR ವಿಫಲವಾಗುತ್ತದೆ ಮತ್ತು ಡೆವಲಪರ್‌ಗಳು ಕಚ್ಚಾ ಪಠ್ಯವನ್ನು ಕಳುಹಿಸಬೇಕಾಗುತ್ತದೆ—ಇದು ಟೋಕನ್ ಬಿಲ್ ಅನ್ನು ಹೆಚ್ಚಿಸಬಹುದು. ಅತಿಯಾದ ಕ್ರಾಪಿಂಗ್ ಮಾಡುವುದರಿಂದ ಮಾಡೆಲ್‌ಗೆ ಸರಿಯಾದ ಉತ್ತರ ನೀಡಲು ಬೇಕಾದ ಸಂದರ್ಭದ ಮಾಹಿತಿಯನ್ನು (context) ಕಳೆದುಕೊಳ್ಳಬಹುದು. ಟೈಲ್ ಗಡಿಯನ್ನು ಗೌರವಿಸುತ್ತಾ ಮತ್ತು ಓದುವಿಕೆಯನ್ನು ಉಳಿಸಿಕೊಳ್ಳುವಂತಹ ಮಧ್ಯಮ ಗಾತ್ರದ ಬದಲಾವಣೆ ಮಾಡುವುದು ಅತ್ಯುತ್ತಮ ಮಾರ್ಗವಾಗಿದೆ.

ಅಂತಿಮ ತೀರ್ಮಾನ

Gemini ನ ಇಮೇಜ್ ಟೋಕನ್ ಲೆಕ್ಕಾಚಾರವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಗುಪ್ತ ವೆಚ್ಚವನ್ನು ನಿಯಂತ್ರಿಸಬಹುದಾದ ಅಂಶವನ್ನಾಗಿ ಮಾಡುತ್ತದೆ. ಪ್ರತಿ ವಿನಂತಿಯಿಂದ (request) ಹತ್ತಾರು ಅಥವಾ ನೂರಾರು ಟೋಕನ್‌ಗಳನ್ನು ಉಳಿಸಲು ಚಿತ್ರಗಳನ್ನು 768 px ಅಥವಾ ಅದಕ್ಕಿಂತ ಕಡಿಮೆ ಇರಿಸಿ, ಅನಗತ್ಯ ಬಿಳಿ ಜಾಗವನ್ನು ಕತ್ತರಿಸಿ ಮತ್ತು ಪಠ್ಯವು ಓದುವಿಕೆಗೆ ಅನುಕೂಲವಾಗುವಂತೆ ನೋಡಿಕೊಳ್ಳಿ. ದಟ್ಟವಾದ ಡೇಟಾ ವಿಷಯಗಳಿಗಾಗಿ—ಲ್ಯಾಟಿನ್ ಅಲ್ಲದ ಲಿಪಿಗಳು, ಗಣಿತ, ಟೇಬಲ್‌ಗಳು—ಚಿತ್ರಗಳು ಅಲ್ಪ ಟೋಕನ್ ಬೆಲೆಯಲ್ಲಿ ಅದೇ ಮಾಹಿತಿಯನ್ನು ನೀಡುತ್ತವೆ. ಕೇವಲ ಗಾತ್ರವನ್ನು ಕಡಿಮೆ ಮಾಡುವುದಲ್ಲದೆ, ಸ್ಮಾರ್ಟ್ ಪ್ರಿ-ಪ್ರೊಸೆಸಿಂಗ್ (preprocessing) ಮಾಡುವುದು Gemini ಅನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಬಳಸಲು ಮುಖ್ಯವಾಗಿದೆ.

ಮೂಲ: dev.to/kushaagr