Google Gemini 384 × 384 px വരെയുള്ള ഏതൊരു ചിത്രത്തിനും 258 ടോക്കണുകൾ ഈടാക്കുന്നു. ചിത്രത്തിന്റെ വലിപ്പം അതിൽ കൂടുതലാണെങ്കിൽ, ഓരോ 768 × 768 px ടൈലിനും (tile) Gemini വീണ്ടും 258 ടോക്കണുകൾ വീതം ഈടാക്കും. അതിനാൽ, ഒരു 500 × 500 px ചിത്രത്തിന് 384 × 384 px ചിത്രത്തിന് നൽകുന്ന അതേ തുക മതിയാകും; എന്നാൽ ഒരു 1920 × 1080 px ഫ്രെയിം ആറ് ടൈലുകളിലായി വ്യാപിച്ചു കിടക്കുന്നതിനാൽ 1,548 ടോക്കണുകൾ ഉപയോഗിക്കുന്നു. ടോക്കണുകൾക്ക് അനുസരിച്ച് പണം നൽകുന്ന ഡെവലപ്പർമാരെ സംബന്ധിച്ചിടത്തോളം, 768-പിക്സൽ പരിധി മറികടക്കുന്നത് ചിലവിൽ 75% വരെ വ്യത്യാസം വരുത്തിയേക്കാം.

Gemini ചിത്രങ്ങൾക്ക് എങ്ങനെ വില നിശ്ചയിക്കുന്നു

Gemini ചിത്രങ്ങളെ വിഷ്വൽ പാച്ചുകളുടെ (visual patches) ഒരു ഗ്രിഡ് ആയിട്ടാണ് പരിഗണിക്കുന്നത്. ഒരു 384-പിക്സൽ സ്ക്വയറിനെ 256 പാച്ചുകളായി തിരിക്കുന്നു; വിഷ്വൽ സീക്വൻസിന്റെ തുടക്കവും ഒടുക്കവും അടയാളപ്പെടുത്താൻ രണ്ട് അധിക ടോക്കണുകൾ കൂടി ചേർക്കുമ്പോൾ മൊത്തം 258 ടോക്കൺ എന്ന നിരക്കിലെത്തുന്നു. ഇതിൽ വലുതായാൽ ഒരു ടൈലിംഗ് (tiling) ഘട്ടം നടക്കും: സിസ്റ്റം ചിത്രത്തെ 768-പിക്സൽ ടൈലുകളായി മുറിക്കുകയും, ഓരോ ടൈലിനെയും സ്വതന്ത്രമായി വിലയിരുത്തുകയും, ഓരോന്നിനും 258 ടോക്കണുകൾ വീതം ഈടാക്കുകയും ചെയ്യുന്നു.

ടോക്കൺ എണ്ണം കണക്കാക്കുന്നത് പിക്സലുകളുടെ അടിസ്ഥാനത്തിലല്ല, മറിച്ച് ടൈലുകളുടെ എണ്ണത്തിന്റെ അടിസ്ഥാനത്തിലാണ്. ഒരു 1280 × 720 px ഫോട്ടോ രണ്ട് ടൈലുകൾ ഉപയോഗിക്കുന്നു (258 × 2 = 516 ടോക്കണുകൾ). ഒരു 3840 × 2160 px 4K ഫ്രെയിം പതിനഞ്ച് ടൈലുകളിലായി വ്യാപിക്കുന്നു, ഇതിന് 3,870 ടോക്കണുകൾ ചിലവാകും. ഇതിന്റെ നിയമം ലളിതമാണ്—ചിത്രം എത്ര 768-പിക്സൽ സ്ക്വയറുകളിൽ ഉൾപ്പെടുന്നു എന്ന് കണക്കാക്കുക, അതിനെ 258 കൊണ്ട് ഗുണിക്കുക, അപ്പോൾ നിങ്ങൾക്ക് ടോക്കൺ ബില്ല് ലഭിക്കും.

ഈ നിയമം പ്രധാനമാകുന്നത് എന്തുകൊണ്ട്

Gemini-യുടെ ടോക്കൺ മോഡൽ നേരിട്ട് API ചിലവുകളെ ബാധിക്കുന്നു.

ബില്ല് കുറയ്ക്കാൻ പ്രായോഗികമായ വഴികൾ

  • ടൈൽ പരിധിയിൽ താഴെ നിൽക്കുക. ഒരു 800 × 800 px ചിത്രം നാല് 768-പിക്സൽ ടൈലുകളായി മാറുന്നു, ഇതിന് 1,032 ടോക്കണുകൾ ചിലവാകും—ഇത് ഒരു 768 × 768 px ചിത്രത്തിന്റെ വിലയുടെ നാല് മടങ്ങാണ്. ടൈൽ അതിരുകൾക്ക് അനുസരിച്ച് ചിത്രത്തിന്റെ വലിപ്പം ക്രമീകരിക്കുന്നതിലൂടെ 75% വരെ ലാഭിക്കാം.
  • അനാവശ്യമായ ഭാഗങ്ങൾ ഒഴിവാക്കുക. വലിയ വൈറ്റ് മാർജിനുകൾ (white margins) ടോക്കൺ എണ്ണത്തിൽ ഉൾപ്പെടുന്ന പാച്ചുകൾ സൃഷ്ടിക്കുന്നു. ഇത്തരം മാർജിനുകൾ ക്രോപ്പ് ചെയ്യുന്നത് ചിലവ് മൂന്നിലൊന്ന് ഭാഗം വരെ കുറയ്ക്കാൻ സഹായിക്കും.
  • OCR വായനാക്ഷമത ശ്രദ്ധിക്കുക. അക്ഷരങ്ങളുടെ ഉയരം ഏകദേശം 15–20 px ആണെങ്കിൽ മാത്രമേ Gemini ടെക്സ്റ്റ് വായിക്കുകയുള്ളൂ. ഒരു ഡോക്യുമെന്റിന്റെ വലിപ്പം ഇതിൽ താഴെയാക്കിയാൽ മോഡലിന് വാക്കുകൾ തിരിച്ചറിയാൻ കഴിയില്ല, ഇത് കൂടുതൽ ചിലവേറിയ ടെക്സ്റ്റ് ഇൻപുട്ടിലേക്ക് മാറാൻ കാരണമായേക്കാം.
  • ലൈനുകൾക്കനുസരിച്ചുള്ള ഉയരം നിശ്ചയിക്കുക. പ്ലെയിൻ ടെക്സ്റ്റ് ഡോക്യുമെന്റുകൾക്കായി, ആകെ ചിത്രത്തിന്റെ ഉയരം (ലൈനുകളുടെ എണ്ണം × 25 px) എന്ന രീതിയിൽ ക്രമീകരിക്കാൻ ശ്രമിക്കുക. ഈ "ഗോൾഡൻ ഫോർമുല" വരികൾക്കിടയിലെ അകലം വായനാക്ഷമത നിലനിർത്തുന്നതോടൊപ്പം ഒരു ടൈലിനുള്ളിൽ തന്നെ നിൽക്കാൻ സഹായിക്കുകയും ചെയ്യുന്നു.
  • കൂടുതൽ വിവരങ്ങളുള്ള ഡാറ്റയ്ക്ക് ചിത്രങ്ങൾ ഉപയോഗിക്കുക. ഒരു വലിയ സ്പ്രെഡ്ഷീറ്റിന്റെയോ LaTeX ഇക്വേഷന്റെയോ സ്ക്രീൻഷോട്ട് എടുക്കുന്നത്, അതേ വിവരങ്ങൾ ടൈപ്പ് ചെയ്യുന്നതിനേക്കാൾ കുറഞ്ഞ ടോക്കണുകളിൽ കൂടുതൽ വിവരങ്ങൾ നൽകാൻ സഹായിക്കും. വിവരങ്ങളുടെ സാന്ദ്രത (density) കൂടുതലായിരിക്കുമ്പോൾ, ചിത്രത്തിന്റെ 258-ടോക്കൺ ചിലവ് സമാനമായ ടെക്സ്റ്റ് ഉപയോഗിക്കുന്നതിനേക്കാൾ ലാഭകരമായിരിക്കും.

എപ്പോഴാണ് ചിത്രങ്ങൾ ടെക്സ്റ്റിനേക്കാൾ മികച്ചതാകുന്നത്

ചിലതരം ഉള്ളടക്കങ്ങളിൽ ടോക്കൺ ലാഭിക്കാൻ ചിത്രങ്ങൾ കൂടുതൽ അനുയോജ്യമാണ്:

  • നോൺ-ലാറ്റിൻ ലിപികൾ (Non-Latin scripts). ഹിന്ദി, ചൈനീസ്, അറബിക് തുടങ്ങിയ ലിപികളിൽ ഒരു ചെറിയ ആശയം പ്രകടിപ്പിക്കാൻ പോലും ധാരാളം അക്ഷരങ്ങൾ ആവശ്യമാണ്; ടെക്സ്റ്റ് മോഡലിൽ ഓരോ അക്ഷരവും ഒരു ടോക്കൺ ആയി കണക്കാക്കപ്പെടുമ്പോൾ, അതേ വിവരങ്ങൾ ഒരു ഇമേജ് ടൈലിൽ ഒതുങ്ങും.
  • സങ്കീർണ്ണമായ ഗണിത സൂത്രവാക്യങ്ങൾ. LaTeX ഫോർമുലകൾ ഉപയോഗിക്കുമ്പോൾ ടോക്കൺ എണ്ണം കുത്തനെ കൂടുന്നു. എന്നാൽ ഫോർമുലയുടെ ഒരു ചിത്രം ഉപയോഗിക്കുന്നത് ഒരു ടൈലിൽ ഒതുങ്ങുന്നതിനാൽ, സാധാരണ LaTeX സ്ട്രിംഗിനേക്കാൾ ചിലവ് കുറവായിരിക്കും.
  • വലിയ UI ലേഔട്ടുകൾ അല്ലെങ്കിൽ ടേബിളുകൾ. ഒരു ഫുൾ സ്ക്രീൻ UI മോക്കപ്പോ ഒന്നിലധികം പേജുകളുള്ള ടേബിളോ ചിത്രമായി നൽകുന്നത്, ഓരോ ഘടകത്തെയും വിവരിക്കേണ്ടതില്ലാത്തതിനാൽ വിവരങ്ങളെ കുറച്ച് ടൈലുകളിലേക്ക് ചുരുക്കാൻ സഹായിക്കുന്നു.

ഗുണദോഷങ്ങൾ (The trade-off)

ചിത്രത്തിന്റെ വലിപ്പം അമിതമായി കുറയ്ക്കുന്നത് തിരിച്ചടിയായേക്കാം. അക്ഷരങ്ങൾ 15-പിക്സൽ എന്ന പരിധിയിൽ താഴെയായാൽ Gemini-യുടെ OCR പരാജയപ്പെടുകയും ഡെവലപ്പർമാർക്ക് ടെക്സ്റ്റ് അയക്കേണ്ടി വരികയും ചെയ്യും—ഇത് ടോക്കൺ ബില്ല് വർദ്ധിപ്പിക്കാൻ കാരണമാകും. അമിതമായ ക്രോപ്പിംഗ് മോഡലിന് കൃത്യമായ മറുപടി നൽകാൻ ആവശ്യമായ വിവരങ്ങൾ നഷ്ടപ്പെടുത്താനും ഇടയാക്കിയേക്കാം. അതിനാൽ, വായനാക്ഷമത നിലനിർത്തിക്കൊണ്ടുതന്നെ ടൈൽ പരിധികളെ മാനിച്ചുകൊണ്ട് ചിത്രത്തിന്റെ വലിപ്പം മിതമായി ക്രമീകരിക്കുന്നതാണ് ഏറ്റവും ഉചിതം.

ചുരുക്കത്തിൽ

Gemini-യുടെ ഇമേജ് ടോക്കൺ കണക്കുകൂട്ടലുകൾ മനസ്സിലാക്കുന്നത് മറഞ്ഞിരിക്കുന്ന ചിലവുകളെ നിയന്ത്രിക്കാൻ സഹായിക്കും. ഓരോ റിക്വസ്റ്റിലും ടോക്കണുകൾ ലാഭിക്കാൻ ചിത്രങ്ങൾ 768 px-ൽ താഴെയായി സൂക്ഷിക്കുക, അനാവശ്യമായ വൈറ്റ് സ്പേസ് ഒഴിവാക്കുക, ടെക്സ്റ്റ് വ്യക്തമാണെന്ന് ഉറപ്പാക്കുക. നോൺ-ലാറ്റിൻ ലിപികൾ, ഗണിതം, ടേബിളുകൾ തുടങ്ങിയ വിവരസാന്ദ്രതയുള്ള ഉള്ളടക്കങ്ങൾക്ക്, വളരെ കുറഞ്ഞ ടോക്കൺ ചിലവിൽ ചിത്രങ്ങൾ മികച്ച ഫലം നൽകുന്നു. അന്ധമായി വലിപ്പം കുറയ്ക്കുന്നതിന് പകരം കൃത്യമായ പ്രീപ്രോസസ്സിംഗ് (preprocessing) ആണ് കുറഞ്ഞ ചിലവിൽ Gemini ഉപയോഗിക്കുന്നതിനുള്ള വഴി.

Source: dev.to/kushaagr