Google Gemini 384 × 384 px ਤੱਕ ਦੀ ਕਿਸੇ ਵੀ ਤਸਵੀਰ ਲਈ 258 ਟੋਕਨ ਲੈਂਦਾ ਹੈ। ਜੇਕਰ ਕੋਈ ਤਸਵੀਰ ਇਸ ਆਕਾਰ ਤੋਂ ਵੱਡੀ ਹੁੰਦੀ ਹੈ, ਤਾਂ Gemini ਹਰੇਕ 768 × 768 px ਟਾਈਲ (tile) ਲਈ 258-ਟੋਕਨ ਦਾ ਵਾਧੂ ਚਾਰਜ ਲੈਂਦਾ ਹੈ। ਇਸ ਲਈ, 500 × 500 px ਦੀ ਤਸਵੀਰ ਦੀ ਕੀਮਤ 384 × 384 px ਵਾਲੀ ਤਸਵੀਰ ਦੇ ਬਰਾਬਰ ਹੀ ਹੁੰਦੀ ਹੈ, ਜਦੋਂ ਕਿ 1920 × 1080 px ਦਾ ਫਰੇਮ ਛੇ ਟਾਈਲਾਂ ਵਿੱਚ ਫੈਲਿਆ ਹੁੰਦਾ ਹੈ ਅਤੇ 1,548 ਟੋਕਨ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਉਹਨਾਂ ਡਿਵੈਲਪਰਾਂ ਲਈ ਜੋ ਪ੍ਰਤੀ ਟੋਕਨ ਭੁਗਤਾਨ ਕਰਦੇ ਹਨ, 768-ਪਿਕਸਲ ਦੀ ਸੀਮਾ ਨੂੰ ਪਾਰ ਕਰਨਾ ਲਾਗਤ ਨੂੰ 75% ਤੱਕ ਬਦਲ ਸਕਦਾ ਹੈ।

Gemini ਤਸਵੀਰਾਂ ਦੀ ਕੀਮਤ ਕਿਵੇਂ ਤੈਅ ਕਰਦਾ ਹੈ

Gemini ਤਸਵੀਰਾਂ ਨੂੰ ਵਿਜ਼ੂਅਲ ਪੈਚਾਂ (visual patches) ਦੇ ਇੱਕ ਗਰਿੱਡ ਵਜੋਂ ਮੰਨਦਾ ਹੈ। ਇੱਕ 384-ਪਿਕਸਲ ਦਾ ਵਰਗ 256 ਪੈਚਾਂ ਵਿੱਚ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ; ਦੋ ਵਾਧੂ ਟੋਕਨ ਵਿਜ਼ੂਅਲ ਸੀਕੁਐਂਸ ਦੀ ਸ਼ੁਰੂਆਤ ਅਤੇ ਅੰਤ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ, ਜਿਸ ਨਾਲ 258-ਟੋਕਨ ਦੀ ਫਿਕਸ ਕੀਮਤ ਮਿਲਦੀ ਹੈ। ਇਸ ਤੋਂ ਵੱਡਾ ਕੁਝ ਵੀ ਹੋਣ 'ਤੇ ਟਾਈਲਿੰਗ (tiling) ਪ੍ਰਕਿਰਿਆ ਸ਼ੁਰੂ ਹੋ ਜਾਂਦੀ ਹੈ: ਸਿਸਟਮ ਤਸਵੀਰ ਨੂੰ 768-ਪਿਕਸਲ ਦੀਆਂ ਟਾਈਲਾਂ ਵਿੱਚ ਕੱਟਦਾ ਹੈ, ਹਰੇਕ ਟਾਈਲ ਦਾ ਸੁਤੰਤਰ ਰੂਪ ਵਿੱਚ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ, ਅਤੇ ਹਰੇਕ ਲਈ 258 ਟੋਕਨ ਬਿੱਲ ਕਰਦਾ ਹੈ।

ਟੋਕਨ ਦੀ ਗਿਣਤੀ ਟਾਈਲਾਂ ਦੀ ਗਿਣਤੀ ਦੇ ਅਨੁਸਾਰ ਵਧਦੀ ਹੈ, ਨਾ ਕਿ ਸਿਰਫ਼ ਪਿਕਸਲ ਦੇ ਅਨੁਸਾਰ। ਇੱਕ 1280 × 720 px ਦੀ ਫੋਟੋ ਦੋ ਟਾਈਲਾਂ ਘੇਰਦੀ ਹੈ (258 × 2 = 516 ਟੋਕਨ)। ਇੱਕ 3840 × 2160 px 4K ਫਰੇਮ ਪੰਦਰਾਂ ਟਾਈਲਾਂ ਨੂੰ ਕਵਰ ਕਰਦਾ ਹੈ, ਜਿਸਦੀ ਲਾਗਤ 3,870 ਟੋਕਨ ਹੁੰਦੀ ਹੈ। ਨਿਯਮ ਸਧਾਰਨ ਹੈ—ਤਸਵੀਰ ਜਿੰਨੇ 768-ਪਿਕਸਲ ਦੇ ਵਰਗਾਂ ਨੂੰ ਘੇਰਦੀ ਹੈ ਉਹਨਾਂ ਨੂੰ ਗਿਣੋ, 258 ਨਾਲ ਗੁਣਾ ਕਰੋ, ਅਤੇ ਤੁਹਾਡਾ ਟੋਕਨ ਬਿੱਲ ਤਿਆਰ ਹੈ।

ਇਹ ਨਿਯਮ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ

Gemini ਦਾ ਟੋਕਨ ਮਾਡਲ ਸਿੱਧੇ ਤੌਰ 'ਤੇ API ਖਰਚਿਆਂ ਵਿੱਚ ਬਦਲ ਜਾਂਦਾ ਹੈ।

ਬਿੱਲ ਨੂੰ ਘਟਾਉਣ ਦੇ ਵਿਹਾਰਕ ਤਰੀਕੇ

  • ਟਾਈਲ ਸੀਮਾ ਦੇ ਅੰਦਰ ਰਹੋ। ਇੱਕ 800 × 800 px ਦੀ ਤਸਵੀਰ ਚਾਰ 768-ਪਿਕਸਲ ਦੀਆਂ ਟਾਈਲਾਂ ਵਿੱਚ ਵੰਡੀਆਂ ਜਾਂਦੀਆਂ ਹਨ, ਜਿਸਦੀ ਲਾਗਤ 1,032 ਟੋਕਨ ਹੁੰਦੀ ਹੈ—ਜੋ ਕਿ 768 × 768 px ਦੀ ਤਸਵੀਰ ਦੀ ਕੀਮਤ ਤੋਂ ਚਾਰ ਗੁਣਾ ਹੈ। ਸਹੀ ਟਾਈਲ ਸੀਮਾ ਤੱਕ ਰੀਸਾਈਜ਼ (resize) ਕਰੋ ਅਤੇ 75% ਬਚਾਓ।
  • ਖਾਲੀ ਥਾਂ ਨੂੰ ਘਟਾਓ। ਵੱਡੇ ਚਿੱਟੇ ਮਾਰਜਿਨ (margins) ਅਜੇ ਵੀ ਅਜਿਹੇ ਪੈਚ ਬਣਾਉਂਦੇ ਹਨ ਜੋ ਟੋਕਨ ਦੀ ਕੁੱਲ ਗਿਣਤੀ ਵਿੱਚ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ। ਉਹਨਾਂ ਮਾਰਜਿਨਾਂ ਨੂੰ ਕ੍ਰੌਪ (crop) ਕਰਨ ਨਾਲ ਲਾਗਤ ਨੂੰ ਦੋ-ਤਿਹਾਈ ਤੱਕ ਘਟਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।
  • OCR ਪੜ੍ਹਨਯੋਗਤਾ ਦਾ ਧਿਆਨ ਰੱਖੋ। Gemini ਟੈਕਸਟ ਨੂੰ ਉਦੋਂ ਹੀ ਪੜ੍ਹਦਾ ਹੈ ਜਦੋਂ ਅੱਖਰ ਲਗਭਗ 15–20 px ਉੱਚੇ ਹੁੰਦੇ ਹਨ। ਜੇਕਰ ਤੁਸੀਂ ਕਿਸੇ ਦਸਤਾਵੇਜ਼ ਦਾ ਸਾਈਜ਼ ਉਸ ਸੀਮਾ ਤੋਂ ਘੱਟ ਕਰਦੇ ਹੋ, ਤਾਂ ਮਾਡਲ ਸ਼ਬਦਾਂ ਨੂੰ ਪਛਾਣਨ ਵਿੱਚ ਅਸਫਲ ਰਹਿੰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਟੈਕਸਟ ਇਨਪੁਟ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ ਮਜਬੂਰ ਹੋਣਾ ਪੈਂਦਾ ਹੈ ਜੋ ਕਿ ਵਧੇਰੇ ਮਹਿੰਗਾ ਹੋ ਸਕਦਾ ਹੈ।
  • ਪ੍ਰਤੀ ਲਾਈਨ ਉਚਾਈ ਦਾ ਨਿਯਮ ਲਾਗੂ ਕਰੋ। ਸਾਦੇ ਟੈਕਸਟ ਵਾਲੇ ਦਸਤਾਵੇਜ਼ਾਂ ਲਈ, ਕੁੱਲ ਤਸਵੀਰ ਦੀ ਉਚਾਈ ਨੂੰ ਲਾਈਨਾਂ ਦੀ ਗਿਣਤੀ ਨੂੰ 25 px ਨਾਲ ਗੁਣਾ ਕਰਨ ਦੇ ਬਰਾਬਰ ਰੱਖਣ ਦਾ ਟੀਚਾ ਰੱਖੋ। ਇਹ "ਗੋਲਡਨ ਫਾਰਮੂਲਾ" ਲਾਈਨਾਂ ਦੇ ਵਿਚਕਾਰਲੀ ਦੂਰੀ ਨੂੰ ਪੜ੍ਹਨਯੋਗ ਰੱਖਦਾ ਹੈ ਅਤੇ ਇੱਕ ਸਿੰਗਲ ਟਾਈਲ ਦੇ ਅੰਦਰ ਰਹਿੰਦਾ ਹੈ।
  • ਘਣੇ ਡੇਟਾ (dense data) ਲਈ ਤਸਵੀਰਾਂ ਨੂੰ ਤਰਜੀਹ ਦਿਓ। ਇੱਕ ਵੱਡੀ ਸਪ੍ਰੈਡਸ਼ੀਟ ਜਾਂ LaTeX ਇਕੁਏਸ਼ਨ (equation) ਦਾ ਸਕ੍ਰੀਨਸ਼ੌਟ ਅਕਸਰ ਉਹੀ ਡੇਟਾ ਟਾਈਪ ਕਰਨ ਨਾਲੋਂ ਪ੍ਰਤੀ ਟੋਕਨ ਵਧੇਰੇ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਜਦੋਂ ਡੇਟਾ ਦੀ ਘਣਤਾ ਜ਼ਿਆਦਾ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਤਸਵੀਰ ਦੀ 258-ਟੋਕਨ ਦੀ ਲਾਗਤ ਬਰਾਬਰ ਦੇ ਟੈਕਸਟ ਪੇਲੋਡ (text payload) ਨਾਲੋਂ ਸਸਤੀ ਹੋ ਸਕਦੀ ਹੈ।

ਜਦੋਂ ਤਸਵੀਰਾਂ ਟੈਕਸਟ ਨਾਲੋਂ ਬਿਹਤਰ ਹੁੰਦੀਆਂ ਹਨ

ਕਈ ਕਿਸਮਾਂ ਦੇ ਕੰਟੈਂਟ ਲਈ ਟੋਕਨ ਦੀ ਆਰਥਿਕਤਾ ਤਸਵੀਰਾਂ ਦੇ ਪੱਖ ਵਿੱਚ ਹੋ ਜਾਂਦੀ ਹੈ:

  • ਨਾਨ-ਲੈਟਿਨ ਸਕ੍ਰਿਪਟਾਂ (Non-Latin scripts)। ਹਿੰਦੀ, ਚੀਨੀ, ਅਰਬੀ ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਦੀਆਂ ਲਿਪੀਆਂ ਵਿੱਚ ਇੱਕ ਛੋਟੇ ਵਿਚਾਰ ਨੂੰ ਪ੍ਰਗਟ ਕਰਨ ਲਈ ਬਹੁਤ ਸਾਰੇ ਅੱਖਰਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ; ਟੈਕਸਟ ਮੋਡ ਵਿੱਚ ਹਰ ਅੱਖਰ ਇੱਕ ਟੋਕਨ ਬਣ ਜਾਂਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਉਹੀ ਵਿਜ਼ੂਅਲ ਇੱਕ ਸਿੰਗਲ ਇਮੇਜ ਟਾਈਲ ਵਿੱਚ ਆ ਸਕਦਾ ਹੈ।
  • **ਗੁੰਝਲਦਾਰ ਗਣਿਤਕ ਨੋਟ