Google Gemini списывает 258 токенов за любое изображение размером до 384 × 384 пикселей. Если изображение превышает этот размер, Gemini добавляет еще 258 токенов за каждый тайл размером 768 × 768 пикселей. Таким образом, картинка 500 × 500 пикселей стоит столько же, сколько и 384 × 384 пикселя, в то время как кадр 1920 × 1080 пикселей занимает шесть тайлов и расходует 1548 токенов. Для разработчиков, которые платят за каждый токен, пересечение границы в 768 пикселей может изменить стоимость на 75 %.

Как Gemini оценивает изображения

Gemini воспринимает изображения как сетку визуальных патчей. Квадрат 384 × 384 пикселя разбивается на 256 патчей; два дополнительных токена обозначают начало и конец визуальной последовательности, что дает фиксированную цену в 258 токенов. Любой размер больше этого запускает процесс тайлинга: система нарезает изображение на тайлы размером 768 пикселей, оценивает каждый тайл независимо и выставляет счет в 258 токенов за каждый.

Количество токенов масштабируется в зависимости от количества тайлов, а не от общего числа пикселей. Фотография 1280 × 720 пикселей занимает два тайла (258 × 2 = 516 токенов). Кадр 4K размером 3840 × 2160 пикселей покрывает пятнадцать тайлов, что стоит 3870 токенов. Правило простое: посчитайте количество квадратов 768 × 768 пикселей, которые занимает изображение, умножьте на 258 — и вы получите итоговое количество токенов.

Почему это правило важно

Токенная модель Gemini напрямую влияет на расходы при использовании API.

Практические способы сократить расходы

  • Не превышайте лимит тайла. Изображение 800 × 800 пикселей разбивается на четыре тайла по 768 пикселей, что стоит 1032 токена — в четыре раза дороже, чем картинка 768 × 768 пикселей. Измените размер точно под границу тайла, чтобы сэкономить 75 %.
  • Убирайте пустое пространство. Большие белые поля все равно создают патчи, которые учитываются в общем количестве токенов. Обрезка этих полей может сократить расходы на две трети.
  • Следите за читаемостью для OCR. Gemini считывает текст только тогда, когда высота символов составляет примерно 15–20 пикселей. Если уменьшить документ ниже этого порога, модель начнет пропускать слова, что вынудит вас переходить на текстовый ввод, который может оказаться дороже.
  • Используйте правило «высота на строку». Для документов с обычным текстом старайтесь сделать общую высоту изображения равной количеству строк, умноженному на 25 пикселей. Эта «золотая формула» сохраняет читаемость межстрочного интервала, позволяя при этом уместиться в один тайл.
  • Используйте изображения для плотных данных. Скриншот большой таблицы или уравнение LaTeX часто передает больше информации на один токен, чем ввод тех же данных текстом. При высокой плотности данных стоимость изображения в 258 токенов может оказаться ниже, чем стоимость эквивалентного текстового сообщения.

Когда изображения выгоднее текста

Экономика токенов меняется в пользу изображений для нескольких типов контента:

  • Нелатинские письменности. Хинди, китайский, арабский и подобные языки требуют много символов для передачи короткой мысли; в текстовом режиме каждый символ все равно становится токеном, в то время как тот же визуальный ряд умещается в один тайл изображения.
  • Сложная математическая нотация. Формулы LaTeX резко увеличивают количество токенов. Рендеринг формулы в виде изображения позволяет уместиться в один тайл, что часто обходится дешевле, чем передача сырой строки LaTeX.
  • Крупные макеты интерфейсов или таблицы. Представление полноэкранного макета UI или многостраничной таблицы в виде изображения избавляет от необходимости описывать каждый элемент текстом, сжимая информацию в несколько тайлов.

Компромисс

Бездумное уменьшение размера изображений может привести к обратным результатам. Если символы станут меньше минимальных 15 пикселей, OCR в Gemini даст сбой, и разработчикам придется переходить на отправку чистого текста, что потенциально увеличит счет за токены. Слишком агрессивная обрезка также может лишить модель необходимого контекста для правильного ответа. Оптимальный вариант — умеренное изменение размера, которое учитывает границы тайлов и сохраняет читаемость.

Итог

Понимание арифметики токенов изображений в Gemini превращает скрытые расходы в управляемую переменную. Держите изображения размером 768 пикселей или меньше, убирайте лишние пустые поля и следите за читаемостью текста, чтобы сэкономить десятки или сотни токенов на каждом запросе. Для контента с высокой плотностью данных (нелатинские скрипты, математика, таблицы) изображения часто обеспечивают тот же результат за малую долю стоимости токенов. Ключ к эффективной интеграции Gemini — это грамотная предобработка, а не слепое уменьшение масштаба.

Источник: dev.to/kushaagr