Google Gemini 384 × 384 px வரையிலான எந்தவொரு படத்திற்கும் 258 டோக்கன்களைக் (tokens) கட்டணமாக வசூலிக்கிறது. ஒரு படம் அந்த அளவைத் தாண்டினால், ஒவ்வொரு 768 × 768 px டைலுக்கும் (tile) Gemini கூடுதலாக 258 டோக்கன்களைக் கூடுதல் கட்டணமாகச் சேர்க்கிறது. எனவே, 500 × 500 px படம் 384 × 384 px படத்திற்கு இணையான விலையையே கொண்டுள்ளது; ஆனால் 1920 × 1080 px அளவுள்ள ஒரு பிரேம் ஆறு டைல்களைக் கடந்து 1,548 டோக்கன்களைப் பயன்படுத்துகிறது. டோக்கனுக்குத் தனித்தனியாகப் பணம் செலுத்தும் டெவலப்பர்களுக்கு (developers), 768-பிக்சல் எல்லையைத் தாண்டுவது செலவை 75% வரை மாற்றக்கூடும்.

Gemini படங்களுக்கு எவ்வாறு விலை நிர்ணயம் செய்கிறது

Gemini படங்களை விஷுவல் பேட்ச்களின் (visual patches) ஒரு கட்டமாக (grid) கருதுகிறது. ஒரு 384-பிக்சல் சதுரம் 256 பேட்ச்களாகப் பிரிக்கப்படுகிறது; விஷுவல் வரிசையின் தொடக்கத்தையும் முடிவையும் குறிக்க மேலும் இரண்டு டோக்கன்கள் சேர்க்கப்படுகின்றன, இது மொத்தமாக 258 டோக்கன் விலையைத் தருகிறது. இதைவிடப் பெரிய படம் இருந்தால், அது டைலிங் (tiling) நிலையைத் தூண்டுகிறது: சிஸ்டம் அந்தப் படத்தை 768-பிக்சல் டைல்களாகத் துண்டாக்குகிறது, ஒவ்வொரு டைலையும் தனித்தனியாக மதிப்பீடு செய்கிறது, மேலும் ஒவ்வொன்றிற்கும் 258 டோக்கன்களைக் கட்டணமாக வசூலிக்கிறது.

டோக்கன் எண்ணிக்கை டைல்களின் எண்ணிக்கையைப் பொறுத்தே அமையும், வெறும் பிக்சல்களைப் பொறுத்தது அல்ல. ஒரு 1280 × 720 px புகைப்படம் இரண்டு டைல்களை ஆக்கிரமிக்கிறது (258 × 2 = 516 டோக்கன்கள்). ஒரு 3840 × 2160 px 4K பிரேம் பதினைந்து டைல்களைக் கடந்து, 3,870 டோக்கன் செலவாகும். இதன் விதி எளிமையானது—படம் எத்தனை 768-பிக்சல் சதுரங்களை ஆக்கிரமித்துள்ளது என்பதைக் கணக்கிட்டு, அதை 258-ஆல் பெருக்கினால், உங்களுக்குத் தேவையான டோக்கன் கட்டணம் கிடைத்துவிடும்.

இந்த விதி ஏன் முக்கியமானது

Gemini-யின் டோக்கன் மாதிரி நேரடியாக API செலவுகளாக மாறுகிறது.

கட்டணத்தைக் குறைக்க நடைமுறை வழிகள்

  • டைல் வரம்பிற்குள் இருக்கவும். ஒரு 800 × 800 px படம் நான்கு 768-பிக்சல் டைல்களாகப் பிரிக்கப்படுகிறது, இது 1,032 டோக்கன்களைக் செலவழிக்கும்—இது ஒரு 768 × 768 px படத்தின் விலையை விட நான்கு மடங்கு அதிகம். சரியான டைல் எல்லையில் படத்தைப் மறுஅளவமைப்பதன் (resize) மூலம் 75% சேமிக்கலாம்.
  • வெற்று இடங்களை நீக்கவும். பெரிய வெள்ளை விளிம்புகள் (margins) டோக்கன் மொத்தத்தில் கணக்கிடப்படும் பேட்ச்களை உருவாக்குகின்றன. அந்த விளிம்புகளைத் துண்டிப்பதன் (cropping) மூலம் செலவை மூன்றில் இரண்டு பங்கு குறைக்கலாம்.
  • OCR வாசிப்புத் திறனைக் கவனிக்கவும். எழுத்துக்கள் தோராயமாக 15–20 px உயரத்திற்கு இருக்கும்போது மட்டுமே Gemini உரையைப் படிக்கிறது. ஒரு ஆவணத்தின் அளவை அந்த வரம்பிற்கு கீழே குறைத்தால், மாடல் வார்த்தைகளைத் தவறவிடக்கூடும், இதனால் அதிக செலவு செய்யக்கூடிய உரை உள்ளீட்டை (text input) பயன்படுத்த வேண்டிய கட்டாயம் ஏற்படும்.
  • வரிக்கு ஒரு உயரம் என்ற விதியைப் பயன்படுத்தவும். சாதாரண உரை ஆவணங்களுக்கு, மொத்தப் படத்தின் உயரம் என்பது வரிகளின் எண்ணிக்கையை 25 px-ஆல் பெருக்கினால் வரும் அளவிற்கு இருக்குமாறு பார்த்துக் கொள்ளவும். இந்த "தங்க சூத்திரம்" (golden formula), வரி இடைவெளியை வாசிக்கக்கூடியதாக வைத்திருப்பதோடு, ஒரே ஒரு டைலுக்குள்ளேயே இருக்குமாறும் உறுதி செய்கிறது.
  • அடர்த்தியான தரவுகளுக்குப் பட prefer செய்யவும். ஒரு பெரிய ஸ்ப்ரெட்ஷீட் (spreadsheet) அல்லது LaTeX சமன்பாட்டின் ஸ்கிரீன்ஷாட், அதே தரவை டைப் செய்வதை விட ஒரு டோக்கனுக்கு அதிக தகவல்களைத் தரும். தரவின் அடர்த்தி அதிகமாக இருக்கும்போது, ஒரு படத்தின் 258-டோக்கன் செலவு, அதற்கு இணையான உரைத் தரவை விடக் குறைவாக இருக்கலாம்.

எப்போது படங்கள் உரையை விடச் சிறந்தவை

சில வகையான உள்ளடக்கங்களுக்கு, டோக்கன் சிக்கனம் படங்களுக்குச் சாதகமாக மாறுகிறது:

  • லத்தீன் அல்லாத எழுத்துக்கள் (Non-Latin scripts). இந்தி, சீனம், அரபு மற்றும் அது போன்ற எழுத்துக்கள் ஒரு சிறிய கருத்தைச் சொல்ல பல எழுத்துக்களைத் தேவைப்படுகின்றன; உரை முறையில் ஒவ்வொரு எழுத்தும் ஒரு டோக்கனாக மாறும், ஆனால் அதே விஷுவல் ஒரு பட டைலிலேயே அடங்கிவிடும்.
  • சிக்கலான கணிதக் குறியீடுகள். LaTeX சூத்திரங்கள் டோக்கன் எண்ணிக்கையை மிக அதிகமாக உயர்த்தும். அந்தச் சூத்திரத்தின் ஒரு படம் ஒரே டைலுக்குள் அடங்கிவிடும், இது பெரும்பாலும் மூல LaTeX சரத்தை (string) விடக் குறைந்த செலவேவாகும்.
  • பெரிய UI லேஅவுட்கள் அல்லது அட்டவணைகள். ஒரு முழுத் திரை UI மக்அப் (mockup) அல்லது பல பக்க அட்டவணையை ஒரு படமாக வழங்குவது, ஒவ்வொரு உறுப்பையும் விளக்க வேண்டிய தேவையைக் குறைத்து, தகவல்களைச் சில டைல்களுக்குள் சுருக்குகிறது.

சமநிலைப்படுத்துதல் (The trade-off)

பட அளவை எவ்வித யோசனையுமின்றித் துண்டாக்குவது எதிர்மறையான விளைவுகளை ஏற்படுத்தலாம். எழுத்துக்கள் 15-பிக்சல் குறைந்தபட்ச அளவிற்கும் கீழே சுருங்கினால், Gemini-யின் OCR தோல்வியடையும், இதனால் டெவலப்பர்கள் மூல உரையை (raw text) அனுப்ப வேண்டியிருக்கும்—இது டோக்கன் கட்டணத்தை அதிகரிக்கக்கூடும். மிகக் கடுமையான முறையில் படத்தைத் துண்டிப்பது (cropping), மாடல் சரியாகப் பதிலளிக்கத் தேவையான சூழலை (context) நீக்கிவிடக்கூடும். எனவே, வாசிப்புத் திறனைப் பாதுகாப்பதோடு, டைல் எல்லையையும் மதிக்கும் வகையில் மிதமான மறுஅளவமைப்பதே சிறந்தது.

சுருக்கம்

Gemini-யின் பட டோக்கன் கணக்கீட்டைப் புரிந்துகொள்வது, மறைமுகமான செலவை ஒரு கட்டுப்படுத்தக்கூடிய காரணியாக மாற்றுகிறது. ஒவ்வொரு கோரிக்கையிலிருந்தும் (request) டஜன் கணக்கான அல்லது நூற்றுக்கணக்கான டோக்கன்களைக் குறைக்க, படங்களை 768 px அல்லது அதற்கு கீழே வைத்திருக்கவும், தேவையற்ற வெற்று இடங்களை நீக்கவும், மற்றும் உரை வாசிக்கக்கூடியதாக இருப்பதை உறுதி செய்யவும். தரவு அடர்த்தியான உள்ளடக்கங்களுக்கு—லத்தீன் அல்லாத எழுத்துக்கள், கணிதம், அட்டவணைகள்—படங்கள் பெரும்பாலும் மிகக் குறைந்த டோக்கன் விலையில் அதே தகவலைத் தருகின்றன. கண்மூடித்தனமாக அளவைக் குறைப்பதே தீர்வல்ல, புத்திசாலித்தனமான முன்செயலாக்கம் (preprocessing) மட்டுமே ஒரு சிறந்த Gemini ஒருங்கிணைப்பிற்கான திறவுகோலாகும்.

மூலம்: dev.to/kushaagr