384 × 384 px వరకు ఉన్న ఏ ఇమేజ్‌కైనా Google Gemini 258 టోకెన్లను వసూలు చేస్తుంది. ఒకవేళ ఇమేజ్ ఆ పరిమాణం కంటే ఎక్కువగా ఉంటే, ప్రతి 768 × 768 px టైల్ (tile) కోసం Gemini మరో 258-టోకెన్ల ఛార్జీని జోడిస్తుంది. అందువల్ల, 500 × 500 px చిత్రం 384 × 384 px చిత్రంతో సమానమైన ఖర్చును కలిగి ఉంటుంది, అయితే 1920 × 1080 px ఫ్రేమ్ ఆరు టైల్స్‌ను ఆక్రమిస్తుంది మరియు 1,548 టోకెన్లను ఉపయోగిస్తుంది. టోకెన్ల ఆధారంగా చెల్లించే డెవలపర్ల కోసం, 768-పిక్సెల్ సరిహద్దును దాటడం వల్ల ఖర్చు 75% వరకు మారవచ్చు.

Gemini చిత్రాలకు ధరను ఎలా నిర్ణయిస్తుంది

Gemini చిత్రాలను విజువల్ ప్యాచెస్ (visual patches) యొక్క గ్రిడ్‌గా పరిగణిస్తుంది. 384-పిక్సెల్ చతురస్రం 256 ప్యాచెస్ into విడిపోతుంది; విజువల్ సీక్వెన్స్ యొక్క ప్రారంభం మరియు ముగింపును సూచించడానికి రెండు అదనపు టోకెన్లు ఉంటాయి, దీనివల్ల స్థిరంగా 258-టోకెన్ల ధర వస్తుంది. అంతకంటే పెద్దది ఏదైనా ఉంటే టైలింగ్ (tiling) ప్రక్రియ ప్రారంభమవుతుంది: సిస్టమ్ ఇమేజ్‌ను 768-పిక్సెల్ టైల్స్‌గా విభజిస్తుంది, ప్రతి టైల్‌ను స్వతంత్రంగా అంచనా వేస్తుంది మరియు ప్రతి దానికీ 258 టోకెన్ల చొప్పున బిల్లు చేస్తుంది.

టోకెన్ల సంఖ్య టైల్స్ సంఖ్యపై ఆధారపడి ఉంటుంది, ముడి పిక్సెల్‌లపై కాదు. 1280 × 720 px ఫోటో రెండు టైల్స్‌ను ఆక్రమిస్తుంది (258 × 2 = 516 టోకెన్లు). 3840 × 2160 px 4K ఫ్రేమ్ పదిహేను టైల్స్‌ను కవర్ చేస్తుంది, దీనికి 3,870 టోకెన్లు ఖర్చవుతాయి. నియమం సరళమైనది—ఇమేజ్ ఆక్రమించే 768-పిక్సెల్ చతురస్రాలను లెక్కించండి, వాటిని 258తో గుణించండి, అప్పుడు మీకు టోకెన్ బిల్లు వస్తుంది.

ఈ నియమం ఎందుకు ముఖ్యమైనది

Gemini యొక్క టోకెన్ మోడల్ నేరుగా API ఖర్చులకు దారితీస్తుంది.

బిల్లును తగ్గించుకోవడానికి ఆచరణాత్మక మార్గాలు

  • టైల్ పరిమితి లోపే ఉండండి. 800 × 800 px ఇమేజ్ నాలుగు 768-పిక్సెల్ టైల్స్‌గా విడిపోతుంది, దీనికి 1,032 టోకెన్లు ఖర్చవుతాయి—ఇది 768 × 768 px చిత్ర ధర కంటే నాలుగు రెట్లు ఎక్కువ. ఖచ్చితమైన టైల్ సరిహద్దుకు రీసైజ్ (resize) చేసి 75% ఆదా చేయండి.
  • ఖాళీ ప్రదేశాన్ని తొలగించండి. పెద్ద వైట్ మార్జిన్లు (white margins) కూడా టోకెన్ మొత్తంలో లెక్కించబడే ప్యాచెస్ ఉత్పత్తి చేస్తాయి. ఆ మార్జిన్లను క్రాప్ (crop) చేయడం ద్వారా ఖర్చులను మూడింట రెండు వంతులు తగ్గించవచ్చు.
  • OCR చదవగలిగే సామర్థ్యాన్ని గమనించండి. అక్షరాలు సుమారు 15–20 px ఎత్తు ఉన్నప్పుడు మాత్రమే Gemini టెక్స్ట్‌ను చదువుతుంది. డాక్యుమెంట్‌ను ఆ పరిమితి కంటే తక్కువకు డౌన్‌స్కేల్ (downscale) చేస్తే, మోడల్ పదాలను గుర్తించలేదు, దీనివల్ల మరింత ఖరీదైన టెక్స్ట్ ఇన్‌పుట్‌ను ఉపయోగించాల్సి వస్తుంది.
  • లైన్-ఎ씩 ఎత్తు నియమాన్ని పాటించండి. ప్లెయిన్-టెక్స్ట్ డాక్యుమెంట్ల కోసం, మొత్తం ఇమేజ్ ఎత్తును లైన్ల సంఖ్యను 25 px తో గుణించిన దానికి సమానంగా ఉండేలా చూసుకోండి. ఈ "గోల్డెన్ ఫార్ములా" లైన్ స్పేసింగ్‌ను చదవగలిగేలా ఉంచుతూనే, ఒకే టైల్‌లో ఉండేలా చేస్తుంది.
  • దట్టమైన డేటా కోసం చిత్రాలను ఎంచుకోండి. పెద్ద స్ప్రెడ్‌షీట్ స్క్రీన్‌షాట్ లేదా LaTeX సమీకరణం వంటివి, అదే డేటాను టైప్ చేయడం కంటే ప్రతి టోకెన్‌కు ఎక్కువ సమాచారాన్ని అందిస్తాయి. డేటా సాంద్రత ఎక్కువగా ఉన్నప్పుడు, సమానమైన టెక్స్ట్ పేలోడ్ కంటే ఇమేజ్ యొక్క 258-టోకెన్ ఖర్చు తక్కువగా ఉండవచ్చు.

చిత్రాలు టెక్స్ట్‌ను ఎప్పుడు మించిపోతాయి

కొన్ని రకాల కంటెంట్ కోసం టోకెన్ ఎకానమీ చిత్రాల వైపు మొగ్గు చూపుతుంది:

  • లాటిన్ కాని స్క్రిప్ట్‌లు (Non-Latin scripts). హిందీ, చైనీస్, అరబిక్ మరియు ఇటువంటి స్క్రిప్ట్‌లు ఒక చిన్న ఆలోచనను తెలియజేయడానికి చాలా అక్షరాలను అవసరపరుస్తాయి; టెక్స్ట్ మోడ్‌లో ప్రతి అక్షరం ఒక టోకెన్‌గా మారుతుంది, కానీ అదే విజువల్ ఒకే ఇమేజ్ టైల్‌లో సరిపోతుంది.
  • సంక్లిష్టమైన గణిత సంకేతాలు. LaTeX ఫార్ములాలు టోకెన్ల సంఖ్యను భారీగా పెంచుతాయి. ఫార్ములా యొక్క రెండర్ చేయబడిన ఇమేజ్ ఒకే టైల్‌లో ఉంటుంది, ఇది తరచుగా ముడి LaTeX స్ట్రింగ్ కంటే తక్కువ ఖర్చుతో కూడుకున్నది.
  • పెద్ద UI లేఅవుట్‌లు లేదా టేబుల్‌లు. ఫుల్-స్క్రీన్ UI మోకప్ లేదా మల్టీ-పేజీ టేబుల్‌ను ఇమేజ్‌గా రెండర్ చేయడం వల్ల ప్రతి ఎలిమెంట్‌ను వివరించాల్సిన అవసరం ఉండదు, సమాచారాన్ని కొన్ని టైల్స్‌లోకి కుదించవచ్చు.

లాభనష్టాల సమతుల్యత (The trade-off)

ఇమేజ్ పరిమాణాన్ని విచక్షణారహితంగా తగ్గించడం వల్ల నష్టం వాటిల్లవచ్చు. అక్షరాలు 15-పిక్సెల్ కనిష్ట స్థాయి కంటే తక్కువకు తగ్గితే, Gemini OCR విఫలమవుతుంది మరియు డెవలపర్లు ముడి టెక్స్ట్‌ను పంపాల్సి వస్తుంది—ఇది టోకెన్ బిల్లును పెంచవచ్చు. అతిగా క్రాప్ చేయడం వల్ల మోడల్‌కు సరైన సమాధానం ఇవ్వడానికి అవసరమైన సందర్భం (context) కూడా కట్ అయిపోయే ప్రమాదం ఉంది. చదవగలిగే సామర్థ్యాన్ని కాపాడుతూనే, టైల్ సరిహద్దులను గౌరవించే విధంగా తగినంత రీసైజ్ చేయడం ఉత్తమమైన మార్గం.

ముగింపు

Gemini యొక్క ఇమేజ్ టోకెన్ గణితాన్ని అర్థం చేసుకోవడం వల్ల దాగి ఉన్న ఖర్చును నియంత్రించదగిన వేరియబుల్‌గా మార్చుకోవచ్చు. ప్రతి రిక్వెస్ట్ నుండి పదుల లేదా వందల టోకెన్లను తగ్గించడానికి, ఇమేజ్‌లను 768 px లేదా అంతకంటే తక్కువగా ఉంచండి, అనవసరమైన వైట్‌స్పేస్‌ను తొలగించండి మరియు టెక్స్ట్ చదవగలిగేలా ఉండేలా చూసుకోండి. డేటా-దట్టమైన కంటెంట్—లాటిన్ కాని స్క్రిప్ట్‌లు, గణితం, టేబుల్‌ల కోసం—చిత్రాలు తరచుగా చాలా తక్కువ టోకెన్ ధరకే అదే సమాచారాన్ని అందిస్తాయి. గుడ్డిగా డౌన్‌స్కేల్ చేయడం కాకుండా, తెలివైన ప్రీ-ప్రాసెసింగ్ (preprocessing) చేయడం అనేది సమర్థవంతమైన Gemini ఇంటిగ్రేషన్‌కు కీలకం.

మూలం: dev.to/kushaagr