Google Gemini стягує 258 токенів за будь-яке зображення розміром до 384 × 384 px. Якщо зображення перевищує цей розмір, Gemini додає ще 258 токенів за кожен тайл розміром 768 × 768 px. Таким чином, картинка 500 × 500 px коштує стільки ж, скільки 384 × 384 px, тоді як кадр 1920 × 1080 px охоплює шість тайлів і використовує 1548 токенів. Для розробників, які платять за кожен токен, перетин межі у 768 пікселів може змінити вартість на 75 %.

Як Gemini тарифікує зображення

Gemini сприймає зображення як сітку візуальних патчів. Квадрат розміром 384 пікселі розбивається на 256 патчів; два додаткові токени позначають початок і кінець візуальної послідовності, що дає фіксовану ціну у 258 токенів. Будь-що більшого розміру запускає процес тайлінгу: система розрізає зображення на тайли розміром 768 пікселів, оцінює кожен тайл окремо і виставляє рахунок у 258 токенів за кожен із них.

Кількість токенів масштабується відповідно до кількості тайлів, а не до кількості пікселів. Фото 1280 × 720 px займає два тайли (258 × 2 = 516 токенів). Кадр 4K розміром 3840 × 2160 px охоплює п'ятнадцять тайлів, що коштує 3870 токенів. Правило просте: порахуйте кількість квадратів розміром 768 пікселів, які займає зображення, помножте на 258 — і ви отримаєте кількість токенів.

Чому це правило важливе

Модель токенів Gemini безпосередньо впливає на витрати на API.

Практичні способи зменшити витрати

  • Не перевищуйте ліміт тайлів. Зображення 800 × 800 px розбивається на чотири 768-піксельні тайли, що коштує 1032 токени — у чотири рази дорожче, ніж картинка 768 × 768 px. Змініть розмір точно під межу тайла, щоб заощадити 75 %.
  • Видаляйте порожній простір. Великі білі поля все одно створюють патчі, які враховуються в загальній кількості токенів. Обрізання цих полів може знизити витрати на дві третини.
  • Зважайте на читабельність OCR. Gemini зчитує текст лише тоді, коли висота символів становить приблизно 15–20 px. Якщо зменшити розмір документа нижче цього порогу, модель може пропустити слова, що змусить перейти на текстовий ввід, який може бути дорожчим.
  • Застосовуйте правило висоти рядка. Для текстових документів намагайтеся зробити загальну висоту зображення рівною кількості рядків, помноженій на 25 px. Ця «золота формула» дозволяє зберегти читабельність міжрядкового інтервалу, залишаючись у межах одного тайла.
  • Використовуйте зображення для насичених даних. Скриншот великої електронної таблиці або рівняння LaTeX часто містить більше інформації на один токен, ніж ручне введення тих самих даних. Коли щільність інформації висока, вартість зображення у 258 токенів може бути дешевшою за еквівалентний текстовий обсяг.

Коли зображення вигідніші за текст

Економіка токенів змінюється на користь зображень для кількох типів контенту:

  • Нелатинські скрипти. Хінді, китайська, арабська та подібні мови потребують багато символів для передачі короткої думки; у текстовому режимі кожен символ все одно стає токеном, тоді як той самий візуальний контент вміщується в один тайл зображення.
  • Складна математична нотація. Формули LaTeX спричиняють різке зростання кількості токенів. Відрендерене зображення формули вміщується в один тайл, що часто коштує менше, ніж сирий рядок LaTeX.
  • Великі макети UI або таблиці. Відображення повноекранного макета інтерфейсу або багатосторінкової таблиці як зображення дозволяє уникнути необхідності описувати кожен елемент текстом, стискаючи інформацію в кілька тайлів.

Компроміс

Бездумне зменшення розміру зображення може мати зворотний ефект. Якщо символи стануть меншими за мінімальні 15 пікселів, OCR Gemini не спрацює, і розробникам доведеться повернутися до надсилання сирого тексту, що потенційно збільшить рахунок за токени. Занадто агресивне обрізання також може видалити контекст, необхідний моделі для правильної відповіді. Оптимальним варіантом є помірне змінення розміру, яке враховує межі тайлів і водночас зберігає читабельність.

Підсумок

Розуміння арифметики токенів для зображень у Gemini перетворює приховані витрати на керовану змінну. Тримайте розмір зображень на рівні 768 px або менше, видаляйте зайві порожні поля та стежте за тим, щоб текст залишався читабельним — це дозволить заощадити десятки або сотні токенів на кожному запиті. Для контенту з високою щільністю даних (нелатинські скрипти, математика, таблиці) зображення часто забезпечують той самий результат за частку вартості токенів. Ключем до ефективної інтеграції з Gemini є розумна попередня обробка, а не сліпе зменшення розміру.

Джерело: dev.to/kushaagr