Google Gemini 384 × 384 px تک کی کسی بھی تصویر کے لیے 258 ٹوکنز وصول کرتا ہے۔ اگر تصویر اس سائز سے بڑی ہو، تو Gemini ہر 768 × 768 px ٹائل کے لیے مزید 258 ٹوکنز کا چارج کرتا ہے۔ اس لیے 500 × 500 px کی تصویر کی قیمت 384 × 384 px والی تصویر کے برابر ہی ہوتی ہے، جبکہ 1920 × 1080 px کا فریم چھ ٹائلز پر مشتمل ہوتا ہے اور 1,548 ٹوکنز استعمال کرتا ہے۔ ان ڈویلپرز کے لیے جو فی ٹوکن ادائیگی کرتے ہیں، 768 پکسل کی حد عبور کرنے سے لاگت میں 75% تک کا فرق آ سکتا ہے۔

Gemini تصاویر کی قیمت کیسے طے کرتا ہے

Gemini تصاویر کو بصری پیچز (visual patches) کے ایک گرڈ کے طور پر دیکھتا ہے۔ ایک 384 پکسل کا مربع 256 پیچز میں تقسیم ہو جاتا ہے؛ بصری ترتیب کے آغاز اور اختتام کے لیے دو اضافی ٹوکنز شامل کیے جاتے ہیں، جس سے فلیٹ 258 ٹوکنز کی قیمت بنتی ہے۔ اس سے بڑی کوئی بھی چیز ٹائلنگ کے عمل کو متحرک کرتی ہے: سسٹم تصویر کو 768 پکسل کی ٹائلز میں تقسیم کرتا ہے، ہر ٹائل کا آزادانہ جائزہ لیتا ہے، اور ہر ایک کے لیے 258 ٹوکنز وصول کرتا ہے۔

ٹوکن کی تعداد ٹائلز کی تعداد کے ساتھ بڑھتی ہے، نہ کہ صرف خام پکسلز کے ساتھ۔ ایک 1280 × 720 px کی تصویر دو ٹائلز پر مشتمل ہوتی ہے (258 × 2 = 516 ٹوکنز)۔ ایک 3840 × 2160 px کا 4K فریم پندرہ ٹائلز پر محیط ہوتا ہے، جس کی قیمت 3,870 ٹوکنز ہے۔ اصول سادہ ہے—تصویر جتنے 768 پکسل کے مربعوں پر محیط ہے انہیں گنیں، اسے 258 سے ضرب دیں، اور آپ کا ٹوکن بل تیار ہے۔

یہ اصول کیوں اہم ہے

Gemini کا ٹوکن ماڈل براہ راست API اخراجات میں تبدیل ہو جاتا ہے۔

بل کم کرنے کے عملی طریقے

  • ٹائل کی حد کے اندر رہیں۔ ایک 800 × 800 px کی تصویر چار 768 پکسل کی ٹائلز میں تقسیم ہو جاتی ہے، جس کی قیمت 1,032 ٹوکنز ہے—جو کہ 768 × 768 px کی تصویر کی قیمت سے چار گنا زیادہ ہے۔ ٹائل کی بالکل درست حد تک سائز تبدیل کریں اور 75% بچت کریں۔
  • خالی جگہ کو کم کریں۔ بڑے سفید مارجنز اب بھی ایسے پیچز پیدا کرتے ہیں جو ٹوکن کے مجموعی حساب میں شامل ہوتے ہیں۔ ان مارجنز کو کراپ (crop) کرنے سے اخراجات دو تہائی تک کم ہو سکتے ہیں۔
  • OCR کی پڑھنے کی صلاحیت کا خیال رکھیں۔ Gemini متن کو صرف اس وقت پڑھتا ہے جب حروف کا سائز تقریباً 15–20 px ہو۔ اگر آپ کسی دستاویز کا سائز اس حد سے کم کر دیتے ہیں تو ماڈل الفاظ کو نہیں پہچان پاتا، جس کی وجہ سے آپ کو ٹیکسٹ ان پٹ کا سہارا لینا پڑتا ہے جو کہ زیادہ مہنگا ہو سکتا ہے۔
  • فی لائن اونچائی کا اصول اپنائیں۔ سادہ متن والی دستاویزات کے لیے، تصویر کی کل اونچائی کو لائنوں کی تعداد کو 25 px سے ضرب دے کر حاصل کردہ مقدار کے برابر رکھنے کی کوشش کریں۔ یہ "گولڈن فارمولا" لائنوں کے درمیان فاصلے کو پڑھنے کے قابل رکھتا ہے اور ایک ہی ٹائل کے اندر بھی رہتا ہے۔
  • گہرے ڈیٹا (dense data) کے لیے تصاویر کو ترجیح دیں۔ ایک بڑی اسپریڈ شیٹ یا LaTeX مساوات کا اسکرین شاٹ اکثر اسی ڈیٹا کو ٹائپ کرنے کے مقابلے میں فی ٹوکن زیادہ معلومات فراہم کرتا ہے۔ جب ڈیٹا کی کثافت زیادہ ہو، تو تصویر کی 258 ٹوکنز کی لاگت مساوی ٹیکسٹ ڈیٹا سے سستی ہو سکتی ہے۔

جب تصاویر متن سے بہتر ثابت ہوں

مختلف قسم کے مواد کے لیے ٹوکن کی بچت تصاویر کے حق میں ہو جاتی ہے:

  • غیر لاطینی اسکرپٹس۔ ہندی، چینی، عربی اور اسی طرح کے اسکرپٹس کو ایک مختصر خیال پہنچانے کے لیے بہت سے حروف کی ضرورت ہوتی ہے؛ ٹیکسٹ موڈ میں ہر حرف ایک ٹوکن بن جاتا ہے، جبکہ وہی بصری معلومات ایک ہی امیج ٹائل میں سما سکتی ہے۔
  • پیچیدہ ریاضیاتی علامات۔ LaTeX فارمولوں کے ٹوکنز کی تعداد بہت بڑھ جاتی ہے۔ فارمولے کی ایک رینڈر شدہ (rendered) تصویر ایک ہی ٹائل کے اندر رہتی ہے، اور اکثر خام LaTeX اسٹرنگ کے مقابلے میں کم لاگت پڑتی ہے۔
  • بڑے UI لے آؤٹس یا ٹیبلز۔ فل اسکرین UI موک اپ یا کثیر صفحات والے ٹیبل کو تصویر کے طور پر دکھانے سے ہر عنصر کی تفصیل نثر میں بیان کرنے کی ضرورت ختم ہو جاتی ہے، جس سے معلومات چند ٹائلز میں سمٹ جاتی ہیں۔

توازن (The trade-off)

تصویر کے سائز کو بلا امتیاز کم کرنا الٹا اثر بھی ڈال سکتا ہے۔ اگر حروف 15 پکسل کی کم از کم حد سے چھوٹے ہو جائیں، تو Gemini کا OCR ناکام ہو جاتا ہے اور ڈویلپرز کو خام ٹیکسٹ بھیجنے پر مجبور ہونا پڑتا ہے—جس سے ٹوکن کا بل بڑھ سکتا ہے۔ بہت زیادہ کراپنگ کرنے سے وہ سیاق و سباق (context) بھی کٹ سکتا ہے جس کی ماڈل کو درست جواب دینے کے لیے ضرورت ہوتی ہے۔ بہترین طریقہ یہ ہے کہ سائز کو مناسب حد تک تبدیل کیا جائے جو ٹائل کی حد کا خیال رکھے اور پڑھنے کی صلاحیت کو بھی برقرار رکھے۔

خلاصہ

Gemini کے امیج ٹوکن حساب کتاب کو سمجھنا ایک پوشیدہ لاگت کو ایک قابلِ کنٹرول متغیر (variable) میں بدل دیتا ہے۔ ہر درخواست سے درجنوں یا سینکڑوں ٹوکنز بچانے کے لیے تصاویر کو 768 پکسل یا اس سے کم رکھیں، غیر ضروری خالی جگہ کو ختم کریں، اور اس بات کو یقینی بنائیں کہ متن پڑھنے کے قابل رہے۔ ڈیٹا سے بھرپور مواد—جیسے غیر لاطینی اسکرپٹس، ریاضی، اور ٹیبلز—کے لیے تصاویر اکثر بہت کم ٹوکن قیمت میں وہی معلومات فراہم کرتی ہیں۔ اندھا دھند سائز کم کرنے کے بجائے، اسمارٹ پری پروسیسنگ (preprocessing) ہی Gemini کے مؤثر استعمال کی کلید ہے۔

ماخذ: dev.to/kushaagr