Google Gemini tính phí 258 token cho bất kỳ hình ảnh nào có kích thước lên đến 384 × 384 px. Nếu hình ảnh vượt quá kích thước đó, Gemini sẽ tính thêm 258 token cho mỗi ô (tile) 768 × 768 px. Do đó, một bức ảnh 500 × 500 px có chi phí tương đương với ảnh 384 × 384 px, trong khi một khung hình 1920 × 1080 px trải dài qua sáu ô và sử dụng 1.548 token. Đối với các nhà phát triển trả phí theo token, việc vượt qua ranh giới 768 pixel có thể làm chi phí biến động tới 75%.

Cách Gemini tính giá hình ảnh

Gemini xử lý hình ảnh như một lưới các mảnh thị giác (visual patches). Một hình vuông 384 pixel được chia thành 256 mảnh; hai token bổ sung đánh dấu điểm bắt đầu và kết thúc của chuỗi thị giác, tạo ra mức giá cố định là 258 token. Bất kỳ hình ảnh nào lớn hơn sẽ kích hoạt bước chia ô (tiling): hệ thống chia nhỏ hình ảnh thành các ô 768 pixel, đánh giá từng ô độc lập và tính phí mỗi ô là 258 token.

Số lượng token tỷ lệ thuận với số lượng ô, chứ không phải số pixel thô. Một bức ảnh 1280 × 720 px chiếm hai ô (258 × 2 = 516 token). Một khung hình 4K 3840 × 2160 px bao phủ mười lăm ô, tiêu tốn 3.870 token. Quy tắc rất đơn giản—hãy đếm số ô 768 pixel mà hình ảnh chiếm dụng, nhân với 258, và bạn sẽ có hóa đơn token.

Tại sao quy tắc này lại quan trọng

Mô hình token của Gemini chuyển đổi trực tiếp thành chi phí API.

Các cách thực tế để giảm hóa đơn

  • Duy trì dưới giới hạn ô. Một hình ảnh 800 × 800 px sẽ chia thành bốn ô 768 pixel, tiêu tốn 1.032 token—gấp bốn lần giá của một bức ảnh 768 × 768 px. Hãy thay đổi kích thước về đúng ranh giới của ô để tiết kiệm 75%.
  • Cắt bỏ không gian trống. Các lề trắng lớn vẫn tạo ra các mảnh (patches) được tính vào tổng số token. Việc cắt bỏ các lề này có thể giảm hai phần ba chi phí.
  • Lưu ý khả năng đọc OCR. Gemini chỉ đọc được văn bản khi các ký tự cao khoảng 15–20 px. Nếu giảm kích thước tài liệu xuống dưới ngưỡng đó, mô hình sẽ bỏ lỡ các từ, buộc phải chuyển sang nhập văn bản (text input) vốn có thể đắt hơn.
  • Áp dụng quy tắc chiều cao trên mỗi dòng. Đối với các tài liệu văn bản thuần túy, hãy hướng tới tổng chiều cao hình ảnh bằng số dòng nhân với 25 px. "Công thức vàng" này giúp giữ khoảng cách dòng dễ đọc trong khi vẫn nằm gọn trong một ô duy nhất.
  • Ưu tiên hình ảnh cho dữ liệu dày đặc. Ảnh chụp màn hình của một bảng tính lớn hoặc một phương trình LaTeX thường chứa nhiều thông tin trên mỗi token hơn là việc gõ lại cùng dữ liệu đó. Khi mật độ thông tin cao, chi phí 258 token của hình ảnh có thể rẻ hơn so với lượng dữ liệu văn bản tương đương.

Khi hình ảnh vượt trội hơn văn bản

Bài toán kinh tế về token sẽ nghiêng về phía hình ảnh đối với một số loại nội dung:

  • Các hệ chữ không thuộc Latinh. Tiếng Hindi, tiếng Trung, tiếng Ả Rập và các hệ chữ tương tự đòi hỏi nhiều ký tự để truyền đạt một ý tưởng ngắn; mỗi ký tự vẫn trở thành một token ở chế độ văn bản, trong khi cùng một hình ảnh đó lại vừa vặn trong một ô duy nhất.
  • Ký hiệu toán học phức tạp. Các công thức LaTeX làm tăng vọt số lượng token. Một hình ảnh đã được kết xuất (rendered) của công thức sẽ nằm gọn trong một ô, thường có chi phí thấp hơn chuỗi LaTeX thô.
  • Bố cục UI hoặc bảng lớn. Việc kết xuất một bản mô phỏng (mockup) UI toàn màn hình hoặc một bảng nhiều trang dưới dạng hình ảnh sẽ giúp tránh việc phải mô tả từng thành phần bằng văn bản, giúp nén thông tin vào một vài ô.

Sự đánh đổi

Việc cắt giảm kích thước hình ảnh một cách bừa bãi có thể phản tác dụng. Nếu các ký tự bị thu nhỏ xuống dưới mức tối thiểu 15 pixel, OCR của Gemini sẽ thất bại và các nhà phát triển phải chuyển sang gửi văn bản thô—điều này có khả năng làm tăng hóa đơn token. Việc cắt xén quá mức cũng có thể làm mất đi ngữ cảnh mà mô hình cần để trả lời chính xác. Điểm cân bằng lý tưởng là thay đổi kích thước vừa phải, tuân thủ ranh giới của ô trong khi vẫn giữ được độ rõ nét.

Kết luận

Hiểu được các phép tính token hình ảnh của Gemini sẽ biến một chi phí ẩn thành một biến số có thể kiểm soát được. Hãy giữ hình ảnh ở mức 768 px hoặc thấp hơn, cắt bỏ các khoảng trắng không cần thiết và đảm bảo văn bản vẫn dễ đọc để tiết kiệm hàng chục hoặc hàng trăm token cho mỗi yêu cầu. Đối với nội dung có mật độ dữ liệu cao—như các hệ chữ không thuộc Latinh, toán học, bảng biểu—hình ảnh thường mang lại cùng một thông tin chuyên sâu với một phần nhỏ chi phí token. Tiền xử lý thông minh, chứ không phải giảm kích thước một cách mù quáng, chính là chìa khóa để tích hợp Gemini một cách tối ưu.

Nguồn: dev.to/kushaagr