蒜粒小编2026/10/18 20:26:57

AI使用干货大模型知识

图片token是算出来的：h×w÷1024+2，别按张数估成本

多模态输入的账单常被低估，因为图像是按面积折算 token 的，不是按张数。阿里云百炼的官方文档给了一个可以直接算的公式：每张图片的 token 数 = h × w / (32 × 32) + 2。 换算一下很直观：1000×1000 的图大约 979 token；4000×3000 的图约 11721 token，差了将近 12 倍。同一张照片压到够用的尺寸，成本立刻降一个量级。 文档里还有两个上限：大多数模型单图最高 1600 万像素，视频最长 2 小时、2GB（qwen3-vl-plus 和 omni 系列是 1 小时、2GB）。超过像素上限的图不要直接传，先在预处理里缩。 落地建议：一是把「每张图的 token 预算」写进预处理规则，按业务需要定长边；二是 OCR 这类要细节的场景保留高分辨率，分类、相似度这类可以大胆降；三是批量跑图前先按公式估一遍账单，别等出账才发现。 顺带一提，官方建议场景稳定后用 qwen3.8-flash 或 qwen3.7-plus 替代旗舰，上下文长度和功能集相同，成本更低。