Token 降本增效 · 6 / 13

圖片 Token：畫素也要交稅

文字 BPE 是「合併字元」，圖片編碼是「切割畫素」。你以為傳的是原圖，其實模型按縮放對齊後的解析度計費——這裡面藏著和文字 32k 紅線一模一樣的跳檔陷阱。

畫素切塊32 對齊解析度詛咒預算分級

圖片是怎麼變成 Token 的

視覺模型把圖片切成固定大小的畫素塊，每塊對應一個 Token。以通義千問 VL 為例，核心公式是：

圖像 Token = (h̄ × w̄) / token_pixels + 2

變數	含義	說明
h̄ / w̄	縮放後的高與寬	會被強制對齊到 32（或 28）的整數倍
token_pixels	每個 Token 對應的畫素數	Qwen3-VL 是 32×32=1,024；QVQ / Qwen2.5-VL 是 28×28=784
+2	固定開銷	視覺起止標記 <vision_bos> 和 <vision_eos>

GPT-4o 和 Gemini 用的是圖塊（Tile）機制：GPT-4o 每個 512×512 圖塊約 170 Token，Gemini 1.5 Pro 每個 768×768 圖塊約 258 Token。類比理解：文字的詞表大小決定壓縮率，圖片的畫素塊大小決定壓縮率——32×32 比 28×28 更省。

文字 BPE 合併字元，圖片編碼切割畫素。更大的畫素塊 = 更高的壓縮效率 = 更少的 Token。（圖：作者分享原稿）

互動演示 · 你的圖片值多少 Token

選一個常見解析度，或者自己拖寬高。注意 1000×1000 和 1025×1025 這對「孿生陷阱」。計費假設：Qwen3-VL，token_pixels = 1,024，輸入價 1 元/M（32k 內標準檔）。

寬 1000 px

高 1000 px

對齊後尺寸

圖像 Token

單張成本

湊滿 32k 需要幾張

圖片只大了 2.5%，但跨過 1024 這個 32 的整數倍邊界，Token 數跳了 6.5%——和文字的 33k 全量結算是同一個邏輯。（圖：作者分享原稿）

解析度詛咒：邊際效用遞減

傳 4K 圖真的比 1080p 效果更好嗎？不一定，而且大機率不值。

解析度	縮放後（32 對齊）	Token 數	相對成本
512 × 512	512 × 512	258	1x
1080p (1920×1080)	1920 × 1088	2,042	7.9x
2K (2560×1440)	2560 × 1440	3,602	14x
4K (3840×2160)	3840 × 2176	8,162	31.6x
8K (7680×4320)	觸發縮放上限	~16,384	63.5x

從 512 到 1080p，Token 漲 8 倍，識別精度有明顯提升；從 2K 到 4K，Token 再漲一倍，精度提升可能肉眼不可見。你以為在為「更清晰」付費，實際上在為「更多畫素塊」付費——而這些多出來的畫素塊，對模型理解內容的幫助是遞減的。研究表明 VLM 的視覺 Token 冗餘高達 85%。

多圖場景更危險：5 張 4K 圖 ≈ 40,000 Token，直接把你從標準檔踢進高價檔——和「RAG 檢索 5 個文件拼到 33k」是同一個坑。

策略：按任務分級，匹配解析度

任務型別	Token 預算	對應解析度	理由
粗粒度分類（貓還是狗）	< 300	512 × 512	不需要細節
場景理解（圖裡在幹什麼）	< 1,000	~1000 × 1000	夠用
OCR / 圖表分析	< 4,000	~2000 × 2000	需要識別文字
高精度檢測（醫療影像）	< 16,384	4K+	按需開啟 vl_high_resolution_images

實作步驟有三個：前端預壓縮（上傳前把圖片壓到目標 Token 數以內，卡住解析度紅線）、任務分級（按上表匹配，別拿 4K 做分類）、多圖預算池（批次圖片累計 Token 接近 32k 就截斷，邏輯和上一節的 RAG 預算截斷完全一致）。

前端預壓縮、任務分級匹配解析度、多圖場景的 32k 紅線。（圖：作者分享原稿）

圖片成本的三條紅線

紅線	閾值	後果	應對
32 畫素對齊	尺寸跨過 32 的整數倍	Token 數跳變	前端預處理，主動對齊
32k 輸入檔位	多圖累計 > 32k Token	全量按高價區結算	類似 RAG 的預算截斷
高畫質濫用	4K+ 原圖無腦傳	成本漲 30 倍，精度提升有限	按任務分級，匹配解析度

本節要點

✓

圖片按縮放對齊後的解析度計費，不是按你傳的原圖。公式：(h̄×w̄)/token_pixels + 2。

✓

高解析度的收益遞減：4K 比 1080p 貴 4 倍，理解能力未必更好。按任務分級匹配解析度。

✓

多圖場景做預算池：累計接近 32k 就截斷或壓縮，別讓第 5 張圖把整單拖進高價區。

內容來源：整理自作者團隊內部分享《AI Token 降本增效策略分享》「圖片 Token 的計費機制」。官方規則見阿里雲百鍊視覺理解文件；「解析度詛咒」的學術來源見 CARES 論文。