Token 降本增效 · 6 / 13

图片 Token：像素也要交税

文字 BPE 是「合并字符」，图片编码是「切割像素」。你以为传的是原图，其实模型按缩放对齐后的分辨率计费——这里面藏着和文字 32k 红线一模一样的跳档陷阱。

像素切块32 对齐分辨率诅咒预算分级

图片是怎么变成 Token 的

视觉模型把图片切成固定大小的像素块，每块对应一个 Token。以通义千问 VL 为例，核心公式是：

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

变量	含义	说明
h̄ / w̄	缩放后的高与宽	会被强制对齐到 32（或 28）的整数倍
token_pixels	每个 Token 对应的像素数	Qwen3-VL 是 32×32=1,024；QVQ / Qwen2.5-VL 是 28×28=784
+2	固定开销	视觉起止标记 <vision_bos> 和 <vision_eos>

GPT-4o 和 Gemini 用的是图块（Tile）机制：GPT-4o 每个 512×512 图块约 170 Token，Gemini 1.5 Pro 每个 768×768 图块约 258 Token。类比理解：文字的词表大小决定压缩率，图片的像素块大小决定压缩率——32×32 比 28×28 更省。

文字 BPE 合并字符，图片编码切割像素。更大的像素块 = 更高的压缩效率 = 更少的 Token。（图：作者分享原稿）

交互演示 · 你的图片值多少 Token

选一个常见分辨率，或者自己拖宽高。注意 1000×1000 和 1025×1025 这对「孪生陷阱」。计费假设：Qwen3-VL，token_pixels = 1,024，输入价 1 元/M（32k 内标准档）。

宽 1000 px

高 1000 px

对齐后尺寸

图像 Token

单张成本

凑满 32k 需要几张

图片只大了 2.5%，但跨过 1024 这个 32 的整数倍边界，Token 数跳了 6.5%——和文字的 33k 全量结算是同一个逻辑。（图：作者分享原稿）

分辨率诅咒：边际效用递减

传 4K 图是不是比 1080p 效果更好？不一定，而且大概率不值。

分辨率	缩放后（32 对齐）	Token 数	相对成本
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)	触发缩放上限	~16,384	63.5x

从 512 到 1080p，Token 涨 8 倍，识别精度有明显提升；从 2K 到 4K，Token 再涨一倍，精度提升可能肉眼不可见。你以为在为「更清晰」付费，实际上在为「更多像素块」付费——而这些多出来的像素块，对模型理解内容的帮助是递减的。研究表明 VLM 的视觉 Token 冗余高达 85%。

多图场景更危险：5 张 4K 图 ≈ 40,000 Token，直接把你从标准档踢进高价档——和「RAG 检索 5 个文档拼到 33k」是同一个坑。

策略：按任务分级，匹配分辨率

任务类型	Token 预算	对应分辨率	理由
粗粒度分类（猫还是狗）	< 300	512 × 512	不需要细节
场景理解（图里在干什么）	< 1,000	~1000 × 1000	够用
OCR / 图表分析	< 4,000	~2000 × 2000	需要识别文字
高精度检测（医疗影像）	< 16,384	4K+	按需开启 vl_high_resolution_images

落地动作有三个：前端预压缩（上传前把图片压到目标 Token 数以内，卡住分辨率红线）、任务分级（按上表匹配，别拿 4K 做分类）、多图预算池（批量图片累计 Token 接近 32k 就截断，逻辑和上一节的 RAG 预算截断完全一致）。

前端预压缩、任务分级匹配分辨率、多图场景的 32k 红线。（图：作者分享原稿）

图片成本的三条红线

红线	阈值	后果	应对
32 像素对齐	尺寸跨过 32 的整数倍	Token 数跳变	前端预处理，主动对齐
32k 输入档位	多图累计 > 32k Token	全量按高价区结算	类似 RAG 的预算截断
高清滥用	4K+ 原图无脑传	成本涨 30 倍，精度提升有限	按任务分级，匹配分辨率

本节要点

✓

图片按缩放对齐后的分辨率计费，不是按你传的原图。公式：(h̄×w̄)/token_pixels + 2。

✓

高分辨率的收益递减：4K 比 1080p 贵 4 倍，理解能力未必更好。按任务分级匹配分辨率。

✓

多图场景做预算池：累计接近 32k 就截断或压缩，别让第 5 张图把整单拖进高价区。

内容来源：整理自作者团队内部分享《AI Token 降本增效策略分享》「图片 Token 的计费机制」。官方规则见阿里云百炼视觉理解文档；「分辨率诅咒」的学术来源见 CARES 论文。