图片 Token：像素也要交税

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一句话速览输入分辨率实时算 Token 的计算器；32 像素对齐跳档、分辨率诅咒与图片成本三条红线图片是怎么变成 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。