多模态的计价方式和纯文本不一样

图片怎么算 token

不同厂商规则完全不同：

同一张 1024×1024 的图，在不同模型下可能差 2-4 倍。

音频

通常按秒折算 token。一分钟音频大概几十到几百 token 不等。

视频

按帧采样 + 时长。视频是最贵的模态，一分钟可能上千 token。

怎么省钱

1. 压缩图片尺寸 —— 大多数任务不需要 4K
2. 减少帧数 —— 视频任务采样关键帧
3. 先文本后图像 —— 能用文字描述的别用图
4. 缓存 —— 同一张图反复问，缓存能省

一个容易忽略的点

图片输入价通常和文本输入价一样，但图片折算出来的 token 数很大。所以"看起来便宜"的模型，带图的时候可能一点不便宜。