多模态 LLM 实战：一张图等于多少 token，账怎么算
结论先放这儿
| 图像 | 视觉 token 数（16px patch 估算） |
|---|---|
| 336 × 336 | 441 |
| 512 × 512 | 1024 |
| 1024 × 1024 | 4096 |
| 长截图 1280 × 4000 | 20000 |
一张高分辨率截图轻松吃掉几千到两万个视觉 token，比一段长文字贵得多。多模态的账先算图像侧，再算文本侧，混着估会翻车。
一、图像怎么变成 token
视觉模型把图片切成小方块，每个方块过一个编码器变成一个向量，这就是视觉 token。切法通常按固定边长（14 或 16 像素）划网格，token 数就是几何题：
import math def vision_tokens(width, height, patch=16): return (width // patch) * (height // patch) for w, h in [(336, 336), (512, 512), (1024, 1024), (1280, 4000)]: print(w, 'x', h, '->', vision_tokens(w, h), 'token')分辨率翻一倍，token 数翻四倍，成本跟着平方涨。这也是很多产品在上传前先压缩图片的原因，画质损失可接受，省下来的账单实在。
二、分辨率和成本的三笔账
第一笔，输入计费。视觉 token 按输入价计费，一张 1024 见方的图约 4000 token，按常见价格折算比一段几百字的中文还贵。批量截图理解的场景，先把图压到模型能认清的最小尺寸。
第二笔，上下文窗口。视觉 token 和文本 token 共享同一个窗口。塞几张高分辨率图，留给对话历史的余量就被挤掉，多图任务先算总账。
第三笔，延迟。视觉 token 越多，首 token 延迟越长。实时场景（截图问答、摄像头流）要么降分辨率，要么只送关键帧。
三、选型注意
各家模型对图像的处理方式不一样。有的固定分辨率切一格，超过就压缩到规格内；有的动态分辨率按长宽比切块，长图切成多块逐块编码。选型时先看两点，支持的图像 token 上限和计费方式，再把你的真实图片样本跑一遍实测 token 数，别拿文档示例当自己场景的账。
实测方法和 Tokenizer 篇一个道理，同一段内容不同编码差异很大，图像侧同理：
# 用 API 返回的 usage 对账，图像 token 通常单列 # usage.prompt_tokens_details.image_tokens 或类似字段四、三个坑
坑一，整页长图直接塞。一张 4000 像素高的长截图就是两万 token，先按视口切段再喂，每段配一行说明。
坑二，表格当图片送。表格类截图用视觉模型提取容易丢行列，能转文本（OCR 或结构化输出）的先转，视觉模型留给图表和示意图。
坑三，忘记多图累积。十张图的对话，视觉 token 累积进历史，后续每一轮都在为它付费。历史里的旧图及时替换成摘要。
写在最后
多模态的账分图像侧和文本侧，图像侧是几何题，token 数随分辨率平方涨。上传前压图、长图切段、表格先转文本、历史旧图换摘要，四招下来成本差数倍。把真实图片样本跑一遍实测，再定预算。
实测口径以各家 API 返回的 usage 为准，估自己的账要用自己的图片样本。
