什么是图像 token？图片被切成多少块

把一张照片拖进通义千问的对话框让它描述内容，模型的第一步并不是「看」，而是把图切成很多小块，每块变成一个向量。这些向量就是图像 token——图片在模型世界里的记账单位，一块一格，记进上下文里。

一块 token 是多大的一块

常见做法是按固定网格切，比如每 14×14 或 16×16 个像素算一块，再视情况把整图切成几十到几百块。一张 1024×1024 的图，按 16×16 切就是四千多块；实际系统往往会先缩放或分区再编码，最终 token 数从几十到几千不等。块切得越细，细节保留越多，但占用的上下文和计算量也越大——这和文字 token 一个道理：句子越长，账单越厚。所以「一张图占多少容量」从来不是定数，由切块策略和原图尺寸共同决定。

类比：乐高颗粒，以及它失灵的地方

把图像 token 想成乐高颗粒很直观：一幅画由许多标准小颗粒拼成，模型处理的正是这些颗粒，而不是整幅画的胶片。但类比有一处失灵：乐高颗粒彼此独立，拆开重拼不影响谁是谁；token 却带着位置关系，左上角的块和右下角的块在空间上各有坐标，模型要靠这些坐标才知道「谁在谁旁边」。所以图像 token 从来不只是孤立的小方块，它更像一张带地址的地图，地址乱了，画面理解就乱了。

切多少块，是谁决定的

主要由模型设计者定，也和你上传的原图尺寸有关。分辨率高、长宽比大的图会被切出更多块；一些系统还支持动态分辨率，小图少切、大图多切，按需花预算。这也解释了为什么有些应用会悄悄压缩你的图片再上传——token 省了，细节可能也丢了。遇到表格截图识别不清，先试试提高原图分辨率、裁掉无关边角再发一次，往往立竿见影。

它和文字 token 是一套账本吗

在主流多模态模型里，图像 token 和文字 token 最终进的是同一个上下文，类似两种货币先按汇率换成同一种记账单位。汇率怎么定、两边怎么对上，靠的是跨模态对齐；而把方块变成向量的那一步——「眼睛」本身——则由视觉编码器完成，这套能力同样是靠图文对训练喂出来的。至于画图那边，小块走的是另一条生成路线，和去噪步数里讲的过程相关，方向反了过来：文进图出。

两种 token 逐项对一下，差别就清楚了：

补充两个容易忽略的细节。一是同一模型对不同图的切块数并不固定：动态分辨率的方案里，小表情包可能只切十几块，长截图能切上千块，所以「一张图占多少上下文」要用实测确认。二是切块方案影响的不只是清晰度，还有指代能力——你问「右上角的按钮」，模型要靠块坐标定位，块太粗时方位词就会失灵。把这两点和前面的账本类比放在一起，你就能解释大部分「AI 看图不稳定」的现象：它不是情绪化，是每张图记的格子数和格子里的内容都不一样。

对照速查

• 文字 token：按词与字切，记语言内容
• 图像 token：按像素块切，记视觉信息
• 块越小越清晰，账单也越长
• 图片识别慢或看不清，先查块数与分辨率

一句话带走：模型眼里的图不是画，是一排带坐标的小块账目。

聊聊图像 token 的常见疑问

• 一张图到底占多少「字数」？：从几十到几千不等，取决于切块策略和原图尺寸，长图和高分辨率图占得更多。
• 切块会不会切散一个物体？：会，小物体可能跨在几块之间，靠编码器的上下文建模把它拼回来，这也是块不能切得太粗的原因之一。
• 为什么两张差不多的图，回答差别很大？：切块数、压缩率、构图重点不同，模型记下的要点就不同，回答自然出现差异。