图像 token 数是怎么影响费用的？

同样的对话，附上一张截图后消耗明显变高，很多人第一次看到用量统计都会疑惑。图像在多模态模型里要被切成 token 来算账，Kimi、DeepSeek 等支持看图的模型都遵循这套逻辑。图像 token 数怎么来的、怎么推高费用，这篇拆开讲。

一张图怎么变成token

模型看图的方式是把画面切成小方块，每个方块编码成一个 token，和文字共用同一套计量体系。常见做法按固定网格切，切成若干行若干列，token 数随网格规模增长。切多细取决于模型设计，越细看得越清，token 也越多。

并不是切完就完事，多数模型还有映射规则：把若干个小块合并成一个视觉 token，或者对低分辨率图直接降低网格规模。同一张图，不同模型算出的 token 数可能差出几倍，原因就在映射规则不同。

图和文的换算关系也有个粗略参照：一张中等尺寸的图片，token 量常见在几百到几千之间，抵得上一篇短文。这个量级感很有用——问一句话值不值得配图，先想答案是不是真需要看图才能给。能靠文字描述清楚的，别附图；必须看图才答得了的，才让图上场。

分辨率怎样推高消耗

分辨率是最直接的变量。原图越大，要么切成更多块，要么被强制缩放后丢失细节。许多服务按像素总量换算 token 来计费，边长翻倍，消耗按平方级往上走。长图尤其吃亏，一张竖长的聊天截图，换算下来可能顶得上好几张普通图片。

可带走的判断：先裁剪再上传，把无关的边角去掉，token 立刻降下来。发一张全屏截图只为问中间一行字，是常见的浪费。

多图对话为什么更贵

多轮对话里，前面的图往往一直留在上下文中。第一轮传三张图，到第十轮提问时，这三张图的 token 还驮在请求里重复计量。多图加长对话，消耗滚雪球就是这么来的。不需要再参考的图，尽早开新会话甩掉，比任何技巧都实在。

批量场景更明显：一次任务传几十张图做比对，单图成本乘以数量再乘以轮次，总量比单次体验的直觉高出许多。预算有数的项目，值得先小批量试跑再放量。

夜间批跑、错峰调用这类调度手段也能省下不少，部分服务在低峰时段有折扣档位。账单要按项目拆开记，混在一个池子里，很快就会看不清钱花在哪，优化也就无从下手。

控制开销的实用做法

几条能立刻用的：上传前压缩到够用的分辨率，屏幕截图压到长边一千多像素通常不影响阅读；一次只传与问题相关的图；长对话及时收口，参考材料用完就换新会话；接口调用时留意各家的图像计价公式，口径差异不小，以官方文档为准。视频侧的近亲话题是抽帧密度，见视频理解的采样密度是怎么定的；数据侧的背景看多模态模型的训练数据从哪来；技术路线与开销的关系，另见原生多模态和外挂视觉有什么区别。

图像消耗自查清单

• 上传前：裁剪、压缩，去掉无关区域。
• 对话中：无用的图尽早开新会话甩掉。
• 批量前：小规模试跑，再估算总量。

末句：图不是白看的，每一块都有价签。

图像token快问快答三则

• 同一张图不同平台消耗差很多吗？：可能差数倍，映射规则和计价公式不同，对照各家文档最直观。
• 缩小图片会明显降低效果吗？：问文字、看布局几乎无感；数细小物体、读小字才需要保留高分辨率。
• 图会一直占着上下文吗？：在多数产品里会，直到会话结束或被清掉，这是多图长对话变贵的主因。