基础篇
进阶篇
高频篇
精选篇
手写篇
面经篇
AI 篇
原理篇
每日一题
小程序题库
  • 知识卡片碎片时间过考点
  • 场景篇按分类整理的大前端场景考点
  • 历年面经按年份追踪真实考点
  • 算法题库NEW在线编码即时判题
  • 专项自测100 题快速查漏
  • 前端基础
    • HTTP从报文一路讲到 HTTPS
    • 浏览器渲染、事件循环、进程
    • 计算机基础Linux、网络、操作系统
  • 进阶专项
    • 设计模式23 种模式怎么用
    • 前端系统进阶学习大型项目工程化
    • 前端综合文章长期沉淀的实践文
  • 工程与工具
    • Node学习指南从环境搭建到服务端
    • NPM工作流script、依赖与发布
    • Docker容器化部署上手
    • Canvas图形与动画实战
  • 路线与导图
    • 思维导图知识点全景图
    • 学习路线按图索骥不跑偏
  • 动态
    • 公众号动态公众号历史文章
    • 博客动态站长的技术博客
    • 开发者导航常用工具与文档站
    • AI 热点每日 AI 资讯与动向
AI 工作台
旧版
AIHT
内容
精选全部 AI 动态热点榜AI 日报收藏
分类
模型行业编程产品技术观点开源
更多
Agent 接入
返回首页开发者导航
AIHT
精选 / 资讯详情
8.0
热点
AI SCORE
技术实践2026-11-21 01:25

Gemini 图片调用省钱,先查令牌计费

dev.to · AI#Gemini#成本优化#多模态
Editor brief · 编辑速览

作者审查服装图片分析账单时发现,其使用的 Gemini 调用由请求分辨率设置决定图片令牌预算,缩小上传文件并未带来预期节省。案例提醒开发者区分传输体积与模型计费单位。

文章思维导图
Knowledge map
拖拽缩放
AI deep read

AI 深度解读

给图片压缩体积,不一定能降低 AI 账单。OutfitMaker 的作者检查 Gemini 图片分析费用后发现,自己原先想优化上传字节数,真正影响图片 token 数的却是请求里的 mediaResolution。

他用 12 张真实服装照片比较默认、MEDIUM、LOW 三种设置,最后选择 MEDIUM,估算当前用量下每月能省约 6 欧元。金额不大,但这次排查提供了一个值得复用的顺序:先查计费单位,再验证质量,最后把成本配置锁进测试。

图片变小,为什么账单没有跟着变

OutfitMaker 每收到一张用户上传的服装照片,就通过后台任务调用 Vertex AI 上的 Gemini,返回一个小型 JSON:服装类别、颜色、描述、标签、翻译后的名称,以及照片中的旋转方向。

11 月 20 日,作者逐项检查 Google Cloud 账单,发现过去 30 天里,这项分析调用的图片输入费用约为 15 欧元,是其中最大的一项,而且会随上传量增长。

他的第一反应是缩图:手机照片太大,编码前先缩小,发送的数据少了,费用应该也会下降。

但按作者查到的计费机制,在这次调用中,图片会按照请求的分辨率设置转换成固定预算的 token。模型会把传入图片缩放到相应预算,同一件衣服的大图和小图,可能得到相同的图片 token 数。

文件体积和模型计费量,是两件需要分别验证的事。

缩图仍然可以节省存储和传输带宽,但不能据此推断 Gemini 费用会下降。对作者而言,它还会增加 worker 的 CPU 开销和图像处理依赖,而这条任务链路此前已经遇到过缺少二进制程序的问题。

MEDIUM 能省多少,LOW 又错在哪里

真正的调节项位于 generationConfig,字段名是 mediaResolution,可选值包括 MEDIA_RESOLUTION_LOW、MEDIA_RESOLUTION_MEDIUM 和 MEDIA_RESOLUTION_HIGH;不传则使用默认设置。

它控制模型从图片中保留多少细节,图片 token 数随之变化。

作者没有直接选择最低档。他对 12 张真实服装照片分别使用默认、MEDIUM、LOW 设置运行生产中的实际调用,比较类别、颜色、旋转方向,并读取响应元数据里的 promptTokenCount。

原文提到总 prompt token 降幅约为 40%,但提供的正文没有附上它所引用的表格,因此看不到各档位的具体计数。作者补充,promptTokenCount 还包含各轮不变的文本提示,所以图片部分自身的降幅比 40% 更大。

MEDIUM 在这些对比字段上给出了与默认设置相同的答案。LOW 更便宜,但 12 张里只有 11 张正确。

颜色错误会沿着业务链路传播:藏蓝色毛衣被识别成黑色,后续搭配也会继承这个错误。用户又很容易亲眼发现颜色不对,因此作者没有接受 LOW 的额外节省。

为什么一个配置字段也要写测试

最终改动通过 PR #291 提交,私有仓库中的 commit 是 356dbbc。请求配置如下,它用来明确指定图片细节档位:

MEDIA_RESOLUTION = "MEDIA_RESOLUTION_MEDIUM"

generationConfig: {
  maxOutputTokens: 2048,
  responseMimeType: "application/json",
  mediaResolution: MEDIA_RESOLUTION
}

要看的是 mediaResolution 那一行:本次降低图片输入成本靠它,maxOutputTokens: 2048 则是另一项输出限制。

作者还把实验数字写在字段上方的注释里,解释为什么没有继续降到 LOW,并在已有的请求体测试中加了一条断言:

assert_equal "MEDIA_RESOLUTION_MEDIUM",
  body.dig("generationConfig", "mediaResolution")

这里要看 body.dig 检查的嵌套位置。它验证最终请求体确实带上了配置,避免只定义常量却没有发出去。

这种回归很隐蔽:请求构造代码重构时丢了字段,模型仍能按默认设置正常回答,功能测试可能全部通过,费用却涨回去了。固定成本参数的测试,能补上这个缺口。

作者估算当前用量下每月节省约 6 欧元;原文没有提供上线后的完整账期验证。

我的判断

我认同这次优化的顺序:从账单确认大项,再查计费机制,最后用真实输入验证业务字段。相比先给图片处理链路加依赖,直接调整请求参数,在这个案例里更有依据。

但 12 张照片只能支持一次小范围决策,不能证明 MEDIUM 对所有服装都没有损失。原文也没给出 Gemini 的具体模型名、版本和完整测试表,不能把这次结果直接推广到所有 Gemini 图片调用。

作者只描述了对类别、颜色、旋转方向的比较,没有交代描述、标签和翻译结果是否同样稳定。这里的「答案一致」需要限定范围。

另外,测试能防止字段被删,不能防止模型行为或计费规则变化。它是成本回归的一道防线,不是质量与费用的永久保证。

能拿来做什么

  • 给图片分析接口做优化前,先确认账单按什么单位收费,分别评估缩图对带宽、存储和模型调用费用的作用。
  • 在现有 Gemini 调用中检查 generationConfig.mediaResolution,用同一批真实图片比较默认、MEDIUM、LOW,并记录 promptTokenCount。
  • 按用户真正依赖的字段评估质量。服装识别尤其要检查颜色,不能只看 JSON 是否有效、类别是否大致正确。
  • 在请求体测试中固定选定的成本参数,并把样本结果和选择理由写进注释,方便后续重构和重新评估。
Original source

本文由 AI 通读原文后重新编写,观点部分为站内判断,细节以原文为准,来源 dev.to · AI,原文版权归原作者所有。

阅读原文
上一篇
为 n8n 生产流程补齐告警与幂等保护
下一篇
用职责与权限约束四类编程子智能体

资讯速览

dev.to · AI · 2026-11-21 01:25

AI 评分 8.0 / 10

相关标签

#Gemini#成本优化#多模态

继续阅读

  • AI 编程项目失控的十二类常见问题
  • 为 n8n 生产流程补齐告警与幂等保护
  • 用职责与权限约束四类编程子智能体
  • 本地推理多轮崩溃,问题出在 KV 缓存
  • 让 RAG 在证据不足时停止编造答案