← 所有标签

标签：多模态

共 5 篇文章。

• 2026年9月14日

  图片输入的 token 计费机制

  图片输入并不是按 JPEG 或 PNG 文件字节直接计费。本文拆解视觉模型如何缩放图片、切成 tile 或 patch、应用模型倍率并换算 billable token，比较 OpenAI、Anthropic 与 Gemini 当前机制差异，给出规则版本化、usage 回填、批量请求监控、成本预估和账单核对的工程方法。

• 2026年7月1日

  Anthropic Vision 多图输入的最佳实践

  Claude Vision API 处理多图输入时的请求结构、图片排序策略、token 预算控制与常见错误，附文档比对、UI 回归检测的实战代码。

• 2026年6月5日

  Gemini 3 Pro 多模态能力评测：图像、视频、音频综合实测

  从开发者视角评测 Gemini 3 Pro 的多模态能力，覆盖图像理解、视频分析、音频处理与代码生成，并与 Claude 同类模型横向对比。

• 2026年6月3日

  多模态 LLM 图片 token 计费详解：省钱的关键参数

  深入解析 Claude、GPT-4o、Gemini 的图片 token 计算规则，对比不同分辨率、压缩策略的实际成本，附省钱技巧与计费陷阱。

• 2026年5月19日

  LLM Vision API 国内调用对比：Claude / GPT-5 / Gemini

  Claude、GPT-5、Gemini 三家视觉模型的国内调用方法实战对比，含截图 OCR、UI 理解、图表数据提取、多图对比的场景实测。