Vision Token Budget（视觉 Token 预算）
Vision Token BudgetVLM 看图要花多少 token
亦作、亦称：视觉 Token 预算 · Vision Token Budget · Vision Token Cost · 视觉 Token 成本
Vision Token Budget 是 VLM 推理成本工程的核心约束——图像经 patch 切分映射为 token，数量由分辨率平方与 patch size 决定，是 API 账单与延迟的主要来源。
核心定义
Vision Token Budget 是 VLM 推理中对图像输入所消耗 token 数量的成本预算约束。
VLM 将图像切分为固定大小的 patch（如 14×14 或 28×28 像素），每个 patch 映射为一个 token；token 总数 ≈ (H×W)/(patch_size²)。
- 1024×1024 图像在 patch_size=14 下约产生 5,300 token
- 同样图像在 patch_size=28 下约 1,340 token
- patch size 翻倍，token 数降为 1/4
工程控制手段
三层控制手段：
- 分辨率分层：根据任务需求选择 thumbnail（~100 token）/standard（~1,000 token）/high-res（~5,000+ token）三级输入，避免无差别使用最高分辨率
- 预处理管线：去重（相同图像不重复计费）、裁剪（只保留 ROI 区域）、OCR 前置（文本区域直接提取文本而非作为图像输入）
- 多层缓存：pHash 精确匹配、CLIP 语义匹配、任务级缓存，避免相同或相似图像重复推理
三层叠加可将生产环境 vision token 成本降低 3-10 倍（arXiv 2608.07427）。
与文本 token 的边界
文本 token 数量与输入长度线性相关（1,000 字 ≈ 1,300 token，可预测）。
vision token 数量与图像分辨率平方成正比：
- 1080p vs 480p 可达 5-9 倍差异
- 不同模型计算规则不同（OpenAI/Anthropic/Google 各异）
- 同一张图像在不同 API 上可能产生 2-5 倍的 token 差异
因此 vision-token-budget 是跨模型选型和生产成本控制的核心变量，而非模型能力的固定属性。
与 context-window 的边界：context-window 是模型能处理的最大 token 数（能力上限），vision-token-budget 是在成本约束下主动分配的 vision token 配额（成本决策）。
常见误解
日常交流中容易听到的简化说法，未必准确，但能帮助理解误解从何而来。
- 「VLM 看图要花多少 token」
- 「图像分辨率换来的推理账单」
相关术语
和本术语关联紧密的其他词条，便于串联理解。
🎯 考点练习
含该术语的高频面试题，含标准答案与追问。
- 初级概念高频查看详解 →
什么是大语言模型（LLM）？它能做什么、不能做什么？
LLM 是基于 Transformer、在海量文本上预训练的自回归语言模型，擅长语言任务，但不擅长精确计算、实时信息，且会产生幻觉。
- 中级概念查看详解 →
Claude Opus 5 如何在降低成本的同时提升安全性？「guardrails 激活频率降低 85%」意味着什么？
考察候选人对前沿模型「安全-可用性平衡」的理解：以 2026 年 7 月发布的 Claude Opus 5 为例，解读「guardrails 激活频率较 Fable 5 降低 85%」的真实含义、过度拒绝（over-refusal）问题，以及为什么「更少误拦」与「更安全」可以同时成立。
- 高级概念查看详解 →
比较 Subquadratic Attention 与标准 Self-Attention 的复杂度差异。长上下文 LLM 的工程挑战有哪些？
考察候选人对注意力机制复杂度的理解：标准自注意力为何是 O(n²)、亚二次注意力的实现路径（稀疏/低秩/线性/SSM）、SubQ 的工程突破，以及长上下文 LLM 在内存、延迟、成本上的工程挑战。
- 高级概念查看详解 →
解释 DeltaNet 如何利用 Delta Rule 实现线性注意力，与传统 softmax attention 的优劣对比
考察候选人对线性注意力架构演进的理解，特别是 DeltaNet 如何通过增量更新机制在 O(n) 复杂度下实现接近 Transformer 的记忆精度。
延伸阅读
从知识库精选 1 篇文章，帮助深入理解该术语。
外部参考
维基百科：查看「Vision Token Budget」词条本页内容为本站原创撰写；维基百科链接仅作延伸参考。