Mã thông báo hình ảnh là đơn vị xử lý tối thiểu mà AI đa phương thức phân chia nội bộ khi phân tích dữ liệu hình ảnh và được sử dụng làm cơ sở để tính toán hóa đơn và mức tiêu thụ ngữ cảnh.
Mã thông báo hình ảnh đề cập đến thời điểm LLM đa phương thức như GPT-4o và Gemini xử lý hình ảnh làm đầu vào bằng cách chia hình ảnh thành các mảng dạng lưới và chuyển đổi từng mảng thành cùng đơn vị dưới dạng mã thông báo văn bản. Số lượng mã thông báo được tiêu thụ trên mỗi hình ảnh được cho là nằm trong khoảng từ vài trăm đến vài nghìn tùy thuộc vào độ phân giải và phương pháp phân chia ô, đồng thời phương pháp tính toán khác nhau tùy thuộc vào kiểu máy. Một cạm bẫy phổ biến trong hoạt động thực tế là khi quy trình làm việc xử lý một số lượng lớn hình ảnh có độ phân giải cao sử dụng hết cửa sổ ngữ cảnh chỉ có hình ảnh, khiến không thể bao gồm các hướng dẫn văn bản quan trọng hoặc lịch sử hội thoại. Kể từ năm 2026, mô hình chính về phí API sẽ là chuyển đổi hình ảnh thành phí với cùng đơn giá với mã thông báo văn bản và chi phí xử lý hàng loạt và phân tích khung hình video có xu hướng tăng nhiều hơn dự kiến. Khi chọn API trong trường, bạn nên so sánh và xem xét liệu API có thể nén trước số lượng mã thông báo bằng cách sử dụng chế độ độ phân giải thấp hoặc giảm hình thu nhỏ hay không và liệu cấu trúc phí có minh bạch hay không.