今天翻百炼帮助中心，起因很小：我手里攒了一批要识别归档的材料，想批量传给视觉模型，想知道传到第几张会撞墙。文档写的是「最多 256 张」。但我按它给的 token 公式算了一遍，第 101 张就装满。这两年传图给 AI 的人越来越多，可图片这部分的账，文档写得挺碎，我一片一片拼了出来。这篇把我算账的过程记下来，你传图之前可以照着心算一遍。
一、我先把它给的公式套进三张图
百炼的帮助中心把图片怎么算钱写得很细：图像 token 等于缩放后的长乘宽，再除以每 token 对应的像素，最后加 2。新出的千问系列，一个 token 管 32×32 一共 1024 个像素；QVQ 和 Qwen2.5-VL 那一档老模型，一个 token 只管 28×28 共 784 个像素。收尾那个加 2，代码里注明了是视觉标记各计一个 token。划进 32 档的不只是新旗舰，qwen-vl-max 和 qwen-vl-plus 这两个老牌商用型号也在里面。我把手边最常见的三张图代了进去：一张 1080×2400 的手机截图，算出来 2552 个 token；一张 4000×3000 的相机原图，11752 个；一张 256×256 的表情包，只有 66 个。同一张脸，最大和最小差了 178 倍。文档还写了每张图最少按 4 个 token 收，低于这个数也按 4 个算。我按 qwen3-vl-plus 输入价 1 元每百万 token 除了一遍：一张截图值 0.0026 元，一张原图值 0.0118 元。钱小得可以忽略，但图片吃掉的不是钱，是上下文，这个后面会说。
二、256 张是张数的墙，先撞线的是 token
文档确实写了多图上限：走网址或本地路径传图，千问 VL 系列最多 256 张；转成 Base64 传，最多 250 张；换成图像列表的传法，qwen3-vl-plus 系列最多能列 2000 张，但最少也得列 4 张才收。三个传法三个张数，看着一个比一个宽松。但同一页还压着一句更硬的话：所有图片的总 token 数，必须小于模型的最大输入。我翻了 qwen3-vl-plus 的模型页，最大输入长度写的是 260096，打开思考模式是 258048，上下文 262144。先拿我那批材料试手：40 张截图按一张 2552 算是 10.2 万 token，占掉上下文的近四成，钱只要 0.15 元，看着很温和。但接着往上叠：101 张是 257752，不开思考还剩 2344 的余量，开了思考只剩 296；第 102 张是 260304，直接超出去 208 个。也就是说，256 张的名额只用得到一半零一张，2000 张更是纸面数字，墙是 token 砌的，不是张数砌的。100 张截图是 25.5 万 token，占掉上下文的 97.4%，模型只剩 7000 个 token 写回答，你说一句它答两句都紧张。顺手我还算出第二笔账：100 张塞进同一次请求，总量落进 128K 到 256K 那一档，输入 3 元每百万，合计 0.7656 元；拆成 10 次、每次 10 张，每次 25520 个 token 落在 32K 到 128K 档，1.5 元每百万，合计 0.3828 元。同样的图，拆开发便宜一半。限流那边也要看一眼，模型页写的 TPM 是 500 万，一次发 100 张 25.5 万 token，一分钟的额度也只够发 19 轮；RPM 3000 反倒不是瓶颈。
三、同一张图，两种算法两个价
真正让我坐下来算的是换算率。帮助中心明写了两个档位：新系列一个 token 管 1024 个像素，老系列只管 784 个。同一张 1080×2400 截图，新算法 2552 个 token，老算法先按代码里的 100 万像素上限把图压成 1484×672，再算 1274 个，差了一倍。换那张 4000×3000 的原图更夸张：新算法 11752，老算法压成 1148×840 之后只要 1232，差了 9.5 倍。但小图是反的：256×256 的表情包，新算法 66，老算法 83；一张 413×626 的一寸照，新算法 262，老算法 332，老的贵两成六。我对着代码想了一会儿才明白：老算法每个 token 少管两成三的像素，可它给每张图设了 100 万像素的硬顶，大图先被压扁，token 反而少；小图碰不到顶，只能实打实地按 784 一个 token 数。所以一张图的钱是换算率乘单价，两个因子都会翻倍。单价这边也一样：同是 32 档的 qwen3-vl-plus 输入 1 元每百万，qwen3-vl-flash 只要 0.15 元，一张截图从 0.0026 元变 0.0004 元。但 flash 的模型页我也翻了，上下文缓存、批量推理、Function Calling 三样都不支持，便宜 6.7 倍不是白捡的；它的输入价同样按量分三档，0.15、0.3、0.6 元，一分钱一分货这话在价目表上是看得见的。
四、原图发过去，文档自己说不会更准
算完这些我特地去翻了使用限制，因为我想知道传 8K 原图会不会识别得更准。文档写得很直白：模型靠 max_pixels 和 min_pixels 自动缩放，所以提供超高分辨率的图像并不会提升识别精度，反而会增加调用失败的风险，建议在客户端提前把图缩到合理大小。它还补了一句，推荐把分辨率控制在 8K 也就是 7680×4320 以内，超过的图可能因为文件太大、传得太久，直接把请求拖到超时。大多数模型每张图的像素上限是 1600 万，按 32 档折成 token 是 15625 个。我拿 7680×4320 的 8K 图试算：3317 万像素先被压到 5440×3072，16322 个 token，死死贴住文档写的 16384 上限。传上去的是 30 兆的文件，模型看到的还是缩过的图，传输时间倒是实打实变长了。格式我顺便核对过，BMP、JPEG、PNG、TIFF、WEBP、HEIC 都在支持列表里，iPhone 导出的 HEIC 原图不用转格式就能传，但分辨率超过 4K 的图只收 JPEG、JPG、PNG 三种。文档另外划了两条线：长边和短边的比不能超过 200 比 1，宽高都要大于 10 像素。视频比图更狠，先抽帧再算，默认每秒 2 帧，总像素封顶 1.34 亿，折成 token 最多 13.1 万，一次请求就占掉半个上下文；时长上 qwen3-vl-plus 最多吃 1 小时、2GB，新出的 qwen3.8-max 放宽到 2 小时。所以我的做法是，传图前先把关键区域裁出来，长截图也分段裁，别指望原图能加分。
五、我给自己定了三条发图规矩
第一条，发图前心算一遍：像素除以 1024 再加 2，超过 1600 万反正要被压，不如自己先裁。第二条，多图先加总再发，别超 26 万的总线；能拆成多次请求就拆，单价还能落到低档；不赶时间的话走 Batch File，输入半价，但注意 Batch Chat 一分不省，两种 Batch 不一样。第三条，发完翻一眼返回里的 usage，DashScope 会单独报一个 image_tokens 字段，文档示例里单图是 1247，拿它跟自己的估算对一遍——文档原话是实际计费以接口响应为准。要是同一批图要反复问几轮，qwen3-vl-plus 带上下文缓存，命中之后输入只要 0.2 元每百万，比不打缓存便宜八成；想主动建一份固定图库的缓存也行，创建收 1.25 元每百万，之后每次命中 0.1 元。免费额度也记一下：每个模型 100 万 token，从开通或模型发布起 90 天内有效，按一张截图 2552 算，够传 391 张，到期不续。
你们传图给 AI 的时候，看过账单里图片那部分 token 吗？评论区报个数，我看看谁被收得最意外。
本文含 AI 辅助创作内容：资料检索与初稿由 AI 完成，观点梳理、数据核验与编校由人工完成。