圖片進模型前該做什麼：解析度、格式與 token 成本

視覺模型把圖片切成區塊再編碼，圖片越大、token 越多、越貴也越慢。多數應用送進去的解析度都遠超過實際需要。

先問：模型需要看清楚什麼

• 判斷場景或物件 → 短邊 512 像素通常就夠。
• 讀取大字標題 → 短邊 768 到 1024。
• 讀取密集小字或表格 → 需要高解析度，或改用切塊策略。

切塊比整張放大有效

一張 A4 掃描件整張送進去，文字會糊成一片。比較好的做法是先偵測版面區塊，再把每個區塊各自裁切送入。成本更低、辨識更準。

from PIL import Image

def prep(path, max_side=1024):
    im = Image.open(path).convert('RGB')
    w, h = im.size
    scale = min(1.0, max_side / max(w, h))     # 只縮不放
    if scale < 1.0:
        im = im.resize((int(w*scale), int(h*scale)), Image.LANCZOS)
    return im

三個實用細節

• 只縮不放：放大不會增加資訊，只增加成本。
• 統一轉 RGB：PNG 的透明通道在部分模型上會變成黑色區塊。
• 修正 EXIF 方向：手機拍的照片常常是躺著的，模型不會自動轉正。

估算成本

多數視覺模型的 token 數大致與像素數成正比。把解析度砍一半，token 數約降到四分之一。在批次處理大量圖片時，這個差距非常可觀。