OpenAI在发布了多模态的GPT-4V（GPT-4 with Vision）的接口，可以实现图像理解的功能（Image-to-Text）。这是OpenAI的第一个多模态接口，在以前的接口中，OpenAI都是文本大模型，相关的费用计算都是按照输入输出的tokens计算，虽然与一个单词多少钱有一点差异，但是也算直观。而GPT-4V是一个图像理解的接口，这里的费用计算不像文本的tokens那么直观，那么这个接口的费用计算逻辑是什么？这个计算逻辑透露了什么样的模型架构信息？本文将介绍这个问题。

GPT-4V接口gpt-4-vision-preview简介

GPT-4V全称是GPT-4 with Vision，是一个多模态的能力，它可以理解图片，为用户解析图片并回答图片相关的问题。

GPT-4V可以准确理解图像的内容，识别图像中物体、计算物体的数量、提供图片相关的洞察和信息、提取文本等。更为强大的是，它可以识别表格转化成markdown格式，也可以针对柱状图等信息图表进行分析。

早先，GPT-4V刚推出的时候只有Web版本可以使用。在2023年11月6日，OpenAI官方推出了gpt-4-vision-preview版本接口，大家可以调用接口实现图像的理解。

与纯文本的大语言模型不同的是，图像的理解包含图片的解析，这部分无法单纯使用文本的tokens计算输入，而官方则是通过图像的清晰度（像素）来计算的。

gpt-4-vision-preview接口的计算逻辑

与此前的文本数据类似，gpt-4-vision-preview也是按照输入和输出的tokens计算。如下所示：

但是由于多了图像的输入，因此需要先将图像转换成tokens计算。而图像的转换官方提供了一个计算逻辑，是按照图像区域计算，在官方的文档中一个图像的512*512像素区域（tile）算作170个tokens。每个图片需要额外增加一个固定的85个tokens。

举个例子来说，如果你输入一个150px × 150px的图像，那么它的tokens和输入费用计算如下：

可以看到，一个150px × 150px的图像输入价格是0.00255美元。这里最核心的就是区域（tiles）计算。这里是长*宽的像素数计算的。因此，如果你的图片变成513*150，由于长超过了512，向上取整，那么这里就是2*1是2个区域，上面的tokens就变成2*170+85=425，最终的费用就是0.00425美元。如果是513*513大小，那么区域（tiles）就是4个了，最终的tokens就是4*170+85=765个tokens。

gpt-4-vision-preview接口的计算逻辑透露了什么信息

这里有2个非常明显的计算逻辑，有 gpt-4-vision-preview接口背后的GPT-4V模型有明显关系，一个即使基本的tokens数量85，就是不论什么图片都有一个85个基本tokens不变。另一个就是512×512的图像区域。

从这些信息中，有人有如下关于模型的猜测：

GPT-4V模型架构猜测1

图像的tokens计算逻辑是按照图像分辨率来的，这意味着GPT-4V本身应该没有OCR的逻辑叠加，因为OCR通常用于从图像中提取文本，然后这些文本可以被用作模型的输入。这可能意味着GPT-4V没有叠加OCR流程。

对于任何大小的图像都有一个85个tokens的基本计量，那是不是可能是因为模型有某一个固定的encoder可以输出85个tokens结果？85不是2的平方或者幂，非常奇怪，应该与编码过程或者特定算法有关。

按照512×512都算作一个区域（tile），固定计算为170个tokens，那么系统应该是对图像分块，每一块固定输入一个encoder，是否可能是13×13+1的这种层结构？

按照这些猜测，GPT-4V是否可能是像某种全局encoder输出85个tokens结果，外加按照512×512区域进行encoder？

GPT-4V模型架构猜测2

当然，也有人有不同的想法，例如85个固定tokens也可能是9*9 Small Patches + 2*2 Big Patches的encoder结构。

GPT-4V模型架构猜测3

还有人认为这个计算逻辑和Fuyu-8b模型类似。Fuyu-8b是由AdeptAI开发的多模态大模型，是一个Decoder-Only的Transformer多模态模型。在Fuyu-8B模型中，”image patch”是指将输入图像划分为一系列小块或”patch”。这些图像块可以被模型单独处理，然后再将结果合并以生成最终的输出。

这种方法允许模型处理任意大小的图像，因为每个图像块都可以独立地映射到Transformer的第一层。这种处理方式不仅简化了模型的架构，还提高了处理效率，使得模型能够快速响应大图像。这就是Fuyu-8B模型中”image patch”的概念。

而在Fuyu-8b中，模型架构也是image-to-token的概念，把image tokens当作text tokens。例如，每一个图像都有个特定与图像相关的换行符，称为image-newline，让模型直到图像的结束位置，而这个逻辑与前面的计算逻辑十分吻合。例如固定的85=8×8+1，每个图像区域（tile）的tokens数量170=13×13+1，几乎都是图像区域加一个结束分隔符！。

当然，这些都是纯粹的猜测，或许我们永远都不知道GPT-4V背后的架构。