Token 是千问云上文本和视觉模型的基本计费与上下文管理单位。了解 Token 的计算方式有助于估算成本、控制上下文长度并优化 Prompt。音频和图像生成模型使用不同的计费单位（秒、字符或图片数），本文也会一并介绍。
文本 Token
文本模型将输入和输出切分为子词（subword）单元。粗略估算：1 个 Token 约等于 4 个英文字符，或约 1.5 个中文字符。实际数量取决于分词器和词表。
从 API 响应中读取 Token 用量
每次文本生成响应都包含 usage 对象，其中有精确的 Token 计数：
{
"usage": {
"prompt_tokens": 34,
"completion_tokens": 89,
"total_tokens": 123
}
}
{
"usage": {
"prompt_tokens": 1520,
"completion_tokens": 85,
"total_tokens": 1605,
"prompt_tokens_details": {
"cached_tokens": 1480,
"cache_creation_input_tokens": 0
}
}
}
{
"usage": {
"prompt_tokens": 50,
"completion_tokens": 300,
"total_tokens": 350,
"completion_tokens_details": {
"reasoning_tokens": 245
}
}
}
推理 Token 计入 completion_tokens，按输出 Token 费率计费。对于复杂推理任务，推理 Token 可能会显著增加总 Token 用量。
发送请求前估算 Token 数
在调用 API 之前，可以直接使用分词器估算 Token 数量。Qwen 模型使用兼容 tiktoken 的分词器：
# pip install tiktoken
import tiktoken
# 使用 Qwen 分词器
encoding = tiktoken.get_encoding("o200k_base")
tokens = encoding.encode("Your prompt text here")
print(f"Token count: {len(tokens)}")
Token 估算有助于控制上下文窗口和预估成本。如需精确数值，请以 API 响应中的 usage 字段为准。
视觉 Token
视觉模型（Qwen-VL 系列）将图片和视频帧与文本一起转换为 Token。Token 数量取决于图片分辨率。
图片 Token 计算公式
image_tokens = ceil(height / 28) × ceil(width / 28) / 4 + 2
- 图片会被缩放至
max_pixels（默认 1003520 像素）范围内，保持宽高比，尺寸四舍五入到 28 的倍数
/ 4 对应视觉编码器中的 2×2 像素合并操作+ 2 为 <vision_bos> 和 <vision_eos> 两个特殊 Token
示例：一张 1024×1024 的图片 ≈ (1008/28) × (1008/28) / 4 + 2 = 326 个 Token。
Python 估算图片 Token
import math
def estimate_image_tokens(width, height, max_pixels=1003520, min_pixels=3136):
"""估算 Qwen 视觉模型的图片 Token 数量。"""
# 缩放至像素预算范围内
total_pixels = width * height
if total_pixels > max_pixels:
scale = math.sqrt(max_pixels / total_pixels)
width = int(width * scale)
height = int(height * scale)
# 取整到 28 的最近倍数
width = max(28, round(width / 28) * 28)
height = max(28, round(height / 28) * 28)
# 计算 Token 数
return (height // 28) * (width // 28) // 4 + 2
# 示例
print(estimate_image_tokens(1024, 1024)) # ~326 tokens
print(estimate_image_tokens(1920, 1080)) # ~326 tokens
print(estimate_image_tokens(4096, 4096)) # ~326 tokens（缩放后）
高分辨率模式
启用 vl_high_resolution_images 可以以更高保真度处理图片（每个 Token 块对应 28×28 像素，而非默认的等效比率）。这会增加 Token 数量（每张图片最高可达 16,384 个 Token），但能提升细节识别能力，适用于 OCR 或小字识别等场景。
视频 Token
视频输入会被采样为独立帧，每帧使用相同的图片公式计算 Token。视频总 Token 数等于所有采样帧的 Token 之和。帧采样率取决于模型和视频时长。
音频计费单位
音频 API 不使用 Token，而是按时长或字符数计费：
| API | 计费单位 | 说明 |
|---|
| 语音识别（ASR） | 音频秒数 | 按输入音频的秒数计费 |
| 语音合成（TTS） | 字符数 | 按输入文本的字符数计费 |
| 语音对话 | 音频秒数 | 因模型而异 |
usage.prompt_tokens 字段。当前单价请查看定价页面。
图像与视频生成计费
图像和视频生成 API 同样不使用 Token：
| API | 计费单位 | 说明 |
|---|
| 图像生成 | 按张计费 | 每张生成图片单独计费，与分辨率无关 |
| 视频生成 | 按视频秒数 | 按输出视频的时长和分辨率计费 |
图像生成 API 的响应中，usage 字段包含 image_count 而非 Token 计数。input_tokens 和 output_tokens 字段可能显示为 0。
成本估算
文本/视觉 API 调用的成本估算公式：
cost = (input_tokens × 输入单价) + (output_tokens × 输出单价)
上下文窗口限制
每个模型都有最大上下文窗口，限制总输入 Token 数：
| 模型 | 最大输入 Token | 最大输出 Token |
|---|
| qwen3.7-max | 1M | 64K |
| qwen3.7-plus | 1M | 64K |
| qwen3.5-flash | 1M | 64K |
| qwen3-max | 256K | 64K |
- 在多轮对话中裁剪历史消息
- 使用上下文缓存减少重复计算（不会减少 Token 数，但能降低成本和延迟）
- 将较早的上下文压缩为精简的系统消息
后续阅读
- 定价 — 各模型 Token 费率及计费详情
- 成本优化 — 减少 Token 用量和开支
- 上下文缓存 — 缓存重复的 Prompt 前缀，降低成本和延迟
- 视觉理解 — 图片和视频 Token 计算详解
