在API 服务中，图片会转换成token后按token计费，一张图片最多占384tokens
这是deepseek说的，好像一般模型都是1000token吧？
好像平均一般一个token大概2-3个汉字吧
那我多放点字，是不是
于是我有了邪恶的想法…… 这个50x50个汉字 384个token 肯定不行吧（逃
让AI跑了张很多随机文字的图片
问：看看这张图片，倒数第三行 第三个字是什么
于是，DeepSeek 寄了
Qwen 寄了，
牛来不了。
真神来了！恭喜 我们的Gemini 3.7 Flash ！
不知道GPT和Claude行不行，有没有大佬测测，我没有订阅喵
考虑是服务端压缩导致的图像模糊无法识别。
我的gpt(5.6 xhigh)做对了，但是他偷偷用了工具呜呜呜
Gemini的原生多模态依然保持领先的，虽然推理和编程落后
那说明他聪明，小时候书上教，人和动物最大的差别就是擅长使用工具
gemjni的多模态是真的好，可惜了，现在流口水
也有可能的，不过这个模型好像没有开源的打算吗
在opencode用还是比较贵的
前几天刚知道这个只是，给gemini上传pdf，gemini的处理方式是转化为图片，然后每页pdf的token消耗就是384token，比把pdf转化为文本要节省很多token和时间
试了牛来ox-alpha也不能识别
感觉3.7 Flash还是可以的，但是也不强就是了
3.6 Flash就不太行了
之前我试过 上传了一张 长图片 给 Gemini，上传之后就被压缩得非常模糊 也是在猜字 猜内容，猜测准确率大概在 40%
gpt和claude都轻松拿下，grok 4.5不行、4.6成功
