核验清单

  • ✓视频文件先抽帧,再算这些帧的 token。不传 fps 时,指南的默认值是 2.0,每 0.5 秒一帧。
  • ✓文件里的帧够多时,抽帧下限是 4。fps 调到 0.1 也不会更少。第五帧会让「帧数除以 2 向上取整」再加 1。
  • ✓帧数变多,单帧的像素上限会缩小。Qwen3-VL-Plus 和别的模型,估算代码里的像素常数不一样。32 和 28 不要抄错。
  • ✓图像列表按你传入的张数计,最少 4 张。这套接口不理解音轨。思考过程若真的输出了,算进输出 token。
  • ✓页上的代码是估算。实际以接口用量为准。免费额度只写了北京和新加坡,100 万 token、90 天。单价在控制台。

1. 两分钟是能不能收,抽帧才是算多少

图像与视频理解把计费写成:总费用按输入和输出的总 token 数计算,价格看百炼控制台。输入 token 由文本 token,加上图像或视频换算后的 token 组成。输出 token 是模型生成的文本。本文不把某一天的元价写成长期牌价。

视频文件的处理顺序写在估算一节:先抽帧,再计算所有视频帧的总 token。片长上的「两分钟」不是 120 个计费单位。时长出现在使用限制里,管的是文件收不收。qwen3.8、qwen3.7、qwen3.6、qwen3.5 是 2 秒到 2 小时。qwen3-vl-plus 是 2 秒到 1 小时。其他 Qwen3-VL 开源系列是 2 秒到 20 分钟。Qwen2.5-VL 开源系列和 QVQ 是 2 秒到 10 分钟。其他模型是 2 秒到 40 秒。短于这个下限的文件进不了这套接口,不是进了以后按 2 秒的 token 来计。长于上限的文件同样是限制,不是自动截成上限秒数再按秒计价。

抽帧频率是 fps。指南写明:每隔 1/fps 秒抽取一帧,取值范围 0.1 到 10,默认 2.0。默认就是每 0.5 秒一帧。高速运动适合更高的 fps,静态或长视频适合更低的 fps。这两句讲的是细节和处理效率。落到账上,变的是抽出来的帧数。不传 fps 时,估算代码用的默认值也是 2.0。两分钟、默认 2.0,大约是 240 帧这个量级,然后再受上限和像素预算约束。不要把 120 秒直接写成 token。

2. 四帧是下限,第五帧会再开一对

估算代码把最少抽取帧数写成 4,并且按 2 向上取整到偶数。4 本身就是偶数,下限还是 4。抽帧数先按「时长乘 fps」估算,再夹在下限、上限和视频原始总帧数之间。文件里的帧够多时,把 fps 调到范围底部的 0.1,抽出来的仍不会少于 4。那些没被抽到的秒,不是一条零元的时长,它们根本没有变成帧。文件自己不足 4 帧时,抽帧数不能超过原始总帧数,接口不会凭空补帧。

token 不是「一帧一个价」。视频估算写成:帧数除以 2,向上取整,再乘缩放后的高除以 32、宽除以 32,最后加 2。4 帧是 2 对。5 帧向上取整后是 3 对。多出来的那一帧会再开一对,不是只加一对里的一半。末尾的 2 是整段各加一次的 vision_bos 和 vision_eos,不是每一帧都加 2。静止图像的公式是缩放后的高乘宽,除以每个 token 对应的像素,再加这同样的 2,见调用DeepSeek、通义千问图片理解API,一张图到底折算成多少token。视频先把帧配成对,再走像素。不要用「一张图的 token 乘秒数」去估这段视频。

max_frames 是抽帧上限。按 fps 算出的帧数超过它时,系统在这个上限内均匀抽帧。指南把这个参数写成只在 DashScope SDK 里可用。OpenAI 兼容路径的示例传的是 video_url 和 fps,没有把 max_frames 写成同一条路径上的参数。用兼容接口时,不要假设你写进请求的 max_frames 已经把帧数压住。估算代码里的最大帧数示例是 2000,注释要求按模型去改。图像列表的张数上限是另一张表:qwen3.8、qwen3.7、qwen3.6、qwen3.5 最多 8000 张,qwen3-vl-plus 最多 2000 张,其他 Qwen3-VL 开源、Qwen2.5-VL 和 QVQ 最多 512 张,其他模型最多 80 张。最少都是 4 张。不要把示例里的 2000 抄成所有模型的视频文件上限。

3. 帧一多,每一帧允许的像素就缩小

单帧像素上限不是一个固定的长宽。估算代码把它写成:在「模型的单帧像素上限」和「总像素预算除以帧数再乘 2」之间取较小的那个,并且不能低于像素下限的大约 1.05 倍。帧数增加时,分到每一帧的总像素预算变小,画面会被缩得更紧。所以帧数翻倍,token 不一定翻倍。反过来,源视频分辨率更大,指南写明不会有更好的理解效果,模型会按 max_pixels 和 min_pixels 调整尺寸。把 4K 文件原样送进去,不是在买更多的有效像素。

这些常数还看模型。示例把 Qwen3-VL-Plus 的单帧像素上限写成 640 乘 32 乘 32,总像素写成 131072 乘 32 乘 32。同一段注释里,其他模型是 768 乘 32 乘 32,以及 65536 乘 32 乘 32。图像一节又把每个 token 对应的像素分成两档:qwen3.8、qwen3.7、qwen3.6、qwen3.5 和 Qwen3-VL 是 32 乘 32。QVQ 和其他 Qwen2.5-VL 是 28 乘 28。视频示例代码按 32 来除。模型若属于 28 那一档,不要把除数 32 的公式直接贴上去。估算所用的 fps、像素上限,必须和这次请求里真正传的参数一致。页上写明,代码只供估算,实际用量以接口响应为准。

一次请求最多 64 个视频。每个视频各自抽帧。不要把 64 理解成 64 份免费的抽帧下限,下限是每个被抽的视频自己的帧数规则。文件太大进不了接口,和 token 公式是两件事。公网 URL、Base64、本地路径的体积上限不同,页上写明这些限制取决于所选模型,不能靠购买高级套餐或升级模型版本抬高。体积不合规时先压缩或改成公网地址。百炼读不到 OSS 内网地址,会返回 InvalidParameter,消息是下载多模态内容失败。那是文件没进去,不是按两分钟估出来的一笔 token。

4. 图像列表、音轨和思考,都不是片长

视频也可以用已经抽好的图像列表传入。列表最少 4 张。给这种列表写的估算函数,吃的是你传入的张数和其中一帧的尺寸,函数参数里没有 fps。指南另说,fps 在图像列表上告诉模型帧与帧的时间间隔,用来理解顺序和持续多久,支持的是 Qwen3.6、Qwen3-VL、Qwen2.5-VL。它没有把这个 fps 写成「再抽一次帧」。你交了 4 张图,就按这 4 张走像素和配对,不是按原片的两分钟重抽。原片有多长,不在这个函数里。

音轨在这套接口上不计,因为不理解。使用限制写明:不支持对视频文件的音频进行理解。没有一条音频 token 可以加到抽帧 token 旁边。另一套音视频翻译会把 video_tokens 和 audio_tokens 拆开,那不是这一页的公式,不要把翻译接口的采样脚本抄过来。出图、出视频按秒或按张,也是另一本账。参考视频的输入侧按五秒这口池截断,见参考视频有三十秒,为什么输入侧只按五秒这口池计?。那边的秒是生成计费单位。这里的秒只决定抽哪几帧。

思考是输出,不是抽帧。计费节写明:思考模式下,思考过程计入输出 token。若思考模式下没有输出思考过程,按非思考模式的价格计费。这句不把思维链加成抽帧数,也不保证每次思考模式都有一截推理文本。推理模型的思维链怎么入账,见调用DeepSeek-R1这类推理模型,思维链reasoning_content的输出token算不算钱。两页都不要拿来改 fps。

批量折扣也不改抽帧。生产环境一节说,大规模、非实时的任务可以用 OpenAI 兼容的 Batch 文件输入,仅支持部分模型,异步处理,并提供 50% 的成本折扣。折扣落在这条路径的费用上,不把 4 帧改成 2 帧,也不把「除以 2」再除一次。免费额度只写了北京和新加坡:从开通百炼或模型申请通过之日起 90 天,视觉理解模型提供 100 万 token。页上没有把这 100 万写成其他地域也有,也没有写成每个视频一份。超时后,响应头 x-dashscope-partialresponse: true 表示已经把生成出来的内容返回了。计费节没有为这种半截回复写一行零费用。已经生成的文本仍是输出 token。拿它做前缀续写,是下一次请求,这段文字会再进输入。

5. 充值改不了抽帧,也改不了四帧这条下限

对账按六列走。第一列是文件收不收:时长、体积、格式落在该模型的限制里,内网地址会直接下载失败。第二列是抽帧:fps 默认 2.0,范围 0.1 到 10;文件够长时下限 4 帧;max_frames 只按指南写给 DashScope SDK,超过上限就在上限内均匀抽。第三列是 token 形状:帧数除以 2 向上取整,乘该模型对应的缩放宽高,再加 2。32 和 28 看系列,Qwen3-VL-Plus 的像素常数不要抄到其他模型。第四列是帧数对像素的反作用:帧越多,单帧预算越小,源分辨率更大不等于 token 更多。第五列是别的对象:图像列表按传入张数,音轨在这套接口里没有,思考若输出了算输出 token,Batch 的 50% 只在它写明的那条路径上。第六列是用量:页上的代码是估算,接口返回的用量才是这次的数。免费额度先看地域是不是北京或新加坡。

给账户准备额度,发生在这些列扣款之前。链上把稳定币换成能付进账户的资产,不会把两分钟收成 120 个 token,也不会把 fps 0.1 收成比 4 帧更少。需要这一步时,可以用无需注册、非托管的 AllSwap 完成链上兑换。兑换成功只说明资产换了手。抽了多少帧、配成多少对、单帧被缩到多小,仍按这次实际抽到的帧和接口返回的用量计。