Как настроить media_resolution в Gemini и сократить токены

Если картинки и видео раздувают контекст запроса, media_resolution позволяет ограничить число токенов на их обработку. Параметр задаёт максимум токенов для медиа: снижение уровня уменьшает стоимость и задержку, но оставляет модели меньше деталей.

В документации Google перечислены уровни unspecified, low, medium, high и ultra_high. По умолчанию используется unspecified, причём его токенизация зависит от поколения модели. Gemini 4 и Gemini 3 позволяют смешивать уровни внутри запроса. Конкретный пример из REST: для отдельного изображения поле resolution получает значение high внутри объекта с полем type, равным image.

Для этих поколений изображение на high занимает примерно 1 120 токенов, на low — 280. Разница в четыре раза относится к токенам изображения, а не ко всему счёту за запрос. Я бы оставила high для анализа, где ответ зависит от деталей: Google рекомендует его для большинства задач с изображениями. Снижение до low имеет смысл проверять на примерах своей задачи, а не сразу применять ко всем картинкам.

У видео другая логика: low и medium расходуют одинаковые 70 токенов на кадр. По документации, этого достаточно для большинства задач распознавания действий и описания видео. Поэтому переход с medium на low здесь не сэкономит токены. Для плотного текста и мелких деталей Google рекомендует high с расходом 280 токенов на кадр.

ultra_high доступен только для отдельного элемента контента; в таблице для видео он не поддерживается. Снижение разрешения также не сокращает токенизацию аудио. А processing и media_processing отвечают за то, какой контент видео попадёт в контекст, а не за число токенов на кадр.

Я бы начала с разделения запросов на описание происходящего и чтение деталей.