商业大模型的按token计费模式，让多模态推理的成本问题变得日益尖锐。当一段财务分析需要附带七张图表、一份合同扫描附带密集的条款文字时，文本token的开销往往远超图片本身。如何在不修改模型的前提下降低多模态推理成本？arXiv上最新发表的研究提出了一个颇为巧妙的思路——Image Prompt Packaging（IPPg），把文字直接写进图片里，用视觉token替代文本token。 IPPg的原理并不复杂：在图片的留白区域直接嵌入结构化文本，让大模型通过视觉通道读取文字信息，而非传统的文本token通道。由于主流商业模型对图片token和文本token的计价相同（均按输入token收费），一张图片在视觉编码后的token占用，往往远少于等效文本的token数。研究团队的测试覆盖了五个数据集、三款前沿模型（GPT-4.1、GPT-4o、Claude 3.5 Sonnet），横跨VQA和代码生成两类任务。 结果显示，IPPg在最优配置下可实现35.8%至91.0%的推理成本削减。不过，效果高度依赖任务类型和模型：在CoSQL数据库理解任务上，GPT-4.1达到了准确率和成本的双赢；而Claude 3.5在部分VQA基准上反而出现了成本上升。失败模式分析揭示了明确的边界：空间推理、非英文输入、字符级操作（如精确计数）是IPPg最脆弱的场景；相对地，schema结构化任务（如数据库Schema理解）受益最大。 IPPg的意义不在于取代现有的多模态方案，而在于揭示了一个长期被忽视的事实：多模态推理的成本优化，不止属于模型压缩和量化那条路径，prompt层面的路由同样有巨大空间。把文字送进视觉通道，本质上是对信息编码形式的一次重新审视——相同语义，不同载体，成本却可能天差地别。当然，这项工作基于商业API的定价结构，随着多模态模型定价体系的调整其实用性可能变化。此外，把文字写进图片这一操作本身也引入了新的工程复杂度——自动排版、字体选择、渲染质量控制，都是落地时必须考虑的成本。