4.3 KiB
4.3 KiB
tags, create time
| tags | create time | |||||
|---|---|---|---|---|---|---|
|
2026-06-12 11:13 |
成本控制
概述
实时视频流 + 多模态 LLM 推理的成本极易失控。本节从视觉链路、语音链路、推理链路三个维度梳理成本控制策略，并引入端云协同的架构思维——将适合的计算前置到客户端，降低对云端 API 的依赖。
正文
成本构成分析
[!question] 思考 假设一个用户每天使用 10 分钟，每秒处理 1 帧图像 + 持续语音交互。粗算一下：10 分钟 × 60 秒 = 600 次图像 API 调用。如果每次调用消耗 1000 tokens，一天就是 60 万 tokens。1000 个用户呢？
graph TD
A["总成本"] --> B["视觉链路"]
A --> C["语音链路"]
A --> D["推理链路"]
B --> B1["图像编码与传输"]
B --> B2["视觉 token 消耗"]
C --> C1["STT 按分钟计费"]
C --> C2["TTS 按字符计费"]
D --> D1["LLM 输入 tokens"]
D --> D2["LLM 输出 tokens"]
策略一：智能采样——少发图，发好图
最直接的降本手段：减少发送给 LLM 的图片数量。
| 策略 | 降本幅度 | 实现复杂度 | 说明 |
|---|---|---|---|
| 提高采样间隔 | 高 | 低 | 从 1fps 降到 0.2fps |
| 关键帧过滤 | 中 | 中 | 画面不变时不发送 |
| 用户触发 | 高 | 低 | 只在用户提问时拍照 |
| 本地预筛选 | 中 | 高 | 用轻量模型判断"是否值得问 LLM" |
// 混合策略：定时低频 + 事件高频
const NORMAL_INTERVAL = 5000; // 正常 5 秒一帧
const ACTIVE_INTERVAL = 1000; // 用户说话时 1 秒一帧
let isUserSpeaking = false;
setInterval(() => {
captureAndSend(isUserSpeaking ? "low" : "high");
}, isUserSpeaking ? ACTIVE_INTERVAL : NORMAL_INTERVAL);
策略二：端云协同——把计算推到边缘
核心思想：不是所有计算都需要上云。
graph LR
subgraph Client["客户端"]
A["摄像头帧"] --> B["轻量视觉模型"]
B --> C{"场景变化?"}
C -->|"否"| D["丢弃"]
C -->|"是"| E["压缩 + 上传"]
end
subgraph Cloud["云端"]
E --> F["多模态 LLM"]
F --> G["返回结果"]
end
可前置到客户端的计算：
- VAD 语音检测：浏览器端完成，减少无效音频上传（节省 ~70% 带宽）
- 人脸/物体检测：用 ONNX Runtime 跑轻量模型，只在检测到新物体时触发 LLM
- 重复画面过滤：计算帧间相似度，相似度 > 90% 直接跳过
- 敏感内容过滤：NSFW 检测前置，避免无效 API 调用
[!tip] 端云协同的"甜点" 浏览器端的 ONNX Runtime Web 可以跑 YOLOv8-nano 这样的轻量模型（~6MB），推理耗时约 30ms，完全不影响用户体验，但能显著减少云端调用次数。
策略三：模型分级——用对模型做对事
不是每个问题都需要最贵的模型：
graph TD
A["用户提问"] --> B{"问题复杂度"}
B -->|"简单识别"| C["GPT-4o-mini / Haiku"]
B -->|"深度分析"| D["GPT-4o / Sonnet"]
B -->|"代码/推理"| E["o1 / Opus"]
C --> F["成本: $0.15/1M tokens"]
D --> G["成本: $2.5/1M tokens"]
E --> H["成本: $15/1M tokens"]
路由策略示例：
async function routeQuery(image: string, question: string) {
// 先用小模型判断问题复杂度
const complexity = await classifyComplexity(question);
const modelMap = {
simple: "gpt-4o-mini", // "这是什么？" → 用小模型
moderate: "gpt-4o", // "分析这张图" → 用中模型
complex: "o1" // "推理/规划" → 用大模型
};
return callLLM(modelMap[complexity], image, question);
}
策略四：缓存与复用
- 语义缓存：相似问题直接返回缓存结果（如反复问"这是什么"）
- 上下文复用：连续对话中，未变化的图像不必重复发送
- Prompt 压缩：精简 system prompt，减少每轮的固定 token 开销
[!info] 成本对比 优化前（1fps 全量发送）vs 优化后（0.2fps + 端侧筛选 + 模型分级）：月成本可从 $5000 降至 $300~500，降幅约 90%。