近年来，随着大语言模型（LLM）和多模态模型的快速迭代，AI驱动的代码生成、审查与调试服务日益普及，但其高昂的token计费成本始终是企业用户的一大痛点。近日，知名AI开发平台Fable公司宣布一项颠覆性实践：通过将源代码转换为图像，再交由多模态大模型进行OCR识别处理，成功将代码处理成本削减60%。这一看似“绕远路”的方法，却在真实业务场景中带来了显著的经济效益。
Fable是一家专注于AI辅助编程与自动化代码审查的科技公司，其平台每天处理数万行来自不同客户的代码片段。过去，用户将代码以纯文本形式输入，Fable调用大模型按token数量计费。对于动辄上千行的项目或包含大量注释与特殊符号的代码，单次调用成本居高不下。Fable首席技术官林恩·诺瓦克在官方博客中透露：“我们曾测试过，处理一份1000行的Python脚本，直接文本输入需要约8000个token，费用约0.04美元。如果每日处理10万次请求，成本压力惊人。”
为突破这一瓶颈，Fable团队尝试了多种优化方案，最终发现了一个反直觉的捷径：先将代码渲染为高清截图（类似Carbon.now.sh风格的代码卡片），再将图片提交给GPT-4V或Claude 3等多模态模型，由模型自带的OCR能力识别图像中的文本并完成后续理解与分析。实验数据显示，采用图像方式后，每张图片仅需支付固定费用（约0.01美元），且图片可容纳大量代码行，实际token消耗（以视觉token计）远低于纯文本。换算下来，处理相同代码的成本从0.04美元降至0.016美元，降幅达60%，而准确率仍维持在95%以上。
“很多人听到这个做法都觉得不可思议，为什么要把代码变成图片再读出来？但这就是当前模型定价结构带来的‘套利’机会。”Fable首席科学家陈宇在采访中解释道，“文本模型按精确字符数计费，而视觉模型对图像的整体特征更敏感，通过压缩和缓存机制，我们大幅减少了冗余token。”此外，团队针对OCR环节进行了专项微调，确保花括号、箭头、分号等编程符号的高精度识别，并设计了智能缓存层，避免重复图片处理。
这一创新在行业内部引发热议。AI成本优化咨询公司AnalytiX的创始人杰森·布朗指出：“Fable的做法本质上是利用了多模态模型对图像输入的优惠定价。许多企业还在默认使用纯文本接口，却忽略了视觉模型的潜力。不过，这也提醒我们，OCR方式可能面临对抗性攻击风险，比如刻意设计的像素噪声干扰。”Fable回应称，已在预处理环节添加了图像校验与安全过滤机制，保障代码的完整性与准确性。
展望未来，Fable计划将这套“代码转图像+OCR”的流程扩展至更多场景，包括表格数据处理、流程图解析及文档识别。同时，团队也呼吁大模型提供商进一步优化文本token定价，使直接处理代码仍是更自然的选择。但在那之前，这项略带“邪道”色彩的降本方案，无疑为开发者社区提供了一条极具启发性的新路径。在AI技术飞速演进的当下，打破常规思维、跨模态“套利”或许正是降本增效的关键密钥。