Ce que « voit » le modèle

Tout devient des tokens

Un modèle de langage ne lit pas des mots ni des pixels : il lit des tokens, de petits morceaux d'information (un bout de mot, un carré d'image, une fraction de seconde de son). C'est en tokens que l'on mesure la taille d'une requête et son prix.

flowchart LR
  I["Image"] --> TI["tuiles d'image"]
  P["PDF"] --> TP["pages (texte + image de la page)"]
  A["Audio"] --> TA["tranches de son"]
  V["Vidéo"] --> TV["1 image par seconde + la piste audio"]
  TI --> M["Tokens"]
  TP --> M
  TA --> M
  TV --> M
  M --> G["Gemini répond en texte"]

Ordres de grandeur donnés par la documentation Gemini (ils évoluent avec les modèles, vérifiez la page de chaque modalité) :

Modalité	Comment c'est découpé	Ordre de grandeur
Image	en tuiles de 768 × 768 pixels	258 tokens par tuile (petites images : 258 en tout)
PDF	page par page	258 tokens par page, jusqu'à 1 000 pages et 50 Mo
Audio	tranches de temps	32 tokens par seconde (environ 1 900 par minute)
Vidéo	1 image par seconde + son	environ 100 tokens par seconde en résolution par défaut

Pourquoi s'intéresser au nombre de tokens d'une image ?

Trois façons d'envoyer un fichier

Méthode	Principe	Quand l'utiliser
Inline	les octets du fichier voyagent dans la requête	petits fichiers (photo, PDF court, mémo vocal)
API Files	on téléverse d'abord, on obtient un identifiant `files/…`, on le cite ensuite	vidéos, gros fichiers, fichier réutilisé dans plusieurs requêtes
URL	on donne une adresse publique (ou une vidéo YouTube publique)	contenu déjà en ligne

Les limites ne sont pas identiques partout dans la documentation : le tableau général des méthodes d'envoi annonce jusqu'à 100 Mo en inline (50 Mo pour un PDF), tandis que les guides image, audio et vidéo parlent de 20 Mo par requête au total. Dans notre code, nous restons prudents : au-delà de 20 Mo, ou pour toute vidéo, on passe par l'API Files.

flowchart TD
  F["Fichier à envoyer"] --> Q1{"Vidéo ?"}
  Q1 -- "oui" --> U["API Files (upload, attendre ACTIVE)"]
  Q1 -- "non" --> Q2{"Plus de 20 Mo ou réutilisé ?"}
  Q2 -- "oui" --> U
  Q2 -- "non" --> I["Inline : Part.from_bytes"]

Vous voulez analyser une vidéo de 12 secondes et 25 Ko. Quelle méthode choisit notre code ?

Le modèle ne « voit » pas comme vous

Il devine à partir des tokens. Conséquences pratiques :

une photo floue donne des chiffres plausibles mais faux : il faut prévoir un contrôle ;
un PDF scanné est lu comme une image : la qualité du scan compte ;
dans une vidéo, ce qui se passe entre deux images échantillonnées (1 par seconde) peut être manqué.

Exercice : choisir la méthode

Pour chaque cas, choisissez inline, API Files ou URL : (a) une photo de facture de 300 Ko ; (b) un PDF de 80 pages (12 Mo) que vous allez interroger 10 fois ; (c) une vidéo publique YouTube de 4 minutes ; (d) un enregistrement de réunion de 45 minutes en MP3 (40 Mo).

Voir la solution

(a) Inline : petit et utilisé une fois.
(b) API Files : sous les limites inline, mais réutilisé 10 fois ; on ne renvoie pas les 12 Mo à chaque question.
(c) URL : la vidéo est déjà publique.
(d) API Files : 40 Mo dépasse la limite prudente de 20 Mo.

Résultat obtenu

Mesures réelles du lab le 2026-10-15 avec gemini-3.5-flash (champ usage_metadata.prompt_token_count, prompt compris) :

tokens d

ticket.png  (558 x 748 px)            1 123 tokens
facture.png (820 x 620 px)            1 161 tokens
ticket.png + facture.png (comparaison) 2 207 tokens
rapport.pdf (3 pages)                  1 622 tokens
memo.wav    (environ 11 s)               295 tokens
tuto.mp4    (12 s, sans son)             811 tokens

On constate que l'image seule pèse environ 1 065 tokens avec ce modèle (mesuré avec count_tokens) : plus que les « 258 par tuile » des anciens modèles, à cause de la résolution par défaut de Gemini 3. D'où le conseil : mesurez.

Je sais expliquer ce qu'est un token et pourquoi il fixe le prix
Je connais l'ordre de grandeur des tokens pour une image, une page, une seconde d'audio
Je sais choisir entre inline, API Files et URL
Je sais qu'un fichier de l'API Files reste 48 h et qu'il faut le supprimer