Headroom图像分析实战SigLIP如何三维度智能判断帮你省40-90%图像Token【免费下载链接】headroomCompress tool outputs, logs, files, and RAG chunks before they reach the LLM. 20% fewer tokens for coding agents, 60-95% fewer tokens for JSON, same answers. Library, proxy, MCP server.项目地址: https://gitcode.com/GitHub_Trending/head/headroomHeadroom 是一个在图像、工具输出和日志到达 LLM 之前就完成智能压缩的开源上下文压缩工具其中基于SigLIP 的图像分析是它最聪明的部分在把图片发给视觉大模型前它先看懂图片再用三维度信号是否有文字、是否是文档、是否需要细节判断该用哪种压缩方式通常能省 40-90% 的图像 Token且答案质量不变。为什么图片是 Token 成本的大头 视觉模型按 Token 计费而图片特别贵图片尺寸大致 Token 成本OpenAI1024×1024~765 tokens2048×2048~2,900 tokens如果每次都按最高质量传图账单会很难看。Headroom 的做法是压缩前先判断而不是一刀切。它的图像压缩流程分三步——先分析你的提问再用 SigLIP 分析图片本身最后组合两个信号选出最省 Token 又不丢答案的压缩技术。SigLIP 图像分析给图片打四个信号分SigLIP 是一个视觉-语言模型能把图片和文字编码到同一个向量空间里。Headroom 的 trained_router.py 为它准备了一组语义探针IMAGE_DESCRIPTIONS每个信号对应 2 句描述例如has_textan image with visible text, words, or writingis_documenta document, form, receipt, or page with textis_complexa complex scene with many objects and detailshas_small_detailsan image with fine details, small text, or intricate patterns图片被编码成向量后与这些描述向量的相似度取最大值经过 Sigmoid 归一化成 0~1 的分数输出为 ImageSignals 数据结构信号含义典型高分图片has_text图中是否含可见文字路牌、截图、手写笔记is_document是否是文档类图片发票、表单、扫描页is_complex场景是否复杂拥挤人群、杂乱桌面has_small_details是否含细小细节微距照片、小字标注这四个信号就是文章标题里三维度判断的原始依据——它们被组合成三个业务维度文字维度has_text is_document、细节维度has_small_details、复杂度维度is_complex。 模型默认是google/siglip-base-patch16-224约 400MB可通过环境变量HEADROOM_SIGLIP换成更大的so400m版本配置集中在 config.py。三维度判断实战同一个问题三种不同决策 真正的智慧在组合决策里。查询先由微调过的 MiniLM 分类器判出压缩技术然后 SigLIP 信号在 classify() 中做三处修正——这正是从 has_text 到细节需求的完整判断链维度一文字判断has_text——读文字请求的保险丝如果你的提问是把这块牌子上的字读出来查询分类器会给出transcode转成文字省约 99%。但如果 SigLIP 检测到has_text 0.4且is_document 0.4——图里其实没什么文字——系统会把置信度打 8 折并在理由里标注低文字信号见 trained_router.py 第336-340行。用户明确要求读文字时仍保留原决策只是提醒你图里文字很少结果可能不理想。维度二细节需求has_small_details——数胡须不能降质量如果你的提问是数一数猫的胡须正确的技术是preserve不压缩0% 节省。当has_small_details 0.5或is_complex 0.5时SigLIP 会确认这个判断把置信度上调 10%trained_router.py 第349-352行。反过来若分类器想走省 87% 的full_low但图中细节分超过 0.7系统就会在理由中提示图含精细细节建议 PRESERVE第343-346行。维度三复杂度is_complex——复杂场景该保真拥挤街景、多元素截图这类is_complex高分图片在细节需求场景下同样会触发preserve的置信度加成。逻辑很简单细节需求 复杂画面 降质量风险高。四种压缩技术一览省 0% 到 99%技术节省比例触发场景例子transcode~99%纯文字提取读一下这段文字crop50-90%局部区域提问角落里是什么full_low~87%通用理解这是什么preserve0%细节敏感数一数胡须选定技术后压缩器会按服务商特性落地OpenAI 设detaillow、Anthropic 缩到 512px、Gemini 对齐 768px 网格详见 compressor.py 与官方文档 docs/content/docs/image-compression.mdx。没有 GPUONNX 量化版照样跑 ✅不想装 PyTorch 和 GPUHeadroom 提供了纯 CPU 的 ONNX INT8 版本 onnx_router.pyMiniLM 分类器只有约 32MB单次推理 ~5msSigLIP 图像编码器约 95MB~30ms文本探针向量只占 25KB——总计 ~127MB精度与 PyTorch 版基本一致。图片会被缩放到 224×224 并归一化到 [-1, 1] 再进入编码器onnx_router.py 第151-161行判断逻辑与上面三维度完全相同。快速上手零代码改造启用图像智能压缩 # 启动代理 headroom proxy --port 8787 # 客户端指向代理图片请求自动走智能压缩 ANTHROPIC_BASE_URLhttp://localhost:8787 claude或者在代码里直接用压缩器from headroom.image import ImageCompressor compressor ImageCompressor(use_siglipTrue) compressed compressor.compress(messages, provideropenai) print(fSaved {compressor.last_savings:.0f}%, via {compressor.last_result.technique.value})总结Headroom 的 SigLIP 图像分析把要不要压、压多少从拍脑袋变成了可解释的决策查询意图由 MiniLM 分类器给出93.7% 准确率图片性质由 SigLIP 输出 has_text / is_document / is_complex / has_small_details 四个信号三维度修正文字、细节、复杂度调整最终技术与置信度。更多架构细节可阅读 wiki/image-compression.md核心代码集中在 headroom/image/ 模块。想省下的不只是 Token——还有你下一次调视觉模型时的账单 。【免费下载链接】headroomCompress tool outputs, logs, files, and RAG chunks before they reach the LLM. 20% fewer tokens for coding agents, 60-95% fewer tokens for JSON, same answers. Library, proxy, MCP server.项目地址: https://gitcode.com/GitHub_Trending/head/headroom创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考