笔者从qwen2vl开始用这个系列的模型，经历了qwen2vl/qwen2.5vl/qwen3vl
qwen2vl和qwen2.5vl系列各模型使用过程中，用的都是MAX_PIXELS/MIN_PIXELS这两个环境参数（实际上主要还是限制最大像素值MAX_PIXELS，为了推理效率和极端尺寸图片不oom）；

然而在qwen3vl出来后，发现官方文档里给出的环境变量为IMAGE_MAX_TOKEN_NUM/IMAGE_MIN_TOKEN_NUM

看了一些资料，发现是因为qwen3vl的patch size改变了，然后qwen_vl_utils的版本升级了，因此对图像预处理的所需参数也改变了。

(顺带吐槽一句 qwenvl的github仓库只有一个main分支，没有2vl,2.5vl,3vl这样的tag，找历史版本的code还要去commit里翻)

于是问题就来了，那我以前设置的MAX_PIXELS=602112删了后，我咋设置对齐的参数呢？

首先对齐一个基础认知，MLLM本质上是LLM，因此图像会经过预处理后变成一维的token后进入llm的transformer，而不是传统CNN里的什么feature map，所以不要在乎输入图像的尺寸了，而是从transformer的输入token num倒推。

原先版本（比如qwen2.5vl/2vl）实际上是IMAGE_FACTOR和MAX_PIXELS一起搭配使用的
这里的factor实际上就是下采样倍数。

IMAGE_FACTOR默认是28的情况下（28哪来的？qwen2vl vit的后面有一个MLP做的pooling（x2），加上vit本身的降采样x14（patch_size = 14），总共图像在 宽、高上会降采样2x14=28倍）

那么默认/推荐的MAX_PIXELS=602112实际上是768 * 28 * 28，相当于一张图如果h*w=602112（不要想开根号！再说一遍，摒弃feature map的思维）的情况下，最后会变成768的token_num

那么qwen3vl做了什么呢？因为截止目前（2025-10-20）还没放tech report，所以只能从模型结构图里找细节

这里的图32x256最后变成了8tokens，那么相当于32x256/32/32=8token，也就是说实际上patch size从原先的14 -> 16。
也就是说IMAGE_FACTOR变成了32，对应算下新的MAX_PIXEL就可以，当然qwen3vl可能考虑到这个问题，直接去掉了这层计算，只需要设置最后的token_nums。

结论：
对于原先的MAX_PIXELS=602112，如果要对齐qwen3vl，只需要设置IMAGE_MAX_TOKEN_NUM=768即可。

同理，如果我有个比较大的图，max_pixels原本设置了1003520，相当于1280的token_num(1280 x 28 x 28 = 1003520)，那么现在只需要设置IMAGE_MAX_TOKEN_NUM=1280。

参考资料：
https://github.com/QwenLM/Qwen3-VL/commit/0dcc180d854f4b132f8059b10bbf0b5fd5dae9ed#diff-dc801bbe5a4f2e809c9e1054aaeeb1d7dfe8a27907d1e554134ec919ca043937