大模型的token究竟是什么？一文讀懂！

在大模型的語境中，token是一個基本的數據處理單元，它可以是一個單詞、一個字符，或者是一個子詞等，以下從其定義、作用及常見的token劃分方式等方面進行具體介紹：

定義：簡單來說，token是對文本進行分割后的最小單元。大模型在處理文本時，無法直接處理人類自然語言中的文字，需要將文本拆分成一個個的token，以便模型能夠理解和處理。例如，對于句子 “歡迎關注訂閱招文袋公眾號”，可以將其拆分成多個token：“歡迎”“關注”“訂閱”“招文袋”“公眾號”。

作用將文本數字化：把自然語言文本轉化為模型可以處理的數字向量形式。每個token會被映射為一個唯一的數字編號，模型通過處理這些數字來學習語言的模式和規律。如在一個簡單的詞匯表中，“歡迎”可能被編碼為1，“關注”編碼為2，“訂閱”編碼為3，“招文袋”編碼為4，“公眾號”編碼為5。這樣句子 “歡迎關注訂閱招文袋公眾號”就可以表示為 [1, 2, 3，4，5]，便于模型進行計算和分析。

控制模型輸入輸出長度：模型處理的token數量是有限制的，通過對文本進行token化，可以將輸入文本截斷或補齊到合適的長度，使模型能夠有效地處理。例如，某模型的輸入長度限制為512個token，對于較長的文本，就需要截斷多余部分；對于較短的文本，可能需要添加特殊的填充token，使其達到規定長度。

提高語言理解精度：將文本細分為token后，模型可以更精確地捕捉語言中的語義和語法信息。比如，對于一些具有多種含義的詞，通過上下文的其他 token，模型能更準確地判斷其在具體語境中的意思。

常見的token劃分方式單詞級別：將文本按照空格等分隔符拆分成多個單獨的詞匯作為token。如 “加入招文袋知識星球一起學習AI” 會被拆分為 “加入”“招文袋”“知識星球”“一起” “學習”“AI”六個token。這種方式簡單直接，但對于一些復雜的語言現象，如復合詞、詞的變形等處理可能不夠精細。

字符級別：把文本中的每個字符都作為一個token。例如，“關注招文袋” 會被拆分為“關”“注”“招”“文”“袋”五個token。字符級別的token化可以處理任何未知的詞匯，但會導致輸入序列過長，增加模型的計算量和訓練難度。

子詞級別：結合了單詞級別和字符級別的優點，將單詞拆分成更小的子詞單元。例如，“招文袋知識星球” 可能被拆分成 “招文”“袋”“知識”“星球”四個token。這種方式既能處理一些罕見詞和復合詞，又能保持相對合理的token數量和序列長度。

如何計算token的數量？

計算token數量的方法會因tokenization的方式不同而有所差異，常見的有基于空格或標點符號的簡單統計、基于預訓練模型的工具包統計、基于字符的統計等方法，以下是具體介紹：

基于空格和標點符號的簡單統計

對于以單詞為token的情況，可以通過統計文本中的空格和標點符號來大致計算token數量。例如，對于文本 “知識星球名：招文袋 星球號：75873546。”，可以通過計算空格和標點符號的數量來確定 token 的數量。一般來說，空格將單個詞匯分隔開，標點符號也可以作為分隔的標志。在這個例子中，有四個token，分別是“知識星球名”“招文袋”“星球號”“75873546”。不過這種方法對于一些復雜的語言現象可能會不準確。

基于預訓練模型的工具包統計

使用Hugging Face（一個專注于自然語言處理的開源社區）的tokenizers庫：許多預訓練語言模型都有相應的tokenizer工具，以Hugging Face的transformers庫為例，它提供了各種預訓練模型的tokenizer，可以方便地對文本進行token化并計算token數量。如對于BERT模型（一種語言表示模型），可以使用BertTokenizer（對文本進行分詞和編碼的工具）來處理文本。

使用AllenNLP（一個自然語言處理的模型框架）的tokenizers：AllenNLP也提供了豐富的自然語言處理工具，包括tokenizer。可以使用SpacyTokenizer或WordTokenizer等對文本進行處理和 token 數量計算。

基于字符的統計

如果是基于字符的tokenization，那么直接統計文本中的字符數量即可。例如，對于文本 “知識星球名：招文袋”，字符數量為8，即token數量為8。但需要注意一些特殊情況，如是否將空格、標點符號等也算作token。如果要將空格也算作token，那么 “知識星球名：招文袋” 的token數量就是9。

基于特定規則的統計

對于一些特定的領域或任務，可能會有自定義的token定義和計算規則。例如，在處理代碼時，可以將每個關鍵字、變量名、運算符等作為一個 token（小白不用處理代碼，了解即可）。

最后，簡單直白總結如下：

- token定義：大語言模型接收到文字后，分詞器將其切成的小塊就是token，它可以是單個漢字、詞語、短語、標點符號、單詞或詞綴等。大模型輸出文字時也是逐個token生成，所以看起來像打字。

- token存在的原因：類比人腦處理信息方式，為提高效率、節省腦力，人腦常把有意義的詞語或短語作為整體對待，人工智能也借鑒了這一思路，通過分詞器把大段文字拆解成大小合適的token。

- 分詞器分詞方法：分詞器通過統計大量文字，把經常一起出現的組合（如“招文袋” ）、單個常用字（如“請”）、常見字母組合（如“ing” ）、標點符號等，分別打包成token，配上編號，形成龐大的token表。大模型輸入和輸出時，處理的是token編號，再由分詞器轉換為人類可看懂的內容。

- token的作用及計費方式：token是大模型理解和生成文字的基礎，大模型通過計算token之間的關系推算下一個可能的token。幾乎所有大模型公司按token數量計費，因為其對應背后的計算量。

這里有些AI大模型說是免費，其實是免費一部分token，超過后就要收費。比如，有平臺就出了政策，說新注冊或者拉新會員注冊就免費送你50萬token。看著數字好像很多都用不完的樣子，但其實如果天天用的話，幾天也就用沒了。

- 不同模型分詞差異：不同模型分詞結果不同，如“請關注訂閱招文袋公眾號”在DeepSeek和其他模型里分詞結果不同，所以分詞的數量也就不同了。此外，token在人工智能領域外也有出現，但含義不同。

就說到這里，如果耐心看完，也就對token的概念基本清晰無誤了。