【科普】大模型应用中一个 Token 占多少汉字？答案超乎想象！ - 优一未来

先说答案：不同模型可能采用各自的切分方法，因此，一个 Token 所对应的汉字数量也会有所不同。如腾讯1token≈1.8个汉字，通义千问、千帆大模型等1token=1个汉字，对于英文文本来说，1个token通常对应3至4个字母，不同的模型对相同的输入分词，分词结果是不一样的。

同样可以说，一个汉字占约0.5个Token。‌

Token 是大模型中最基础、最常见的概念，它既可以是一个完整的单词，也可以是一个单词的一部分，甚至是标点符号或空格。其翻译方式尚无定论，包括“标记”、“词”、“令牌”等多种说法。复旦大学计算机学院的邱锡鹏教授将其翻译为“词元”，我个人认为这种翻译比较恰当。

众所周知，大语言模型的训练语料数量、上下文的限制、生成速度等都以 Token 作为基本单位进行衡量。在训练过程中，Token 的数量直接影响模型的表现和泛化能力；在推理过程中，上下文中的 Token 数量会限制模型的记忆和理解范围；生成速度则通常通过每秒生成的 Token 数量来衡量。这些指标对于评估和优化大语言模型的性能至关重要。

以下是关于 Token 的一些详细信息：

定义与组成：

Token：在自然语言处理中，一个 Token 通常指一个有意义的文本片段。大模型在处理文本时，会将输入的句子拆分成一个个 Token。
词汇表（Vocabulary）：模型预训练时使用的词汇表包含了所有可能的 Token。这个词汇表是有限的，但通常包含了数万到数十万个 Token。
Token化过程：

分词（Tokenization）：将输入文本拆分成 Token 的过程称为分词。分词器根据预定义的词汇表和算法，将文本拆解成模型可以理解和处理的最小单元。
子词分词（Subword Tokenization）：许多现代大模型使用子词分词技术，如BPE（Byte-Pair Encoding）或WordPiece，这些方法可以将未知的或不常见的单词拆分成更小的子词，从而更有效地处理语言中的多样性。
处理与生成：

输入处理：当模型接收到输入文本时，会将其转换成 Token 序列，然后再输入模型进行处理。
输出生成：模型生成文本时，会逐步预测下一个 Token，直到生成完所需的完整文本。
Token 的作用：

理解上下文：通过 Token 化，模型可以更好地理解和生成连贯的文本，因为它能够在单词级别甚至更细粒度的子词级别上进行处理。
处理复杂语言结构：Token 允许模型处理复杂的语言结构，包括复合词、多词表达式、缩写等。

举个简单的例子，假设输入文本是 “你好，世界！”，经过 Token 化后，可能会变成类似 [‘你’, ‘好’, ‘，’, ‘世’, ‘界’, ‘！’] 这样的序列。模型会在这个 Token 序列的基础上进行计算和生成新的 Token。

OpenAI官方文档中介绍:“1000个token通常代表750个英文单词或500个汉字。1 个token大约为 4 个字符或 0.75 个单词。”

OpenAI官方的token计算工具 : https://platform.openai.com/tokenizer

国内也有一些工具：

百度文心一言也提供了token计算器来在线计算文心大模型的字符转token数。网址：https://console.bce.baidu.com/support/#/tokenizer
阿里通义千问也有：https://dashscope.console.aliyun.com/tokenizer

所以，一个汉字所占的 Token 数量具体取决于分词器的设计。通常情况下，一个Token平均会占用约 1.5 至 2 个汉字。这是因为分词器在处理文本时，会根据预定义的规则和算法，将文本拆分成模型可以理解的最小单元。不同的分词器在处理汉字时可能会有不同的策略，从而影响每个汉字对应的 Token 数量。

目前的各种tokenization技术，涉及到将文本分割成有意义的单元，以捕捉其语义和句法结构，如字级、子字级(例如，使用字节对编码或 WordPiece)或字符级。

根据特定语言和需求场景，每种技术都有自己的优势和权衡。比如Qwen-7B采用UTF-8字节级别的BPE tokenization方式，并依赖OpenAI开源的tiktoken软件包执行分词。