什么是 tokens，ChatGPT里面的Tokens如何计数？_如何数据集token数量

什么是 tokens，ChatGPT里面的Tokens如何计数？

什么是 tokens？

Tokens 可以被认为是词语的片段。在 API 处理提示之前，输入会被分解成 tokens。这些 tokens 并不会精确地在单词的开始或结束处切分 - tokens 可以包含尾随的空格甚至子词。以下是一些帮助理解 tokens 长度的经验法则：

1 token ~= 英文中的4个字符

1 token ~= ¾个单词

100 tokens ~= 75个单词

或者

1-2个句子 ~= 30个tokens

1段落 ~= 100个tokens

1,500个单词 ~= 2048个tokens

为了获取更多关于tokens如何叠加的上下文，可以考虑以下例子：

• 韦恩·格雷茨基的名言 “You miss 100% of the shots you don’t take” 包含11个tokens。

单词如何被分割成 tokens 也取决于语言。例如，‘Cómo estás’（西班牙语中的’你好吗’）包含5个 tokens（对应10个字符）。较高的 token 到字符比率可能使得对英语以外的语言实现 API 更加昂贵。

• 我名字拼音+空格+wetchat+我的微信号"liyuechun wetchat liyc1215" 包含13个tokens。

飞书、钉钉、企微GPT能力嫁接和AIGC企业培训，联系我：liyc1215

• ”黎跃春“三个字包含8个tokens
  

• "付金亮"三个字包含6个tokens
  

如果你想进一步探索分词，你可以使用我们的交互式 Tokenizer 工具，它可以让你计算 token 的数量，并查看文本如何被分割成 tokens。或者，如果你想通过编程方式进行分词，可以使用 Tiktoken，这是一个专为 OpenAI 模型设计的快速 BPE 分词器。你也可以尝试探索其他库，例如 Python 的 transformers 包，或者 node.js 的 gpt-3-encoder 包。

Token 限制

根据使用的模型不同，请求中的prompt和completion之间最多可以使用4097个tokens。如果你的prompt是4000个tokens，那么你的completion最多可以是97个tokens。

这个限制目前是一个技术限制，但通常有许多创新的方法可以在这个限制内解决问题，例如压缩你的prompt，将文本分解成较小的部分等。

Token 定价

API 提供多种不同价格点的模型类型。每种模型都有一系列的能力，其中davinci是最强大的，ada是最快的。对这些不同模型的请求定价不同。你可以在这里找到关于token定价的详细信息。

探索 tokens

API会根据语料库数据中的上下文来处理单词。GPT-3接受prompt，将输入转换成一系列的tokens，处理prompt，并将预测的tokens转换回我们在响应中看到的单词。

在我们看来可能是两个相同的单词，可能会根据它们在文本中的结构生成不同的tokens。考虑一下API如何根据文本中的上下文为单词’red’生成token值：

在上面的第一个例子中，‘ red’的token "2266"包含一个尾随的空格。

带有前导空格并以大写字母开头的‘ Red’的token "2297"与以小写字母开头的‘ red’的token "2266"不同。

当 ‘Red’ 在句子开头时，生成的token不包含前导空格。token "7738"与前两个单词的例子不同。

观察：

token越可能/频繁，分配给它的token号就越低：

• 在所有3个句子中为句号生成的token是相同的（“13”）。这是因为，在语境上，句号在语料库数据中的使用相当类似。

• 根据’red’在句子中的位置，生成的token会有所不同：

  • 在句子中间的小写：‘ red’ - (token: “2266”)

  • 在句子中间的大写：‘ Red’ - (token: “2297”)

  • 在句子开头的大写：‘Red’ - (token: “7738”)

既然我们知道tokens可以包含尾随的空格字符，那么记住以空格字符结束的prompts可能会导致输出质量较低是有帮助的。这是因为API已经在它的tokens字典中包含了尾随的空格。

使用 logit_bias 参数

可以在 logit_bias 参数中为特定的 tokens 设置偏差，以修改指定 tokens 出现在补全中的可能性。比如，我们正在构建一个对用户鸡蛋过敏问题敏感的 AI 烘焙助手。

当我们使用提示 ‘The ingredients for banana bread are’ 运行 API 时，回应将以26.8%的概率将 ‘eggs’ 包含为第二种原料。

注意：要在 Playground 中查看补全概率，请从 Show Probabilities 下拉菜单中选择 Full Spectrum。

由于我们的 AI 烘焙助手对鸡蛋过敏问题很敏感，我们可以利用我们对 tokens 的了解，在 logit_bias 参数中设置偏差，以阻止模型生成包含任何 ‘egg’ 变体的响应。

首先，使用这个分词器工具来确定我们需要为哪些 tokens 设置偏差。

Tokens:

• 尾随空格的单数形式：‘ egg’ - “5935”

• 尾随空格的复数形式：‘ eggs’ - “9653”

• 为‘Egg’或‘Eggs’生成的子词token - ‘gg’：“1130”

logit_bias 参数接受的偏差值范围是 -100 到 +100，极值结果导致相关 token 的禁止（-100）或独占选择（100）。

将 logit 偏差加到 prompt 中将修改 ‘egg’（及其变体）包含在我们的香蕉面包提示的响应中的可能性。上述提示生成了一个不包含任何鸡蛋的响应！

虽然我们不能保证它会生成最好的无鸡蛋香蕉面包配方，但 AI 烘焙助手满足了对用户鸡蛋过敏问题的考虑需求。

总结

1. 使用英文对话比较划算，其他语言包括中文计算Token时比较昂贵
2. 英文字母大概四个字母平均下来等于一个token
3. 中文汉字，大概一个汉字平均下来两个token
4. 我昨天用GPT写了7篇高考作文，总字数为10397，Tokens 为21,008个。

计算了一下：如果使用GPT3.5的API访问的话，整个输入和输出总共：21,008 个token，GPT3.5 的单价为$0.002/1000tokens，那么这7篇作文的整个对话花费折算成人民币的价格为：21008/1000*(0.002*7) = 0.294112元人民币，GPT4是GPT3.5的60倍价格，如果使用GPT4的话，此次消费为：0.294112 * 60 = 17.64672元。

最后总结： 目前使用GPT3.5的价格还是很亲民划算的，等待未来算力足够的时候，我相信GPT4.0也不会贵。

原文链接：https://blog.yredu.xyz/archives/5119