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
- 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
- 英文字母大概四个字母平均下来等于一个token
- 中文汉字,大概一个汉字平均下来两个token
- 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。文章来源:https://www.toymoban.com/news/detail-487721.html
原文链接:https://blog.yredu.xyz/archives/5119文章来源地址https://www.toymoban.com/news/detail-487721.html
到了这里,关于什么是 tokens,ChatGPT里面的Tokens如何计数?的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!