作家｜汤一涛

裁剪｜ 靖宇

Opus 4.7 刚发布那几天，X 上谈论纷错。有东说念主说一次对话就把她的 session 额度用光了，有东说念主说统一段代码跑完的资本比上周翻了一倍多；还有东说念主晒出我方 200 好意思元 Max 订阅不到两小时就触顶的截图。

零丁开辟者 BridgeMind 承认 Claude 是宇宙上最佳的模子，但同期亦然最贵的模子。他的 Max 订阅用不到两小时就名额了，但幸亏——他买了两份。｜图片来源：X@bridgemindai

Anthropic 官方价钱没变，每百万输入 token 仍是 5 好意思元，输出 25 好意思元。但这个版块引入了新 tokenizer，同期 Claude Code 把默许 effort 从 high 提到了 xhigh。两件事类似，统一份服务消费的 token 变成了昔日的 2 到 2.7 倍。

我在这些接头里看到两个和中语考虑的说法。一个是：中语在新 tokenizer 下委果没涨，中语用户躲过了此次加价。另一个更特道理： 古文比当代汉语还省 token，用文言文跟 AI 对话不错简约资本 。

第一个说法默示 Claude 对中语作念了某种优化，但 Anthropic 的发布文档里，没提过任何和中语考虑的养息。

第二个说法例更深邃释。古文对东说念主类读者来说显著比当代汉语难解，一个对东说念主类更复杂的文本，怎么会对 AI 更容易？

于是我作念了一次测试，用 22 段平行文本（包含生意新闻、时期文档、古文、通俗对话等类型），同期送进 5 个 tokenizer（Claude 4.6 和 4.7、GPT-4o、Qwen 3.6、DeepSeek-V3），读取每段文本在每个模子下的 token 数，作念横向对比。

测试文本：

1、通俗对话中英文（旅行、论坛求援、写稿央求）

2、时期文档中英文（python 文档、Anthropic 文档）

3、新闻中英文（NYT 时政新闻、NYT 生意新闻、苹果公司官方声明）

4、文体选段中英古汉语（《兴师表》《说念德经》）

测完之后，两个说法都得到了部分考据，但事实会比传言更复杂一些。

中语税

先说论断：

1、 在 Claude 和 GPT 上，中语一直比英文贵

2、 在 Qwen 和 DeepSeek 上，中语反而比英文低廉

3、 Opus 4.7 此次激发摇荡的 tokenizer 升级，通胀委果只发生在英文上，中语率由旧章

看具体数字。Claude Opus 4.7 之前的全系列模子（包括 Opus 4.6、Sonnet、Haiku），使用的是统一个 tokenizer。在这个 tokenizer 下，中语的 token 消费全线高于等量英文实验，cn/en 比值规模在 1.11× 到 1.64× 之间。

最极点的场景出当今 NYT 立场的生意新闻：统一段实验，中语版要多消费 64% 的 token，等于多付 64% 的钱。

Opus 4.6 偏激之前的 Claude 模子，中语 token 的消费量权贵高于其它模子（红框）

最极点的场景出当今 NYT 立场的生意新闻：统一段实验，中语版要多消费 64% 的 token（绿框）

GPT-4o 的 o200k tokenizer 好一些，cn/en 比值多挑剔在 1.0 到 1.35× 之间，部分场景低于 1。中语仍然全体偏贵，但差距比 Claude 小得多。

国产模子 Qwen 3.6 和 DeepSeek-V3 的数据则十足反了过来。两者的 cn/en 比值大面积低于 1，这意味着相通的实验，中语版反而比英文版省 token。 DeepSeek 最低作念到了 0.65×，统一段话中语版比英文版低廉三分之一 。

Opus 4.7 的新 tokenizer 通胀委果只发生在英文上。英文 token 数推广了 1.24× 到 1.63×，中语大都守护在 1.000×，委果莫得变化。开端那些英文开辟者的账单摇荡，中语用户如实没感受到。原因可能是中语在旧版上仍是被切到了单字颗粒度，可拆分的空间极小。

Opus 4.7 对比 4.6，英文消费的 token 更多了，中语反而没变

测试经过中我还珍藏到一件事。token 消费的各别不仅仅账单问题，它径直影响服务空间的大小。相通 200k 高下文窗口，用旧版 Claude tokenizer 装中语尊府，能塞进去的实验量比英文少 40% 到 70%。

统一类服务，比如让 AI 分析一份长文档或者是操心一组会议记录，中语用户能喂给模子的材料更少，模子能参考的高下文更短。闭幕即是付了更多的钱，但得到的是更小的服务空间。

四组数据放在全部看，一个问题自然浮出来：

为什么统一段实验换个言语，token 数就不一样？为什么 Claude 和 GPT 的中语贵，Qwen 和 DeepSeek 的中语反而低廉 ？

谜底藏在上文屡次提到的主张 tokenizer（分词器）上。

02

一个汉字，不错切成几块？

模子在读到任何笔墨之前，和会过 tokenizer 把输入切成一个个 token。你不错把 tokenizer 想象成 AI 的「积木切割机」。你输入一句话，它肃穆把这句话拆成一块块尺度化的积木（也即是 token）。AI 模子不看笔墨，只认积木的编号。你用些许块积木，就付些许钱。

英文的切法相比顺应直观，比如「intelligence」简略率是一个 token，「information」亦然一个 token，一个单词对应一个计费单元。

但中语到了这一步就出问题了。把统一句话「东说念主工智能正在重塑巨匠的信息基础要道」划分送进 GPT-4 的 cl100k tokenizer 和 Qwen 2.5 的 tokenizer，切出来的闭幕十足不同。

GPT-4 基本把每一个汉字都拆成了一个 token；Qwen 则会把词语识别成一个 token，举例「东说念主工智能」这 4 个字在千问只算一个 token。

统一句 16 个汉字的话，GPT-4 切出来 19 个 token，Qwen 切出来唯独 6 个。

为什么会切成这么？原因在一个叫 BPE（Byte Pair Encoding）的算法。

BPE 的服务表情，是统计训导语料里哪些字符组合出现频率最高，然后把高频组合合并成一个 token，纳入词表。

GPT-2 时间，训导语料的绝大多数是英文。英笔墨母组合（th、ing、tion）反复出现，很快就被合并成 token。中笔墨符在阿谁语料池里出现的频率太低，排不进词表，只可被看成原始字节来处理，一个汉字占 3 个字节，就变成了 3 个 token。

BPE 按训导语料中的字符频率决定合并。英文语料主导下，中语 UTF-8 字节无法合并为整字

自后 GPT-4 的 cl100k 词表扩大了，常用汉字初始被纳入，一个字鄙俚缩到 1 到 2 个 token，但全体后果仍然不如英文。

到了 GPT-4o 的 o200k 词表，中语后果再进了一步。这也说明了为什么第一段的数据里 GPT-4o 的 cn/en 比值比 Claude 低。

Qwen 和 DeepSeek 作为国产模子，从一初始就把大都常用汉字和高频词组作为整字、整词纳入词表。一个字一个 token，乐鱼体育世界杯中国官网首页后果径直翻倍致使更多。

统一句话在不同 tokenizer 下的拆分闭幕示意图

这即是为什么它们的 cn/en 比值能低于 1， 中笔墨均信息密度原本就高于英文单词，当 tokenizer 不再东说念主为拆碎汉字，这个自然上风就表示出来了 。

是以上一节那四组数据的各别，根源不在模子的智商，而在 tokenizer 的词内外，给中语留了些许位置。

Claude 和早期 GPT 的词表是以英文为默许值构建的，中语是自后被「塞进去」的；Qwen 和 DeepSeek 的词表从遐想之初就把中语看成默许言语对待。这个着手的各别，一齐传导到 token 数、账单、高下文窗口大小。

03

古文竟然更低廉吗？

再看开端的第二个传言： 古文比当代汉语更省 token 。

数别传明了这个说法。在测试里，古文样本的 cn/en 比值全线低于 1，在通盘五个 tokenizer 上都一致。统一段实验的古文版块，token 数比对应英文翻译还少。

在通盘模子中，古文消费的 token 数不但比当代中语少，致使比英文还少

原因也不复杂，古文用字尽头精好意思。「学而不想则罔，想而不学则殆」是 12 个字。翻译成当代汉语即是「仅仅学习而不想考就会招引，仅仅想考而不学习就会堕入窘境」，字数径直翻倍，token 数自然也随着翻倍。

况兼古文的常用字（之、也、者、而、不）都是高频字符，在职何 tokenizer 的词内外都有零丁位置，不会被拆成字节。是以古文在编码层面如实是高效的。

但这里藏着一个陷坑。

古文的 token 省在编码端，但模子的推理服务莫得缩小 。「罔」一个字，模子需要判断它在这个语境里是「招引」「被蒙蔽」照旧「莫得」。当代汉语不错用 26 个字把这层道理说清爽，用古文等于把铺开的部分压了且归，把推理的活留给了模子。打个譬如，一份压缩成 zip 的文献体积更小，但解压它需要更多盘算。

token 省了，推理的消费反而高涨了，团结准确度还着落了 。这笔账算不外来。

古文这个例子让我领略到，token 数目自己不可说明太多问题。但顺着这个场合想下去，还有一层我之前忽略了的东西。

上头说过，GPT-2 时间的 tokenizer 会把「东说念主」这个字拆成三个 UTF-8 字节 token，自后 GPT-4 的词表扩大，常用汉字变成了一个字一个 token，Qwen 更进一步，把「东说念主工智能」四个字合成一个 token。

直观上这是一个延续检阅的经过：合并得越多，后果越高，模子应该也团结得越好。

但竟然是这么吗？咱们不妨回忆一下，咱们是如何领略汉字的。

汉字是表意笔墨，当代汉字里卓著 80% 是形声字，博亚体育由一个表义的偏旁和一个表音的部件组合而成。「氵」旁的字多和液体考虑，「木」旁的字多和植物考虑，「火」旁的字多和热量考虑。 偏旁部首即是东说念主类识字时最基础的语义思路，一个不领略「焱」字的东说念主，看到 3 个「火」也能猜到它和火考虑。

因为偏旁部首是东说念主类识字时最基础的语义思路，东说念主会先从结构计算真义规模，再皆集语境团结具体含义。

火花、火焰、光焰，书面语与东说念主名中多见，寓意光明、闷热。

然而在 tokenizer 的词内外，「焱」这个字对应的是一个编号。咱们假定它是 38721 号，它代表的是词内外的一个索引位置，模子通过它查找到一组数字向量，用这组向量来表征「焱」这个字。

编号自己不佩戴任何干于这个字里面结构的信息。38721 和 38722 的关系，对模子来说和 1 和 10000 的关系莫得区别。于是，「汉字的结构」这一层信息，就被封装起来了。三个「火」叠在全部这件事，在编号里不存在。

模子自然不错通过大都训导数据波折学到「焱」「炎」「灼」不时出当今相似的语境里，但这条路比径直把握偏旁信息要更波折一些。

是以模子能不可从辨别的字节里，「看到」某些类似偏旁的结构思路，然后在后续的盘算层里从头组合呢？这条路固然 token 数多、资本高，但有莫得可能在语义团结上，反而比径直吞下一个不透明的编号更灵验？

2025 年发表在 MIT Press《Computational Linguistics》上的一篇论文（《Tokenization Changes Meaning in Large Language Models: Evidence from Chinese》），恢复了这个问题。

04

碎屑里长出偏旁

论文作家 David Haslett 珍藏到一个历史巧合。

1990 年代，Unicode 定约在给汉字分拨 UTF-8 编码时，枚举步骤是按部首归类排的。统一个部首下的汉字，UTF-8 编码是相邻的。「茶」和「茎」都含有「艹」部（草字头），它们的 UTF-8 字节序列以疏通的字节开端。「河」和「海」都含有「氵」部，字节序列相通分享开端。

UTF-8 按照部分部首步骤给中语排序，部首疏通的字，编码周边｜图片来源：Github

这意味着，当 tokenizer 把汉字拆成三个 UTF-8 字节 token 的时辰，分享部首的汉字会分享第一个 token。模子在训导经过中反复看到这些分享的字节花样，有可能从中学到「第一个 token 疏通的字，时时属于统一个真义规模」。这在功能上就接近于东说念主类通过偏旁判断语义的经过。

Haslett 遐想了三个实验来考据这件事。

第一个实验商酌 GPT-4、GPT-4o 和 Llama 3： 「茶」和「茎」是否含有疏通的语义部首 ？

第二个实验 让模子给两个汉字的语义相似度评分 。

第三个实验 让模子作念「找出不同类」的废除任务 。

每个实验都遗弃了两个变量：两个汉字是否竟然分享部首、两个汉字在 tokenizer 下是否分享第一个 token。这个 2×2 的遐想，让她能分离出部首效应和 token 效应各自的影响。

三个实验的论断一致：当汉字被切成 多个 token 时 （比如 GPT-4 的旧 tokenizer 下，89% 的汉字被切成了多 token）， 模子识别分享部首的准确率更高 ；当汉字被编码为 单个 token 时 （GPT-4o 的新 tokenizer 下，唯独 57% 的汉字照旧多 token）， 准确率着落了 。

换句话说，上一段的阿谁意象修复了。 把汉字切碎，资本如实更高，但切碎后的字节序列里保留了部首的萍踪，模子竟然从中学到了一些东西 。而把汉字编码为整字 token，资本降下来了，但部首信息被封装在一个不透明的编号里，模子无法再通过字节序列得回这一思路。

需要尽头说明的是，这一论断仅局限于字形考虑的细分语义任务， 不可等同于模子全体的中语团结、逻辑推理、长文本生成智商着落 。同期，实验对比的 GPT-4 与 GPT-4o，除了分词器各别外，模子架构、训导语料、参数目均有权贵变化，无法将准确率变化 100% 归因于分词粒度的养息。

这个发现还得到了工程侧的考据。2024 年一项针对 GPT-4o 的研究发现，GPT-4o 的新 tokenizer 把某些中笔墨符组合合成了一个长 token 之后，模子反而出现了团结失实。当研究者用专科的中语分词器，把这些长 token 从头辨别再喂给模子，团结准确度归附了。

目下巨匠大模子行业的主流共鸣，依然是 针对主义言语优化的整词 / 整字分词器，能权贵擢升模子的全体性能 。整字 / 整词编码不仅能大幅虚构 token 资本、擢升高下文窗口的灵验信息量，还能镌汰序列长度、虚构推理延长、擢升长文本处理的厚实性。论文中发现的细分任务上风，无法掩盖绝大多数中语 NLP 场景的性能收益。

但这件事依然戳中了大型系统里最难处理的一类问题： 你能优化你遐想过的部分，但你没法优化你不知说念我方领有的部分。 Unicode 定约按部首枚举编码，是为了东说念主类检索的肤浅。BPE 把汉字拆成字节，是因为中语在语料里的频率太低。两个不考虑的工程决议恰巧叠在全部，产生了一条谁都没策动过的语义通说念。

然后，当新一代工程师「检阅」tokenizer、把汉字合并为整字 token 的时辰，他们同期抹掉了一条我方不知说念存在的路。后果擢升了，资本虚构了，某些东西也懒散地销毁了，而你致使不会收到一条报错信息。

是以事情比「中语在 AI 里多付钱」这个判断更复杂。 每一种 tokenizer 都在为某个默许值优化，代价藏在了别处 。

05

林语堂

中语适配西方时期基础要道的代价，不是 AI 时间才初始付的。

2025 年 1 月，纽约住户 Nelson Felix 在 Facebook 一个打字机喜爱者小组里发了几张相片。他在太太祖父的遗物里发现了一台刻满中语的打字机，不知说念是什么来历。很快数百条驳斥涌入。

Nelson Felix 的问题：明快打字机值钱吗？｜图片来源：Facebook

斯坦福大学汉学家墨磊宁（Thomas S. Mullaney）看到相片后坐窝认出来了，这是林语堂 1947 年发明的「明快打字机」的唯独原型机，失散了快要 80 年。同庚 4 月，Felix 佳偶将打字机卖给斯坦福大学藏书楼。

明快打字阴私处治的问题，和今天 tokenizer 濒临的问题在结构上是统一个： 怎么把中语高效地镶嵌一套为西方言语遐想的时期基础要道。

1940 年代的英文打字机有 26 个字母键，一键一字，简陋径直。中语有几千个常用字，不可能一键一字。其时的中语打字机是一个精深的字盘，排着几千个铅字，打字员用手逐一捡字，每分钟只可打十几个字。

1899 年，好意思国宣道士谢卫楼（Devello Z. Sheffield）所发明的中语打字机，是中语打字机最早的记载｜图片来源：Wikipedia

林语堂耗资 12 万好意思元研发经费，委果家贫如洗，托付纽约的 Carl E. Krum 公司作念出了一台唯独 72 个键的中语打字机。服务道理是把汉字按字形结构辨别，上形键选字根上半部、下形键选字根下半部，候选字自满在一个叫「魔术眼」的小窗里，按数字键选中。每分钟 40 到 50 字，维持 8000 余常用字符。

（左）透明玻璃小窗即位「魔术眼」；（右）明快打字机里面结构｜图片来源：Facebook

赵元任评价：「 不论中国东说念主照旧好意思国东说念主，只消稍加学习，便能老成这一键盘。我合计这即是咱们所需要的打字机了 。」

时期上明快打字机是一种冲突，但生意上它失败了。

林语堂向雷明顿公司高管演示时机器出了故障，投资者随之失去好奇，而造价崇高加上他个东说念主资金链断裂，量产再无可能。1948 年，林语堂将原型机和生意权，卖给默根特勒铸排机公司（Mergenthaler Linotype）。该公司最终销毁量产，原型机在 1950 年代公司搬迁时被一位职工带回长岛家中，之后不知所终，直到 2025 年重睹天日。

墨磊宁在《中语打字机》一书里有一个判断，他合计明快打字机「并不失败」。 作为一款 1940 年代的产物，它如实失败了。但作为一种东说念主机交互范式，它告捷了 。

林语堂第一次把中语「打字」变成了「检索加采选」 。三排按键组合定位字根，从候选字里挑选。这恰是通盘当代中语输入法的底层逻辑。从仓颉、五笔到搜狗拼音，都不错说是明快打字机的后裔。

《中语打字机》，作家：墨磊宁｜图片来源：豆瓣

这台当先了近八十年的打字机，和今天咱们反复接头的分词器，掩饰着某种的历史规矩。 中语永久濒临着一个问题 ：

如何接入一套罗马字母酿成的基础要道 。

道理的是，在这个寻找的经过中，充满了非东说念主为策动的巧合。Unicode 定约为了东说念主类检索肤浅制定的排序，跟 BPE 算法的无心拆解叠在全部，居然在神经采集的黑盒里，重现了东说念主类识字的经过。而当工程师们为了摈弃「中语税」，主动把汉字拼好、把资本打下来时，那条巧合出身的语义通说念也闭合了。

历史并不是一条直线进化的轨说念，而是在各式不停条目的挤压下，延续发生变形的流体。

有些智商是遐想出来的，有些仅仅恰巧莫得被删掉。

* 头图来源： geyuyao.com博亚体育