作家｜汤一涛

裁剪｜ 靖宇

Opus 4.7 刚发布那几天，X 上议论纷纭。有东说念主说一次对话就把她的 session 额度用光了，有东说念主说归并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。

独处开采者 BridgeMind 承认 Claude 是寰宇上最佳的模子，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，但亏得——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。两件事相通，归并份使命虚耗的 token 变成了昔日的 2 到 2.7 倍。

我在这些筹商里看到两个和中语关系的说法。一个是：中语在新 tokenizer 下险些没涨，中语用户躲过了此次加价。另一个更故真谛： 古文比当代汉语还省 token，用文言文跟 AI 对话不错省俭资本 。

第一个说法透露 Claude 对中语作念了某种优化，但 Anthropic 的发布文档里，没提过任何和中语联系的鼎新。

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

于是我作念了一次测试，用 22 段平行文本（包含交易新闻、时期文档、古文、往常对话等类型），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、往常对话中英文（旅行、论坛求援、写稿肯求）

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 交易新闻、苹果公司官方声明）

4、体裁选段中英古汉语（《出兵表》《说念德经》）

测完之后，两个说法王人得到了部分考据，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 此次激发激荡的 tokenizer 升级，通胀险些只发生在英文上，中语保残守缺

看具体数字。Claude Opus 4.7 之前的全系列模子（包括 Opus 4.6、Sonnet、Haiku），使用的是归并个 tokenizer。在这个 tokenizer 下，中语的 token 虚耗全线高于等量英文试验，cn/en 比值领域在 1.11× 到 1.64× 之间。

最极点的场景出现时 NYT 格调的交易新闻：归并段试验，中语版要多虚耗 64% 的 token，等于多付 64% 的钱。

Opus 4.6 过甚之前的 Claude 模子，中语 token 的虚耗量显贵高于其它模子（红框）

最极点的场景出现时 NYT 格调的交易新闻：归并段试验，中语版要多虚耗 64% 的 token（绿框）

GPT-4o 的 o200k tokenizer 好一些，cn/en 比值多申斥在 1.0 到 1.35× 之间，部分场景低于 1。中语仍然举座偏贵，但差距比 Claude 小得多。

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

Opus 4.7 的新 tokenizer 通胀险些只发生在英文上。英文 token 数推广了 1.24× 到 1.63×，中语大批保管在 1.000×，险些莫得变化。来源那些英文开采者的账单激荡，中语用户确乎没感受到。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，英文虚耗的 token 更多了，中语反而没变

测试历程中我还空洞到一件事。token 虚耗的相反不仅仅账单问题，它径直影响使命空间的大小。相通 200k 曲折文窗口，用旧版 Claude tokenizer 装中语尊府，能塞进去的试验地比英文少 40% 到 70%。

归并类使命，比如让 AI 分析一份长文档或者是转头一组会议记录，中语用户能喂给模子的材料更少，模子能参考的曲折文更短。完毕即是付了更多的钱，但得到的是更小的使命空间。

四组数据放在一说念看，一个问题自然浮出来：

为什么归并段试验换个谈话，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倡导 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 遐想成 AI 的「积木切割机」。你输入一句话，它谨防把这句话拆成一块块范例化的积木（也即是 token）。AI 模子不看笔墨，只认积木的编号。你用若干块积木，就付若干钱。

英文的切法相比相宜直观，比如「intelligence」或者率是一个 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。把归并句话「东说念主工智能正在重塑各人的信息基础要领」鉴识送进 GPT-4 的 cl100k tokenizer 和 Qwen 2.5 的 tokenizer，切出来的完毕足够不同。

GPT-4 基本把每一个汉字王人拆成了一个 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。

归并句 16 个汉字的话，GPT-4 切出来 19 个 token，Qwen 切出来唯有 6 个。

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

BPE 的使命神气，是统计考试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 期间，考试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，只可被算作原始字节来处理，一个汉字占 3 个字节，就变成了 3 个 token。

BPE 按考试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，常用汉字开动被纳入，一个字等闲缩到 1 到 2 个 token，但举座后果仍然不如英文。

到了 GPT-4o 的 o200k 词表，中语后果再进了一步。这也评释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，从一开动就把大批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，后果径直翻倍以致更多。

归并句话在不同 tokenizer 下的拆分完毕示意图

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来就高于英文单词，当 tokenizer 不再东说念主为拆碎汉字，这个自然上风就败清楚来了 。

是以上一节那四组数据的相反，根源不在模子的智商，而在 tokenizer 的词内外，给中语留了若干位置。

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算作默许谈话对待。这个泉源的相反，一齐传导到 token 数、账单、曲折文窗口大小。

03

古文的确更低廉吗？

再看来源的第二个传言： 古文比当代汉语更省 token 。

数据阐明了这个说法。在测试里，古文样本的 cn/en 比值全线低于 1，在系数五个 tokenizer 上王人一致。归并段试验的古文版块，token 数比对应英文翻译还少。

在系数模子中，古文虚耗的 token 数不但比当代中语少，以致比英文还少

原因也不复杂，古文用字很是精粹。「学而不念念则罔，念念而不学则殆」是 12 个字。翻译成当代汉语即是「仅仅学习而不念念考就会招引，仅仅念念考而不学习就会堕入逆境」，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）王人是高频字符，在职何 tokenizer 的词内外王人有独处位置，不会被拆成字节。是以古文在编码层面确乎是高效的。

但这里藏着一个罗网。

古文的 token 省在编码端，但模子的推理职守莫得收缩 。「罔」一个字，模子需要判断它在这个语境里是「招引」「被蒙蔽」如故「莫得」。当代汉语不错用 26 个字把这层真谛说了了，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。打个比喻，一份压缩成 zip 的文献体积更小，但解压它需要更多计较。

token 省了，推理的虚耗反而上涨了，意会准确度还下落了 。这笔账算不外来。

古文这个例子让我意志到，token 数目自己不可说明太多问题。但顺着这个标的想下去，还有一层我之前忽略了的东西。

上头说过，GPT-2 期间的 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。

直观上这是一个握住改良的历程：合并得越多，后果越高，模子应该也意会得越好。

但的确是这么吗？咱们不妨回忆一下，咱们是怎样领略汉字的。

汉字是表意笔墨，当代汉字里超越 80% 是形声字，Z6·尊龙凯时「中国」官方网站由一个表义的偏旁和一个表音的部件组合而成。「氵」旁的字多和液体关系，「木」旁的字多和植物关系，「火」旁的字多和热量关系。 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」也能猜到它和火关系。

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推测道理领域，再接续语境意会具体含义。

火花、火焰、光焰，书面语与东说念主名中多见，寓意光明、闷热。

关联词在 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」叠在一说念这件事，在编号里不存在。

模子自然不错通过大批考试数据曲折学到「焱」「炎」「灼」常常出现时相似的语境里，但这条路比径直应用偏旁信息要更曲折一些。

是以模子能不可从间隔的字节里，「看到」某些访佛偏旁的结构思路，然后在后续的计较层里再行组合呢？这条路固然 token 数多、资本高，但有莫得可能在语义意会上，反而比径直吞下一个不透明的编号更有用？

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》），回应了这个问题。

04

碎屑里长出偏旁

论文作家 David Haslett 空洞到一个历史无意。

1990 年代，Unicode 定约在给汉字分拨 UTF-8 编码时，摆设方法是按部首归类排的。归并个部首下的汉字，UTF-8 编码是相邻的。「茶」和「茎」王人含有「艹」部（草字头），它们的 UTF-8 字节序列以交流的字节来源。「河」和「海」王人含有「氵」部，字节序列相通分享来源。

UTF-8 按照部分部首方法给中语排序，部首交流的字，编码邻近｜图片来源：Github

这意味着，当 tokenizer 把汉字拆成三个 UTF-8 字节 token 的期间，分享部首的汉字会分享第一个 token。模子在考试历程中反复看到这些分享的字节格式，有可能从中学到「第一个 token 交流的字，常常属于归并个道理领域」。这在功能上就接近于东说念主类通过偏旁判断语义的历程。

Haslett 遐想了三个实验来考据这件事。

第一个实验征询 GPT-4、GPT-4o 和 Llama 3： 「茶」和「茎」是否含有交流的语义部首 ？

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」的撤销任务 。

每个实验王人限度了两个变量：两个汉字是否的确分享部首、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，唯有 57% 的汉字如故多 token）， 准确率下落了 。

换句话说，上一段的阿谁意料建树了。 把汉字切碎，资本确乎更高，但切碎后的字节序列里保留了部首的思路，模子的确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取得这一思路。

需要终点说明的是，这一论断仅局限于字形联系的细分语义任务， 不可等同于模子举座的中语意会、逻辑推理、长文本生成智商下落 。同期，实验对比的 GPT-4 与 GPT-4o，除了分词器相反外，模子架构、考试语料、参数目均有显贵变化，无法将准确率变化 100% 归因于分词粒度的鼎新。

这个发现还得到了工程侧的考据。2024 年一项针对 GPT-4o 的掂量发现，GPT-4o 的新 tokenizer 把某些中笔墨符组合合成了一个长 token 之后，模子反而出现了意会空虚。当掂量者用专科的中语分词器，把这些长 token 再行间隔再喂给模子，意会准确度归附了。

现时各人大模子行业的主流共鸣，依然是 针对指标谈话优化的整词 / 整字分词器，能显贵擢升模子的举座性能 。整字 / 整词编码不仅能大幅约束 token 资本、擢升曲折文窗口的有用信息量，还能镌汰序列长度、约束推理延长、擢升长文本处理的褂讪性。论文中发现的细分任务上风，无法笼罩绝大多数中语 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 定约按部首摆设编码，是为了东说念主类检索的浅易。BPE 把汉字拆成字节，是因为中语在语料里的频率太低。两个不联系的工程方案偶合叠在一说念，产生了一条谁王人没谋划过的语义通说念。

然后，当新一代工程师「改良」tokenizer、把汉字合并为整字 token 的期间，他们同期抹掉了一条我方不知说念存在的路。后果擢升了，资本约束了，某些东西也舒服地磨灭了，而你以致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 王人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领的代价，不是 AI 期间才开动付的。

2025 年 1 月，纽约住户 Nelson Felix 在 Facebook 一个打字机怜爱者小组里发了几张相片。他在夫人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。很快数百条辩论涌入。

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」的独一原型机，失散了快要 80 年。同庚 4 月，Felix 浑家将打字机卖给斯坦福大学藏书楼。

明快打字秘要惩处的问题，和今天 tokenizer 濒临的问题在结构上是归并个： 奈何把中语高效地镶嵌一套为西方谈话遐想的时期基础要领。

1940 年代的英文打字机有 26 个字母键，一键一字，毛糙径直。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雄壮的字盘，排着几千个铅字，打字员用手一一捡字，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录｜图片来源：Wikipedia

林语堂耗资 12 万好意思元研发经费，险些环堵萧然，寄托纽约的 Carl E. Krum 公司作念出了一台唯有 72 个键的中语打字机。使命道理是把汉字按字形结构间隔，上形键选字根上半部、下形键选字根下半部，候选字炫耀在一个叫「魔术眼」的小窗里，按数字键选中。每分钟 40 到 50 字，救助 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：「 不管中国东说念主如故好意思国东说念主，只须稍加学习，便能闇练这一键盘。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打破，但交易上它失败了。

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艳羡，而造价腾贵加上他个东说念主资金链断裂，量产再无可能。1948 年，林语堂将原型机和交易权，卖给默根特勒铸排机公司（Mergenthaler Linotype）。该公司最终毁灭量产，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 年代的居品，它确乎失败了。但作为一种东说念主机交互范式，它得胜了 。

林语堂第一次把中语「打字」变成了「检索加遴荐」 。三排按键组合定位字根，从候选字里挑选。这恰是系数当代中语输入法的底层逻辑。从仓颉、五笔到搜狗拼音，王人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

这台朝上了近八十年的打字机，和今天咱们反复筹商的分词器，潜藏着某种的历史王法。 中语永远濒临着一个问题 ：

怎样接入一套罗马字母变成的基础要领 。

道理的是，在这个寻找的历程中，充满了非东说念主为谋划的无意。Unicode 定约为了东说念主类检索浅易制定的排序，跟 BPE 算法的无心拆解叠在一说念，居然在神经网罗的黑盒里，重现了东说念主类识字的历程。而当工程师们为了舍弃「中语税」，主动把汉字拼好、把资本打下来时，那条不测降生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，而是在各式敛迹条款的挤压下，握住发生变形的流体。

有些智商是遐想出来的，有些仅仅偶合莫得被删掉。

* 头图来源： geyuyao.comZ6·尊龙凯时「中国」官方网站