作家｜汤一涛
剪辑｜ 靖宇
Opus 4.7 刚发布那几天，X 上辩论纷繁。有东说念主说一次对话就把她的 session 额度用光了，有东说念主说吞并段代码跑完的老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。
独处开拓者 BridgeMind 承认 Claude 是寰球上最佳的模子，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，但幸好——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。两件事重叠，吞并份责任花费的 token 变成了昔日的 2 到 2.7 倍。
我在这些磋磨里看到两个和华文相关的说法。一个是：华文在新 tokenizer 下险些没涨，华文用户躲过了此次加价。另一个更特地念念： 古文比当代汉语还省 token，用文言文跟 AI 对话不错省俭老本 。
第一个说法暗意 Claude 对华文作念了某种优化，但 Anthropic 的发布文档里，没提过任何和华文相关的调度。
第二个说法规更渊博释。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，如何会对 AI 更容易？
于是我作念了一次测试，用 22 段平行文本（包含生意新闻、技巧文档、古文、闲居对话等类型），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、闲居对话中英文（旅行、论坛求援、写稿恳求）
2、技巧文档中英文（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、体裁选段中英古汉语（《发兵表》《说念德经》）
测完之后，两个说法齐得到了部分考据，但事实会比传言更复杂一些。
华文税
先说论断：
1、 在 Claude 和 GPT 上，华文一直比英文贵
2、 在 Qwen 和 DeepSeek 上，华文反而比英文低廉
3、 Opus 4.7 此次激勉轰动的 tokenizer 升级，通胀险些只发生在英文上，华文保残守缺
看具体数字。Claude Opus 4.7 之前的全系列模子（包括 Opus 4.6、Sonnet、Haiku），使用的是吞并个 tokenizer。在这个 tokenizer 下，华文的 token 花费全线高于等量英文实质，cn/en 比值畛域在 1.11× 到 1.64× 之间。
最极点的场景出当今 NYT 立场的生意新闻：吞并段实质，华文版要多花费 64% 的 token，等于多付 64% 的钱。
Opus 4.6 偏抓之前的 Claude 模子，华文 token 的花费量显耀高于其它模子（红框）
最极点的场景出当今 NYT 立场的生意新闻：吞并段实质，华文版要多花费 64% 的 token（绿框）
GPT-4o 的 o200k tokenizer 好一些，cn/en 比值多指责在 1.0 到 1.35× 之间，部分场景低于 1。华文仍然举座偏贵，但差距比 Claude 小得多。
国产模子 Qwen 3.6 和 DeepSeek-V3 的数据则饱和反了过来。两者的 cn/en 比值大面积低于 1，这意味着通常的实质，华文版反而比英文版省 token。 DeepSeek 最低作念到了 0.65×，吞并段话华文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×，华文普遍督察在 1.000×，险些莫得变化。起首那些英文开拓者的账单轰动，华文用户如实没感受到。原因可能是华文在旧版上依然被切到了单字颗粒度，可拆分的空间极小。
Opus 4.7 对比 4.6，英文花费的 token 更多了，华文反而没变
测试流程中我还瞩目到一件事。token 花费的各异不仅仅账单问题，它径直影响责任空间的大小。通常 200k 险峻文窗口，用旧版 Claude tokenizer 装华文尊府，能塞进去的实质地比英文少 40% 到 70%。
吞并类责任，比如让 AI 分析一份长文档或者是追思一组会议记录，华文用户能喂给模子的材料更少，模子能参考的险峻文更短。终端即是付了更多的钱，但得到的是更小的责任空间。
四组数据放在一齐看，一个问题自然浮出来：
为什么吞并段实质换个讲话，token 数就不一样？为什么 Claude 和 GPT 的华文贵，Qwen 和 DeepSeek 的华文反而低廉 ？
谜底藏在上文屡次提到的观念 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，它谨慎把这句话拆成一块块标准化的积木（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。
英文的切法比拟安妥直观，比如「intelligence」大致率是一个 token，「information」亦然一个 token，一个单词对应一个计费单元。
但华文到了这一步就出问题了。把吞并句话「东说念主工智能正在重塑寰球的信息基础门径」分离送进 GPT-4 的 cl100k tokenizer 和 Qwen 2.5 的 tokenizer，切出来的终端饱和不同。
GPT-4 基本把每一个汉字齐拆成了一个 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。
吞并句 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 的责任表情，是统计覆按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，覆按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，只可被行为原始字节来处理，一个汉字占 3 个字节，就变成了 3 个 token。
BPE 按覆按语料中的字符频率决定合并。英文语料主导下，华文 UTF-8 字节无法合并为整字
其后 GPT-4 的 cl100k 词表扩大了，常用汉字运转被纳入，一个字世俗缩到 1 到 2 个 token，但举座成果仍然不如英文。
到了 GPT-4o 的 o200k 词表，华文成果再进了一步。这也讲解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，从一运转就把普遍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，成果径直翻倍甚而更多。
吞并句话在不同 tokenizer 下的拆分终端示意图
这即是为什么它们的 cn/en 比值能低于 1， 中笔墨均信息密度正本就高于英文单词，当 tokenizer 不再东说念主为拆碎汉字，这个自然上风就炫夸出来了 。
是以上一节那四组数据的各异，根源不在模子的智商，而在 tokenizer 的词内外，给华文留了若干位置。
Claude 和早期 GPT 的词表是以英文为默许值构建的，华文是其后被「塞进去」的；Qwen 和 DeepSeek 的词表从遐想之初就把华文行为默许讲话对待。这个伊始的各异，一齐传导到 token 数、账单、险峻文窗口大小。
03
古文真是更低廉吗？
再看起首的第二个传言： 古文比当代汉语更省 token 。
数据阐述了这个说法。在测试里，古文样本的 cn/en 比值全线低于 1，在总计五个 tokenizer 上齐一致。吞并段实质的古文版块，token 数比对应英文翻译还少。
在总计模子中，古文花费的 token 数不但比当代华文少，甚而比英文还少
原因也不复杂，古文用字至极高超。「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诱骗，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）齐是高频字符，在职何 tokenizer 的词内外齐有独处位置，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，但模子的推理背负莫得松开 。「罔」一个字，模子需要判断它在这个语境里是「诱骗」「被蒙蔽」如故「莫得」。当代汉语不错用 26 个字把这层道理说澄清，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，但解压它需要更多计算。
token 省了，推理的花费反而高潮了，斡旋准确度还着落了 。这笔账算不外来。
古文这个例子让我意志到，token 数目自己不成说明太多问题。但顺着这个所在想下去，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，其后 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。
直观上这是一个束缚校阅的流程：合并得越多，成果越高，模子应该也斡旋得越好。
但真是是这么吗？咱们不妨回忆一下，咱们是如何相识汉字的。
汉字是表意笔墨，当代汉字里杰出 80% 是形声字，尊龙凯时(中国)由一个表义的偏旁和一个表音的部件组合而成。「氵」旁的字多和液体相关，「木」旁的字多和植物相关，「火」旁的字多和热量相关。 偏旁部首即是东说念主类识字时最基础的语义思路，一个不相识「焱」字的东说念主，看到 3 个「火」也能猜到它和火相关。
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意旨畛域，再蚁集语境斡旋具体含义。
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。
编号自己不捎带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」叠在一齐这件事，在编号里不存在。
模子自然不错通过普遍覆按数据盘曲学到「焱」「炎」「灼」世俗出当今相似的语境里，但这条路比径直欺诈偏旁信息要更盘曲一些。
是以模子能不成从绝交的字节里，「看到」某些访佛偏旁的结构思路，然后在后续的计算层里再行组合呢？这条路自然 token 数多、老本高，但有莫得可能在语义斡旋上，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》），汇报了这个问题。
04
碎屑里长出偏旁
论文作家 David Haslett 瞩目到一个历史或然。
1990 年代，Unicode 定约在给汉字分拨 UTF-8 编码时，胪列门径是按部首归类排的。吞并个部首下的汉字，UTF-8 编码是相邻的。「茶」和「茎」齐含有「艹」部（草字头），它们的 UTF-8 字节序列以调换的字节起首。「河」和「海」齐含有「氵」部，字节序列通常分享起首。
UTF-8 按照部分部首门径给华文排序，部首调换的字，编码左近｜图片来源：Github
这意味着，当 tokenizer 把汉字拆成三个 UTF-8 字节 token 的时期，分享部首的汉字会分享第一个 token。模子在覆按流程中反复看到这些分享的字节样式，有可能从中学到「第一个 token 调换的字，通常属于吞并个意旨畛域」。这在功能上就接近于东说念主类通过偏旁判断语义的流程。
Haslett 遐想了三个本质来考据这件事。
第一个本质参议 GPT-4、GPT-4o 和 Llama 3： 「茶」和「茎」是否含有调换的语义部首 ？
第二个本质 让模子给两个汉字的语义相似度评分 。
第三个本质 让模子作念「找出不同类」的拆除任务 。
每个本质齐戒指了两个变量：两个汉字是否真是分享部首、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。
三个本质的论断一致：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）， 准确率着落了 。
换句话说，上一段的阿谁猜测竖立了。 把汉字切碎，老本如实更高，但切碎后的字节序列里保留了部首的踪影，模子真是从中学到了一些东西 。而把汉字编码为整字 token，老本降下来了，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获得这一思路。
需要额外说明的是，这一论断仅局限于字形相关的细分语义任务， 不成等同于模子举座的华文斡旋、逻辑推理、长文本生成智商着落 。同期，本质对比的 GPT-4 与 GPT-4o，除了分词器各异外，模子架构、覆按语料、参数目均有显耀变化，无法将准确率变化 100% 归因于分词粒度的调度。
这个发现还得到了工程侧的考据。2024 年一项针对 GPT-4o 的商量发现，GPT-4o 的新 tokenizer 把某些中笔墨符组合合成了一个长 token 之后，模子反而出现了斡旋特别。当商量者用专科的华文分词器，把这些长 token 再行绝交再喂给模子，斡旋准确度复原了。
咫尺寰球大模子行业的主流共鸣，依然是 针对主张讲话优化的整词 / 整字分词器，能显耀擢升模子的举座性能 。整字 / 整词编码不仅能大幅虚拟 token 老本、擢升险峻文窗口的有用信息量，还能裁汰序列长度、虚拟推理延长、擢升长文本处理的平定性。论文中发现的细分任务上风，无法遮蔽绝大多数华文 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 定约按部首胪列编码，是为了东说念主类检索的浅薄。BPE 把汉字拆成字节，是因为华文在语料里的频率太低。两个不相关的工程有筹办正值叠在一齐，产生了一条谁齐没打算过的语义通说念。
然后，当新一代工程师「校阅」tokenizer、把汉字合并为整字 token 的时期，他们同期抹掉了一条我方不知说念存在的路。成果擢升了，老本虚拟了，某些东西也悠然地隐藏了，而你甚而不会收到一条报错信息。
是以事情比「华文在 AI 里多付钱」这个判断更复杂。 每一种 tokenizer 齐在为某个默许值优化，代价藏在了别处 。
05
林语堂
华文适配西方技巧基础门径的代价，不是 AI 期间才运转付的。
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像片。他在细君祖父的遗物里发现了一台刻满华文的打字机，不知说念是什么来历。很快数百条辩驳涌入。
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）看到像片后坐窝认出来了，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 夫妻将打字机卖给斯坦福大学藏书楼。
明快打字秘要惩办的问题，和今天 tokenizer 濒临的问题在结构上是吞并个： 如何把华文高效地镶嵌一套为西方讲话遐想的技巧基础门径。
1940 年代的英文打字机有 26 个字母键，一键一字，简单径直。华文有几千个常用字，不可能一键一字。其时的华文打字机是一个渊博的字盘，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，好意思国宣教士谢卫楼（Devello Z. Sheffield）所发明的华文打字机，是华文打字机最早的记载｜图片来源：Wikipedia
林语堂耗资 12 万好意思元研发经费，险些廉正奉公，奉求纽约的 Carl E. Krum 公司作念出了一台唯有 72 个键的华文打字机。责任道理是把汉字按字形结构绝交，上形键选字根上半部、下形键选字根下半部，候选字炫夸在一个叫「魔术眼」的小窗里，按数字键选中。每分钟 40 到 50 字，支撑 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：「 不论中国东说念主如故好意思国东说念主，只消稍加学习，便能熟练这一键盘。我以为这即是咱们所需要的打字机了 。」
技巧上明快打字机是一种打破，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，投资者随之失去趣味趣味，而造价高尚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）。该公司最终覆没量产，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《华文打字机》一书里有一个判断，他以为明快打字机「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，它收效了 。
林语堂第一次把华文「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。这恰是总计当代华文输入法的底层逻辑。从仓颉、五笔到搜狗拼音，齐不错说是明快打字机的后裔。
《华文打字机》，作家：墨磊宁｜图片来源：豆瓣
这台越过了近八十年的打字机，和今天咱们反复磋磨的分词器，潜藏着某种的历史规章。 华文永恒濒临着一个问题 ：
如何接入一套罗马字母酿成的基础门径 。
道理的是，在这个寻找的流程中，充满了非东说念主为打算的或然。Unicode 定约为了东说念主类检索浅薄制定的排序，跟 BPE 算法的无心拆解叠在一齐，果然在神经蚁集的黑盒里，重现了东说念主类识字的流程。而当工程师们为了排斥「华文税」，主动把汉字拼好、把老本打下来时，那条不测出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，而是在各式敛迹条目的挤压下，束缚发生变形的流体。
有些智商是遐想出来的，有些仅仅正值莫得被删掉。
* 头图来源： geyuyao.com尊龙凯时
吉祥访中国体育手机官网