一、在人工智能领域，Token 是模型处理文本的核心单元，可理解为文本的“最小可处理片段”
二、表格理解
| 类别 | 详细说明 |
|---|---|
| 基本定义 | Token 是模型处理文本的最小语义或语法单位，可以是单词、子词、字符、标点符号或特殊符号。例如： - 单词级：将 “hello” 视为一个 Token； - 子词级：将 “unsmiling” 拆分为 “un” + “smil” + “ing”； - 字符级：将 “cat” 拆分为 “c”、“a”、“t”。 |
| 核心作用 | 1. 文本表征：将文本映射为数值向量，供模型计算； 2. 语义捕捉：通过分词策略平衡词汇覆盖与计算效率； 3. 统一处理：使模型能够通过固定长度的 Token 序列处理可变长度的文本； 4. 跨模态对齐：如 CLIP 等模型将文本 Token 与图像特征对齐，实现图文统一表征。 |
| 分词方式 | 1. 基于单词：以完整单词为 Token（如英文 “apple”）； 2. 基于字符：以单个字符为 Token（如中文 “苹”）； 3. 基于子词：使用 BPE（Byte-Pair Encoding）、WordPiece 等技术拆分单词（如 “unhappy” → “un” + “happy”）； 4. 动态分词：根据上下文动态调整分词策略（如根据语义重要性合并/拆分 Token）。 |
| 技术挑战 | 1. 语言多样性：不同语言的分词方式可能不同（如中文按字符切分，英语按单词或子词）； 2. 上下文依赖：分词需考虑上下文（如 “I'm” 是否拆分为 “I” 和 “‘m”）； 3. 未登录词处理：通过子词拆分处理罕见词（如 “ChatGPT” → “Chat” + “G” + “PT”）； 4. 长文本处理：输入超出模型最大 Token 限制时需截断（如客服系统需分段处理长对话）； 5. 隐私风险：Token 化可能暴露隐私（如医疗记录中的罕见病名被映射为唯一 ID）。 |
| 实际应用 | 1. 模型输入/输出：模型处理 Token 序列而非原始文本，例如将 “AI is amazing!” 拆分为 [“AI”, “is”, “amazing”, “!”]； 2. 计费单位：许多大模型（如 GPT-4）按 Token 数量计费（输入 + 输出）； 3. 性能优化：通过 Token 级分析模型决策（如解释 “毒性语言” 由哪些 Token 触发）； 4. 多模态融合：将文本、图像、音频等模态的 Token 统一编码，实现跨模态理解（如 DALL·E 3、Flamingo）； 5. 去中心化经济：通过 Token 激励用户贡献训练数据或标注（如 NFT Token 将模型生成的文本/图像 Token 化为数字资产）。 |
| 相关术语 | 1. Tokenization（分词）：将输入文本拆分成 Token 的过程； 2. Vocabulary（词汇表）：模型预训练时使用的所有可能 Token 的集合； 3. Contextual Tokenization（上下文分词）：基于 Transformer 的实时分词（如 ByteLevel BPE）； 4. Token Limit（Token 限制）：模型一次处理的最大 Token 数量（如 GPT-4 的 8k 或 32k 限制）。 |
