Tokens
现代大型语言模型 (LLM) 通常基于 Transformer 架构，该架构处理称为 token 的单元序列。Token 是模型用于分解输入和生成输出的基本元素。在本节中，我们将讨论什么是 token 以及语言模型如何使用它们。
什么是 Token？
Token 是语言模型读取、处理和生成的基本单元。这些单元可能因模型提供商的定义而异，但通常，它们可以表示
- 一个完整的单词（例如，“apple”），
- 一个单词的一部分（例如，“app”），
- 或其他语言成分，例如标点符号或空格。
模型 token 化输入的方式取决于其 token 化算法，该算法将输入转换为 token。同样，模型的输出以 token 流的形式出现，然后将其解码回人类可读的文本。
Token 在语言模型中如何工作
语言模型使用 token 的原因与它们如何理解和预测语言有关。语言模型不是直接处理字符或整个句子，而是专注于 token，token 代表有意义的语言单元。以下是流程的工作原理
-
输入 Token 化：当您向模型提供提示时（例如，“LangChain 很酷！”），token 化算法会将文本拆分为 token。例如，该句子可以 token 化为类似
["Lang", "Chain", " is", " cool", "!"]的部分。请注意，token 边界并不总是与单词边界对齐。
-
处理：这些模型背后的 Transformer 架构按顺序处理 token，以预测句子中的下一个 token。它通过分析 token 之间的关系，从输入中捕获上下文和含义来实现这一点。
-
输出生成：模型逐个生成新的 token。然后将这些输出 token 解码回人类可读的文本。
使用 token 而不是原始字符允许模型专注于语言上有意义的单元，这有助于它更有效地捕获语法、结构和上下文。
Token 不一定是文本
尽管 token 最常用于表示文本，但它们不必仅限于文本数据。Token 也可以用作 多模态数据 的抽象表示，例如
- 图像,
- 音频,
- 视频,
- 和其他类型的数据。
在撰写本文时，几乎没有模型支持 多模态输出，只有少数模型可以处理 多模态输入（例如，文本与图像或音频的组合）。但是，随着 AI 技术的不断进步，我们预计 多模态 将变得更加普遍。这将使模型能够处理和生成更广泛的媒体，从而显着扩展 token 可以表示的内容以及模型如何与各种类型的数据交互的范围。
原则上，任何可以表示为 token 序列的事物 都可以用类似的方式建模。例如，DNA 序列（由一系列核苷酸 (A, T, C, G) 组成）可以被 token 化和建模，以捕获模式、进行预测或生成序列。这种灵活性使基于 Transformer 的模型能够处理各种类型的顺序数据，进一步扩展了它们在生物信息学、信号处理和其他涉及结构化或非结构化序列的各个领域的潜在应用。
有关多模态输入和输出的更多信息，请参阅多模态部分。
为什么不使用字符？
使用 token 而不是单个字符使模型更高效，并且更擅长理解上下文和语法。Token 代表有意义的单元，例如完整的单词或单词的一部分，使模型能够比处理原始字符更有效地捕获语言结构。Token 级别的处理还减少了模型必须处理的单元数量，从而加快了计算速度。
相比之下，字符级别的处理将需要处理更大的输入序列，使模型更难学习关系和上下文。Token 使模型能够专注于语言意义，从而使其在生成响应时更准确和高效。
Token 如何对应文本
有关 token 如何计数以及它们如何对应文本的更多详细信息，请参阅 OpenAI 的这篇文章。
根据 OpenAI 的文章，英语文本的近似 token 计数如下
- 1 个 token ~= 4 个英文字符
- 1 个 token ~= ¾ 个单词
- 100 个 token ~= 75 个单词