【Token系列】01 | Token不是词：GPT如何切分语言的最小单元
文章目录
- 01 | Token不是词：GPT如何切分语言的最小单元？
- 一、什么是 Token？
- 二、Token 是怎么来的？——BPE算法原理
- BPE核心步骤：
- 三、为什么不直接用词或字符？
- 四、Token切分的实际影响
- 五、中文Token的特殊性
- 六、Token机制的未来方向
- 七、总结
01 | Token不是词：GPT如何切分语言的最小单元？
副标题：深入BPE算法，理解token的非线性结构意义
一、什么是 Token？
在 GPT 这类语言模型中，token 是模型处理语言的基本单位。它不是传统意义上的“词”或“字符”，而是更小的、基于统计规律和语义结构的子词片段。
示例：
| 文本内容 | Token 切分 |
|---|---|
| ChatGPT | Chat, G, PT |
| playing | play, ing |
| 我爱你 | 我, 爱, 你 |
英文可能被分成多个片段；中文一般一个字一个 token。
二、Token 是怎么来的？——BPE算法原理
GPT采用的BPE（Byte Pair Encoding）是一种子词分词算法，原本用于压缩，现在被用来平衡词与字符的语义表达。
BPE核心步骤：
- 初始化：所有词拆为单字符；
- 统计频次：找出最常见的字符对；
- 合并字符对：变成新的token；
- 重复合并，直到构建出固定大小的词表（如GPT-3为50257个token）。
BPE最终形成的token词表中，高频词可整体保留，低频词被拆解重构。
三、为什么不直接用词或字符？
| 粒度 | 优点 | 缺点 |
|---|---|---|
| 字符 | 泛化强 | 语义弱 |
| 单词 | 语义强 | 新词不识别 |
| 子词（Token） | 平衡泛化与语义 | 实现复杂 |
token 是字符和词之间的平衡结构，便于模型学习和泛化。
四、Token切分的实际影响
- 模型限制：如 GPT-3 最大支持 2048 token，不是 2048 字；
- API计费：OpenAI 计费基于 token 数，而非字数；
- 上下文控制：token 越多，占用上下文窗口越快，需控制生成长度。
五、中文Token的特殊性
中文通常一字一 token，但模型会根据语料频率进行调整：
- “清华大学” 可能为 [“清”, “华”, “大学”] 或 [“清华”, “大学”]；
- “ChatGPT” 可被切为 [“Chat”, “G”, “PT”]，因非高频复合词。
六、Token机制的未来方向
- Unigram分词（如T5）；
- 多语言共享词表（如mBERT）；
- 动态tokenization：模型运行时自适应切分。
七、总结
token 不是词，它是语言模型的语言单位，是语义压缩与泛化效率之间的产物。理解 token 的切分方式，是深入理解GPT系列语言模型结构的第一步。