【AIGC】大语言模型千问、gpt、智谱token盘算-tiktoken、get_tokenizer等 ...

一、token盘算

编码（encode）是指将文本映射为token的数字列表，解码（decode）是指将token的数字列表转化为文本。
给定一个文本字符串（比方"tiktoken is great!"）和编码算法方式cl100k_base， 可以分词为["t", "ik", "token", " is", " great", "!"]，再根据辞书查出数字列表[122,232,5343,3424,5456,12446]。
留意，各大模型一样平常都提供了盘算token数的工具，可在调用模型前先盘算token。缘故原由：

• 克制token过长，引发错误
  
• 可用来预估自己的花费
  

1.1 OpenAI

gpt系列都可用tiktoken实现token盘算

1. import tiktoken
2. # 具体tokenizer模型
3. enc = tiktoken.get_encoding("o200k_base")
4. assert enc.decode(enc.encode("hello world")) == "hello world"
6. # 具体的chat模型
7. enc = tiktoken.encoding_for_model("gpt-4o")
8. enc.encode(text) #  获取字典值，[31935, 64559, 99320, 56007, 100629, 104795, 99788, 1773]
9. len(enc.encode(text)) # 获取长度，8

复制代码

编码算法和openai模型间的对应关系：
Encoding nameOpenAI modelscl100k_basegpt-4, gpt-3.5-turbo, text-embedding-ada-002, text-embedding-3-small, text-embedding-3-largep50k_baseCodex models, text-davinci-002, text-davinci-003r50k_base (or gpt2)GPT-3 models like davinci 1.2 通义千问

1. # 运行前请 pip install tiktoken
2. from dashscope import get_tokenizer  # dashscope版本 >= 1.14.0
4. # 获取tokenizer对象，目前只支持通义千问系列模型
5. tokenizer = get_tokenizer('qwen-turbo')
7. input_str = '通义千问具有强大的能力。'
9. # 将字符串切分成token并转换为token id
10. tokens = tokenizer.encode(input_str)
11. print(f"经过切分后的token id为：{tokens}。")
12. # 经过切分后的token id为： [31935, 64559, 99320, 56007, 100629, 104795, 99788, 1773]
13. print(f"经过切分后共有{len(tokens)}个token")
14. # 经过切分后共有8个token
16. # 将token id转化为字符串并打印出来
17. for i in range(len(tokens)):
18.     print(f"token id为{tokens[i]}对应的字符串为：{tokenizer.decode(tokens[i])}")

复制代码

1.3 GLM类模型

GLM类模型，zhipu没有公开任何token盘算工具和方式，在此不做讨论
1.4 其他

待补充
参考

NLP（五十五）tiktoken的使用
官方-tiktoken
官方-tiktoken使用
通义千问计量计费阐明

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。