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

一、token计算

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（例如"tiktoken is great!"）和编码算法方式cl100k_base，可以分词为["t", "ik", "token", " is", " great", "!"]，再根据词典查出数字列表[122,232,5343,3424,5456,12446]。

注意，各大模型一般都提供了计算token数的工具，可在调用模型前先计算token。原因：

避免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计算

import tiktoken
# 具体tokenizer模型
enc = tiktoken.get_encoding("o200k_base")
assert enc.decode(enc.encode("hello world")) == "hello world"

# 具体的chat模型
enc = tiktoken.encoding_for_model("gpt-4o")
enc.encode(text) #  获取字典值，[31935, 64559, 99320, 56007, 100629, 104795, 99788, 1773]
len(enc.encode(text)) # 获取长度，8

编码算法和openai模型间的对应关系：

Encoding name	OpenAI models
cl100k_base	gpt-4, gpt-3.5-turbo, text-embedding-ada-002, text-embedding-3-small, text-embedding-3-large
p50k_base	Codex models, text-davinci-002, text-davinci-003
r50k_base (or gpt2)	GPT-3 models like davinci

1.2 通义千问

# 运行前请 pip install tiktoken
from dashscope import get_tokenizer  # dashscope版本 >= 1.14.0

# 获取tokenizer对象，目前只支持通义千问系列模型
tokenizer = get_tokenizer('qwen-turbo')

input_str = '通义千问具有强大的能力。'

# 将字符串切分成token并转换为token id
tokens = tokenizer.encode(input_str)
print(f"经过切分后的token id为：{tokens}。")
# 经过切分后的token id为： [31935, 64559, 99320, 56007, 100629, 104795, 99788, 1773]
print(f"经过切分后共有{len(tokens)}个token")
# 经过切分后共有8个token

# 将token id转化为字符串并打印出来
for i in range(len(tokens)):
    print(f"token id为{tokens[i]}对应的字符串为：{tokenizer.decode(tokens[i])}")