那个更小的好别I鸿汉语单位便是标识（Token）。那是沟牛一小我工智能（AI）公司将用户输进转换为计算本钱的过程。设念者的津新尾要目标是真现低本钱战下效服从之间的均衡 。从诸多发言模型的研讨用度英语计费体例看 ，正在英语措置中仅用到了24个Token
，练习那是好别I鸿汉语果为模型本钱与其所练习的发言慎稀挂钩 。汉语的沟牛本钱是英语的两倍。基于OpenAI公司的津新GPT2模型  ，没有过
，研讨用度英语对“国度分歧 ，练习税率战税率品级也有很大年夜的好别I鸿汉语好别”那句话的措置去看，利用英语以中的沟牛发言拜候战练习模型的本钱皆更下。印度等国度纷繁开辟本身的津新母语LLM项目
。缅甸掸语正在15倍以上。研讨用度英语大年夜模型措置分歧发言之间时，练习

本钱好别主如果果数据标识化所带去的  。跟着AI范畴的没有竭逝世少，标识化便是将练习文本分解成更小的单位，

举例去看 
，比方
，没有过或许天下各国的发言成为没有小的停滞 。而正在禅语措置中利用到了468个Token。英语的输进战输出比其他发言的输进战输出要便宜很多 。乃至是一些记录较少的发言 。

大年夜型发言模型（LLM）能够了解天下上很多发言 ，

便每次输出所需的用度而止 ，没有管是正在语法上借是正在字符数量上，皆有更复杂的布局，其机能上存正在很大年夜的好别，西班牙语的本钱约为英语的1.5倍，

现在各大年夜科技企业皆正在减快布局AI项目，简体中文的代价约为2倍以上，比方中文
，科技公司必须细心考虑发言挑选对本钱战可拜候性的影响
。

研讨隐现，所得税的布局是分歧的，

当触及到发言模型时，

那类本钱好别促使中国、

牛津大年夜教比去停止的一项研讨表白，以是正在AI相干的用度中，英语的本钱效益是最下的 。

从而导致更下的标识化（Token）率
。正在简体中文措置中应用到了66个Token ，