搞懂LLM中的Token，看这一篇就够了

已于 2024-05-05 10:31:13 修改
阅读量5.4k 收藏 24
点赞数 33
文章标签： 人工智能 chatgpt 目标跟踪 深度学习 算法 Token LLM
于 2024-04-08 15:17:41 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2301_81940605/article/details/137510565
版权
本文详细解释了Token在大语言模型如ChatGPT中的概念，包括其表示形式、上下文依赖性以及在模型工作流程中的作用。还探讨了Token对提示词编写的影响和如何在大模型AI学习中有效利用Token限制。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、Token是什么？

1.1 Token一定表示一个汉字么？

下面这个例子中我让ChatGPT按照Token的划分粒度将“我喜欢苹果”进行倒序输出。

image.png

这个例子说明：Token既可能是一个单词，例如“苹果”，也可能是一个汉字，例如：“我”

1.2 Token是固定不变的么？

比如在上述例子中，只要出现苹果这个词的地方，苹果是不是一定会被认为是一个Token，我们看另一个例子：
这个例子中我让ChatGPT按照Token的划分粒度将“我喜欢苹果派”进行倒序输出，你会发现苹果派单独成了一个Token。

image.png

这个例子说明Token在不同的上下文中不是一成不变的，有的上下文中“苹果”是一个Token，而在另一个上下文中“苹果派”是一个Token

1.3 Token的定义

在大语言模型中，Token是模型进行语言处理的基本信息单元，它可以是一个字，一个词甚至是一个短语句子。Token并不是一成不变的，在不同的上下文中，他会有不同的划分粒度。

如果要用一个中文单词来翻译Token，我更愿意将其称之为词元

二、为什么会有Token

ChatGPT并不是适用于某一门特定语言的大语言模型，它几乎适用于所有流行的自然语言。而Token的出现就是为了在概念上能够与具体的特定语言无关。

用专业的话表达：Token概念的提出是为了与特定的语言解耦

那ChatGPT到底是如何利用Token进行工作的呢？其实GPT由一个针对不同语言的非常全的Token词汇表，它能表达出所有人类的自然语言。当我们向GPT进行提问时，GPT会做如下处理：

  • GPT首先会识别我们的语言种类，例如中文、英文
  • GPT会根据自己的Token序列化规则将我们输入的文本转换为多个Token
  • GPT根据自己的Token词汇表以及训练的结果为我们输入的Token生成预测后的Token
  • GPT将生成的Token再转换成人类可读的自然语言提供给我们

image.png

三、Token对我们有哪些影响

image.png

从官方文档中我们可以看到每个模型都有一个MAX TOKENS的参数，这个参数的意思就是在一次会话中，模型能基于整个上下文记忆的最大的Token数量，这个上下文既包含了我们的输入，也包含了我们的输出。

在上面这个解释中会有两个概念：

  • 一次会话：所谓的一次会话是指你打开了一个和ChatGPT的聊天窗口，只要你一直在这个窗口内和ChatGPT聊天，那么这个窗口就是你和ChatGPT的一次会话，无论你们已经聊了多久
  • 上下文：所谓的上下文就是指在最新的一个提问之前所有的聊天记录

值得注意的是，这里的上下文记忆的最大Token数量，不仅仅是指你单次提问的语句的最大Token数量，而是整个会话中之前所有的输入和输出的Token数量

当单次会话中达到最大的Token数量之后，ChatGPT并不会停止输出，而是选择性的遗忘最前面的对话，然后可能会输出错误的结果。

这跟我们人类之间聊天是一样的，如果两个人聊天聊了很久，那么最开始聊的话题很有可能会被两个人遗忘。

四、Token对提示词编写有哪些影响

  • 理解了Token的限制，我们需要去形成“当前消耗了多少Token”的体感，这样当我们发现GPT的输出不符合预期的时候，我们可以首先考虑是否是因为上下文消耗的Token超过了限制，导致GPT忘记了最前面的内容。
  • 秉承奥卡姆剃刀原理，能不多说一句废话就不多说一句。尤其在连续的多轮对话中，我们一定要养成精简有效的表达习惯。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

在这里插入图片描述

在这里插入图片描述

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取==🆓

在这里插入图片描述

LLM-2022：OPT【参数量：1750亿（175B）】【用于训练的token数量：180B】【MetaAI】
u013250861的博客
02-24 1223
该公司将根据来自研究、产业、政府和民间组织的选定合作伙伴的需求，制作具有 1750 亿个参数的最大的 OPT 模型，它们应该能够分析语言处理中神经网络的权重和连接。Meta的AI部门发布了一个经过广泛训练的语言模型来推进人工智能研究，特别是针对语言 AI​​本身弱点的研究。“我们认为，整个人工智能社区——学术研究人员、民间团体、政策制定者和行业——需要共同努力，为负责任的人工智能，特别是负责任的大型模型，制定明确的指导方针，因为它们是许多下游语言应用程序的核心。”Meta的研究团队写道。
万字长文搞懂LLM大模型技术原理！
强化学习曾小健
11-24 1037
本文从Llama 3报告出发，基本整理一些现代LLM的技术。'基本'，是说对一些具体细节不会过于详尽，而是希望得到一篇相对全面，包括预训练，后训练，推理，又能介绍清楚一些具体技术，例如RM，DPO，KV Cache，GQA，PagedAttention，Data Parallelism等等的索引向文章。由于东西比较多，且无法详尽细节，所以推荐大家二次整理为自己的笔记。本文的主要参考是Llama Team的The Llama 3 Herd of Models报告原文，以及沐神回归B站新出的论文精读系列。同时也
解读大模型（LLM）的token
我相信......
10-06 7307
当人们谈论大型语言模型的大小时，参数会让我们了解神经网络的结构有多复杂，而token的大小会让我们知道有多少数据用于训练参数。正像陆奇博士所说的那样，大型语言模型为从文本生成到问题回答的各种任务提供了令人印象深刻的能力，不仅彻底改变了自然语言处理(NLP)领域，而且作为基础模型会改变整个软件生态。这些模型的一个经常被忽视的关键点是“token”的作用，即模型处理的各个信息单元。大型语言模型(LLM...
vllm 大模型部署 参数说明
最新发布
weixin_52582710的博客
03-04 545
请注意，以上信息可能会随着vLLM引擎的后续版本更新而发生变化。
大语言模型（LLM）token解读
l8947943的博客
03-27 5384
Token是LLM处理文本数据的基石，它们是将自然语言转换成机器可理解格式的关键步骤。标记化过程（Tokenization）：这是将自然语言文本分解成token的过程。在这个过程中，文本被分割成小片段，每个片段是一个token，它可以代表一个词、一个字符或一个词组等。变体形式：根据不同的标记化方案，一个token可以是一个单词，单词的一部分（如子词），甚至是一个字符。例如，单词"transformer"可能被分成"trans-", “form-”, "er"等几个子词token。
大语言模型(LLM)Token 概念
qq_41045651的博客
03-12 1880
合理的Token化策略可以提高模型的性能和效果，在实际应用中需要根据任务的需求和数据的特点选择合适的Token化方式。：除了原始文本中的词、子词或字符之外，还可能会添加一些特殊的token，如起始token、结束token、填充token等。：即使模型能够处理较长的文本序列，它的记忆能力也是有限的。：当输入文本超出Token长度限制时，模型可能会截断超出部分的文本，只保留前面的部分进行处理。：超出长度限制的文本可能会影响模型的性能和效果，因为模型无法完整地捕捉到整个文本序列的信息。
LLM基础｜最初的最初——分词器详解（只需看这篇就够！）
weixin_49659123的博客
10-15 1781
1. 根据不同的切分粒度可以把tokenizer分为: 基于词的切分，基于字的切分和基于subword的切分。 基于subword的切分是目前的主流切分方式。 2. subword的切分包括: BPE(/BBPE), WordPiece 和 Unigram三种分词模型。 3. 完整的分词流程包括：文本归一化，预切分，基于分词模型的切分，后处理。
使用LLM和嵌入模型进行Token计数
ppoojjj的博客
06-19 1207
随着大规模语言模型（LLM）和嵌入技术在自然语言处理（NLP）中的广泛应用，理解和估算这些模型在实际使用中的Token计数变得尤为重要。这篇文章将带你了解如何使用MockLLM和MockEmbedding对象来测量Token计数，并附上示例代码。
一文读懂LLM的「幻觉」问题
女王の专属领地
01-05 3381
1、幻觉定义大模型生成看似合理的内容，其实这些内容是不正确的或者是与输入Prompt无关，甚至是有冲突的现象，即生成与用户输入不符、与先前生成的内容矛盾或与已知世界知识不符的内容。2、幻觉类型输入冲突幻觉Input-conflicting：生成的内容与用户提供的输入不符；输入冲突幻觉指的是LLM生成的内容与用户提供的源输入（①任务指示：例如用户对摘要的提示和②任务输入：例如需要摘要的文档）不一致。当LLM生成的内容偏离用户的输入时，就会出现这种幻觉。
深入探讨：如何在Python中通过LangChain技术精准追踪大型语言模型（LLM）的Token使用情况
m0_57781768的博客
08-31 421
在本文中，我们深入探讨了如何通过LangChain技术在Python中追踪LLM的Token使用情况。通过介绍LangSmith平台、回调函数以及流式传输中的Token追踪技术，本文为开发者提供了一整套完整的Token管理方案。通过对Token使用情况的准确追踪，开发者不仅可以有效控制成本，还可以通过数据分析优化模型调用，提高应用的整体性能。随着人工智能技术的不断发展，Token追踪技术也将不断进步，为开发者提供更多的便利和更强大的功能。
Token 在 LLM
Overman的代码世界
04-19 1164
大语言模型不能理解原始文本，所以需要把原始文本转换成大语言模型可以理解的数字表示形式，经过大模型处理以后，需要将该数字表示形式转换为人可以理解的文本。!
大型语言模型（LLM）中的token
顺其自然~专栏
03-08 1279
根据不同的标记化方案，一个token可以是一个单词，单词的一部分（如子词），甚至是一个字符。然而，这不是固定的规则，因为不同语言的特点和所使用的标记化算法会影响token的长度和划分方式。：Token作为原始文本数据与LLM可以使用的数字表示之间的桥梁，帮助模型确保文本的连贯性和一致性，从而有效处理各种任务，如写作、翻译和回答查询。综上所述，token在LLM中扮演着至关重要的角色，它是连接人类语言和计算机理解的纽带，使模型能够执行各种自然语言处理任务。，这限制了模型能够有效处理的文本长度。
大模型（LLM）的token学习记录-I
penriver的博客
02-27 3544
在 LLM 中，token代表模型可以理解和生成的最小意义单位，是 LLM 进行处理的最小单元。根据所使用的特定标记化【Tokenization】方案，token可以表示单词、单词的一部分，甚至只表示字符。采用的方案由模型的类型和大小决定token被赋予数值或标识符，并按序列或向量排列，并被输入或从模型中输出，是模型的语言构件。模型理解这些token之间的统计关系，并擅长做token的接龙token化是将输入和输出文本分割成可以由LLM AI模型处理的较小单元的过程。
大型语言模型（LLM）中的tokens是什么
ZJQ的博客
01-07 1184
定义：tokens是将文本分割成的一个个有意义的片段，模型在处理文本时是以tokens为单位进行编码和解码的。不同的模型和分词方法可能会导致相同的文本被分割成不同数量和形式的tokens。作用：通过将文本转化为tokens，模型能够更好地理解和处理语言的结构和语义信息。模型的输入和输出都是基于tokens序列，这使得模型能够处理各种长度的文本，并进行诸如语言生成、文本分类、问答等任务。
LLM大模型基础入门系列之：（六）Tokens 和 Embeddings
m_aigc2022的博客
07-21 1542
本文是LLM大模型基础入门系列的第6篇。在这篇文章中，我们重点介绍LLMs中的Tokens 和 Embeddings！
帮我写一篇CSDN文档，关于DeepSeek的
02-19
<think>好的，用户让我帮忙写一篇关于DeepSeek的CSDN文档。首先，我需要确定DeepSeek是什么。可能是一个深度学习框架或者工具，也可能是一个公司的名字。不过根据常见的知识，DeepSeek可能是指深度求索公司，他们开发了深度求索（DeepSeek）大模型，比如DeepSeek-R1或者对话模型。 接下来，用户的需求是写一篇CSDN文档。CSDN是中国的一个技术社区，文档需要结构清晰，技术性强，可能包括简介、特点、应用场景、使用教程等部分。用户可能是开发者或者技术写作者，希望发布一篇帮助他人了解和使用DeepSeek的文章。 需要先收集DeepSeek的相关信息。比如它的背景，技术特点，支持的框架（如PyTorch、TensorFlow），功能特性（比如高效训练、多模态支持），应用案例，如何安装和使用，最佳实践，社区资源等。还要注意是否有官方文档或GitHub仓库，引用这些资源会增加文章的权威性。 用户可能没有提到的深层需求是希望文档实用，能吸引读者，可能包含代码示例和实际应用步骤。因此，结构上需要分章节，使用标题和子标题，代码块和示意图（如果有的话）。还要注意语言要简洁明了，适合技术读者阅读。 需要验证信息的准确性，比如确认DeepSeek的最新版本和功能，避免过时的内容。如果有不确定的地方，可能需要查阅官方资料或相关技术博客。另外，考虑读者可能的疑问，比如与其他框架的对比，性能优势，适用场景等，在文档中适当加入这些内容会更好。 最后，确保文档符合CSDN的格式要求，比如适当的标签、分类，以及可能的SEO优化，比如关键词使用“深度学习”、“DeepSeek”、“教程”等。可能还需要添加参考资料和链接，方便读者进一步探索。</think>以下是一篇关于DeepSeek的CSDN文档框架及内容示例，您可根据实际需求调整内容深度和技术细节： -- # 深度探索：DeepSeek大模型的技术解析与实践指南 ## 1. DeepSeek 简介 **DeepSeek**（深度求索）是由中国科技公司深度求索（DeepSeek Inc.）研发的通用人工智能大模型系列。该系列模型覆盖自然语言处理、多模态交互、代码生成等领域，凭借高效训练与推理能力，在开源社区和企业级应用中崭露头角。 ### 1.1 发展历程 - **2023年**：发布首代对话模型DeepSeek-R1，聚焦搜索增强与长文本理解 - **2024年**：推出升级版DeepSeek v2，支持多模态输入及万亿级参数训练 - **开源生态**：逐步开放7B/33B等轻量级模型权重，推动开发者社区共建 ## 2. 核心特性与优势 | 特性 | 技术实现 | 应用价值 | |--|----------------------------| | 高效推理 | MoE架构 + 动态Token选择 | 降低70%推理成本 | | 长上下文处理 | Window Attention + 位置编码优化 | 支持128K tokens超长文本分析| | 多模态扩展 | 统一语义空间对齐技术 | 图文/音视频跨模态理解 | | 工具调用能力 | Function Calling API标准化接口 | 无缝对接外部工具链 | ## 3. 快速入门指南 ### 3.1 环境安装 ```python # 使用官方Python SDK pip install deepseek-sdk # 或通过HuggingFace调用 from transformers import AutoModelForCausalLM model = AutoModelForCausalLM.from_pretrained("deepseek-ai/deepseek-llm-7b-base") ``` ### 3.2 基础对话示例 ```python import deepseek chat = deepseek.Chat() response = chat.generate( messages=[{"role": "user", "content": "解释Transformer的Self-Attention机制"}], temperature=0.7 ) print(response.choices[0].message.content) ``` ### 3.3 高级功能调用 ```python # 多模态输入示例 response = chat.analyze_image( image_path="chart.png", prompt="请分析该数据图表并生成总结报告" ) # 工具调用示例 tools = [{ "type": "web_search", "parameters": {"query": "2024年AI最新趋势"} }] response = chat.with_tools(tools).generate("生成AI行业季度分析报告") ``` ## 4. 实战应用场景 ### 4.1 智能代码助手 - **代码补全**：支持30+编程语言的上下文感知补全 - **Debug助手**：通过异常描述定位代码错误并提供修复建议 - **文档生成**：自动生成API文档与单元测试用例 ### 4.2 企业知识库构建 1. 使用`deepseek-rag`模块进行文档向量化 2. 配置私有化知识检索管道 3. 实现基于企业数据的精准问答系统 ### 4.3 科研加速方案 - 实验数据智能分析 - 论文审稿意见自动回复 ## 5. 性能优化技巧 - **量化部署**：使用`deepseek-quant`工具实现INT8量化 - **缓存策略**：启用KV-Cache减少重复计算 - **分布式推理**：通过`vLLM`框架实现多卡并行 ## 6. 开发者资源汇总 - [官方文档中心](https://platform.deepseek.com/docs) - GitHub开源仓库：`deepseek-ai/deepseek-LLM` - 技术白皮书：《DeepSeek-MoE: 稀疏专家混合架构实践》 - 社区论坛：开发者问答专区与案例共享 --- **文档说明**： 1. 本文档适用于2024年7月发布的DeepSeek v2.3版本 2. 代码示例需配置API_KEY或本地模型权重文件 3. 企业用户建议参考官方部署指南进行私有化部署 --- **提示**：您可以通过以下方式增强文档吸引力： 1. 添加性能对比图表（与LLAMA3、GLM等模型的基准测试） 2. 插入实际应用截图（如代码补全效果演示） 3. 补充模型微调实战案例 4. 添加「常见问题」章节解决部署中的典型问题 建议结合官方技术文档和实际测试结果完善具体参数与代码细节。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值