AIGC: 关于ChatGPT中token和tiktoken工具

什么是token

• token是GPT处理文本的基本的单位
• token本身可以是一个字，可以是一个词语，或特定语言中的一个字符
• token负责将输入的文本数据转换为GPT可以处理的数据格式
• GPT不同模型的计费就是根据token来的

token 的拆分

• 这里有一个 tiktoken 工具
  • 是 open ai 开源的一个快速分词的工具
  • 可以将我们输入的文本的字符串去进行拆分, 拆分成token的列表
    • 我们通过对 Prompt 进行拆分，计算出token的数量
    • 不同的模型对于token是有限制的，可以判断 Prompt 是不是比较长, 导致GPT对应的模型没有办法处理
    • 我们也可以通过 token 的数量去进行费用的计算
      • 我们开发了一个自助的聊天工具，向用户进行开放
      • 对用户而言，我们可以通过计算token的数量来计算费用
      • 因为openAI它的API的调用的费用也是通过token去进行计算的
    • 举一个例子
      • 比如我们要做一个聊天机器人，对于聊天机器人，是需要我们的历史的一些聊天的信息
      • 需要去判断历史信息，也就是追加上下文的信息，是不是能够被GPT进行处理
      • 这个时候, 可能就会涉及到对于token的一个计算，我们需要将上下文的信息去计算它的token
      • 看是不是超过了我们想要去设置的阈值，这是token拆分实际的一个使用

如何拆分 token

• openai 通过不同的编码来指定如何将文本转换成token
• 不同的模型，使用不同的编码
• open ai的模型分为三种编码
  • cl100k_base: gpt4, gpt-3.5-turbo
  • p50k_base: text-davinci-003, text-davinci-002
  • r50k_base: gpt-3
  • 这是相关的 token 的编码和模型的一个映射的关系
• 各个语言的支持情况
  • 对于不同的语言，openai 也提供了相关的一些模块去进行引用
  • Python: tiktoken
  • Java: jtokkit
• 通过这些包完成文本的token的一个拆分，去计算指定文本tokens的数量

Java 示例程序如下

Model.java

package org.example;

import lombok.AllArgsConstructor;
import lombok.Getter;

@Getter
@AllArgsConstructor
public enum Model {
    /**
     * gpt-3.5-turbo
     */
    GPT_3_5_TURBO("gpt-3.5-turbo"),
    GPT_3_5_TURBO_0613("gpt-3.5-turbo-0613"),
    GPT_3_5_TURBO_16K("gpt-3.5-turbo-16k"),
    TEXT_DAVINCI_003("text-davinci-003");
    private String name;
}

Main.java

package org.example;

import com.knuddels.jtokkit.Encodings;
import com.knuddels.jtokkit.api.Encoding;
import com.knuddels.jtokkit.api.EncodingRegistry;
import java.util.*;

public class Main {
    private static final EncodingRegistry encodingRegistry = Encodings.newDefaultEncodingRegistry();

    public static int tokens(String modelName, String message) {
        // 根据模型名称获取编码
        Optional<Encoding> encodingForModel = encodingRegistry.getEncodingForModel(modelName);
        if(encodingForModel.isPresent()) {
            // 利用编码计算 token 的数量
            Encoding encoding = encodingForModel.get();
            int sum = encoding.countTokens(message);
            return sum;
        } else {
            throw new RuntimeException("model not support");
        }
    }

    public static void getTokens(String modelName, String message) {
        // 根据模型名称获取编码
        Optional<Encoding> encodingForModel = encodingRegistry.getEncodingForModel(modelName);
        if(encodingForModel.isPresent()) {
            // 利用编码计算 token 的数量
            Encoding encoding = encodingForModel.get();
            List<Integer> encodeList = encoding.encode(message);
            // 输出
            for(Integer en:encodeList) {
                System.out.print(encoding.decode(Arrays.asList(en))); // 这里有可能存在乱码的情况
                System.out.print("  ");
            }
            System.out.println("");
        } else {
            throw new RuntimeException("model not support");
        }
    }

    public static void main(String[] args) {
        int tokens = tokens(Model.GPT_3_5_TURBO.getName(), "你是一个诗人，请写一首七言绝句");
        getTokens(Model.GPT_3_5_TURBO.getName(), "你是一个诗人，请写一首七言绝句");
        System.out.println("Prompt：你是一个诗人，请写一首七言绝句！ Tokens count："+ tokens);
    }
}

• 现在运行一下， 可以看到我们的结果已经成功的进行了执行
• 对于我们本次的 Prompt ，它的tokens的数量是 17