Tokenisation
La tokenisation est l'étape qui consiste à découper le texte en morceaux plus petits appelés jetons, les unités qu'un modèle de langage lit et prédit réellement.
Aperçu
It quietly shapes cost, context limits, and even how well a model handles spelling and rare words.
Plongée profonde
Avant qu'un modèle ne voie votre texte, un tokeniseur le divise en jetons, qui sont généralement des morceaux de sous-mots plutôt que des mots entiers ou des lettres simples. Le mot « malheur » pourrait devenir « un », « bonheur », ou « tokenisation » pourrait se diviser en « jeton » et « isation ». Les mots courants correspondent souvent à un seul jeton, tandis que les mots, noms ou codes rares sont divisés en plusieurs. Chaque jeton est ensuite mappé à un numéro d'identification que le modèle convertit en vecteur. Cela est important pratiquement parce que les modèles ont des fenêtres de contexte fixes mesurées en jetons et les API facturent par jeton, donc une règle générale en anglais est d'environ 4 caractères ou 0,75 mots par jeton. La tokenisation explique également les bizarreries classiques du modèle : compter les lettres ou épeler exactement est difficile car le modèle voit des morceaux, pas des caractères individuels.
Aperçu technique
La plupart des LLM modernes utilisent la tokenisation de sous-mots telle que le Byte Pair Encoding (BPE) ou ses variantes au niveau de l'octet. BPE part de caractères et fusionne à plusieurs reprises les paires adjacentes les plus fréquentes pour créer un vocabulaire fixe (souvent de 30 000 à 100 000+ jetons). Cela équilibre deux extrêmes : la tokenisation au niveau des mots ne peut pas gérer les mots invisibles, tandis que la tokenisation au niveau des caractères rend les séquences très longues. Les sous-mots permettent au modèle de représenter n'importe quelle chaîne, y compris les fautes de frappe et les nouveaux mots, en composant des morceaux connus, tout en gardant des séquences raisonnablement courtes.
Impact stratégique
Décisions plus claires
Il vous aide à séparer les affirmations techniques claires du langage marketing.
Coût et budget
Vous pouvez poser de meilleures questions de mise en œuvre avant de dépenser de l'argent ou du temps.
Équipe et flux de travail
Les équipes partageant une compréhension commune prennent de meilleures décisions en matière de produits, de politiques et d’apprentissage.
L'avenir de la tokenisation
La tokenisation est un domaine de recherche actif précisément parce qu’elle limite l’efficacité et l’équité. Les langues qui se divisent en plusieurs morceaux coûtent plus cher et utilisent le contexte plus rapidement. L'équité multilingue est donc une véritable préoccupation qui est résolue par des vocabulaires meilleurs et plus équilibrés. Les chercheurs explorent également des modèles sans jeton ou au niveau octet (comme ByT5) et une tokenisation apprise qui pourraient supprimer complètement l'étape fragile réglée à la main. Pour l’instant, attendez-vous à des vocabulaires plus étendus, à des tokeniseurs multilingues plus intelligents et à une sensibilisation croissante des utilisateurs à la tarification basée sur les jetons et à la budgétisation contextuelle.
Mise en œuvre dans le monde réel
La tarification de l'API pour les modèles tels que GPT et Claude est facturée par jeton d'entrée et de sortie, le nombre de jetons affecte donc directement le coût.
Les limites de la fenêtre contextuelle (par exemple, 128 000 ou 200 000 jetons) sont mesurées en jetons, limitant la quantité de texte ou de code que vous pouvez inclure.
Les développeurs utilisent des tokeniseurs (tels que tiktoken) pour estimer la taille des invites et réduire le contenu avant d'envoyer des requêtes.
La tokenisation explique pourquoi les modèles ont du mal à compter les lettres d'un mot ou à inverser une chaîne, car ils voient des morceaux de sous-mots, pas des caractères.
Risques et garde-fous
Différentes équipes peuvent utiliser le même terme différemment, alors définissez la portée dès le début.
Les benchmarks peuvent paraître solides alors que les performances réelles sont inégales.
Ignorer la qualité des données et les plans d’évaluation crée souvent des résultats fragiles.
Feuille de route de mise en œuvre
Commencez par une définition en langage simple du résultat dont vous avez besoin.
Choisissez une mesure de réussite et une condition d’échec avant de tester.
Exécutez un petit pilote avec des données représentatives, pas un ensemble de démonstration raffiné.
Documentez où la tokenisation est utile et où les méthodes plus simples sont meilleures.
Continuez à explorer
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Tokenization quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Guide suivant
Tokenisation de SentencePièce
Questions fréquemment posées
What is Tokenization?
La tokenisation est l'étape qui consiste à découper le texte en morceaux plus petits appelés jetons, les unités qu'un modèle de langage lit et prédit réellement. Il détermine discrètement le coût, les limites du contexte et même la manière dont un modèle gère l'orthographe et les mots rares.
Qu'est-ce qu'un « jeton » dans le contexte d'un modèle de langage ?
Les jetons sont les unités qu'un modèle traite, généralement des morceaux de sous-mots, parfois des mots entiers ou des caractères uniques.
Quelle approche de tokenisation la plupart des LLM modernes utilisent-ils ?
Les méthodes de sous-mots telles que BPE fusionnent des paires de caractères fréquentes, équilibrant ainsi les faiblesses des approches pures au niveau des mots et des caractères.
Pourquoi la tokenisation rend-elle difficile pour les LLM des tâches telles que compter les lettres d'un mot ?
Étant donné que le texte est regroupé en jetons de sous-mots, le modèle ne perçoit pas directement chaque caractère, ce qui rend les tâches au niveau des lettres sujettes aux erreurs.
Pourquoi la tokenisation est-elle importante pour le coût de l'API et les limites de contexte ?
La facture des fournisseurs par jeton et les fenêtres contextuelles sont dimensionnées en jetons, de sorte que le nombre de jetons détermine à la fois le prix et la quantité que vous pouvez inclure.
Pourquoi la même phrase peut-elle coûter plus de jetons dans certaines langues qu’en anglais ?
Les vocabulaires formés principalement en anglais divisent les autres langues en davantage de jetons, augmentant ainsi les coûts et consommant le contexte plus rapidement.