所以有没有一种方法，能让 AI 回答你问题的时候，效率又高，还能省钱？
聪明的网友就想到了，汉语是世界上信息密度最高的语言，甚至文言文还是浓缩中的精华。。那我们用文言文跟 AI 聊天，对话篇幅大大减少，这算力省下来了，效率不就上来了，钱也扣得慢了，简直太完美了。
但实际上，江江经过一系列尝试后，可以给大家个结论了：
省 token 乎？谬也！
要搞清这个问题，我们得先知道，AI 的算力消耗其实看的不是字数，而是 token，可以理解为 AI 处理信息的最小单位。我们说的省钱、省算力，其实就是省 token。
于是，我们用 DeepSeek V3 的 token 计算器，做了几个实验，结果嘛，非常反直觉。
比如，" 用户彻底怒了 " 是 3 个 tokens，而 " 客官震怒 " 是 4 个 tokens。
为啥会这样呢？这就得从计算机是如何存储文字的说起了。
一个汉字在经过计算机编码后，会占 3-4 个字节，常用的字占 3 字节，而那些特别生僻的字，3 字节放不下，就得占 4 个字节。而要把这些字节转化为 AI 能读懂的 token，还得靠模型内部算法，它的工作原理其实很像消消乐。
一开始，所有汉字都被拆成字节存放，此时一个字节就是一个 token。然后算法为了省算力，就会找那些相邻位置出现最频繁的字节，把它们合并成一个新的 token。
比如 " 你 "" 我 "" 他 " 这些汉字对应的字节，成天组队出现，算法就直接给他们合并了，所以这些字就只占 1 个 token。
而那些出现几率少的字，比如 " 蒹 "" 葭 "" 饕 "" 餮 "，在训练数据里寥寥无几，BPE 找不出字节内在的关联，就像小学生把不认识的字写成拼音，那就只能保存为几个零散的 token 了，于是 1 个字就会等于多个 tokens。
因此，文言文爱用的那些古典生僻字词，在 token 的交易里，反而是奢侈品，每个字对 AI 来说都很烧脑。
那既然用文言文不省 token，那我要说啥语言才能省啊？
江江的结论是，没有结论。因为，不同模型的 tokenizer，也就是 token 计算器完全不一样。我们拿同样的文本在 OpenAI 和 DeepSeek 那里都跑了一下，结果就截然不同，同一个字在 OpenAI 这边可能是 2 个 token，在 DeepSeek 那边就是 1 个。
OpenAI 的模型早期以英文语料为主，在 token 合并上，自然对英文更慷慨；DeepSeek 等国产模型吃了大量中文语料，中文的高频组合见多了，自然就合并得更充分。
当然，模型也在不断进步，各家都在扩大多语言语料的覆盖，不同语言差距已经变得越来越小，所以除非你能把每个模型的 token 表背下来，不然咱不建议为了三瓜俩枣，抛弃自己舒服的交流方式。
用你自己的大脑模拟一下，找到耗 token 最少的表达方式，主观能动性不就来了！
但讲道理，还是不如少说废话，奥特曼就曾经说过，你们整天给 AI 说谢谢，搞得我们已经多花几千万刀了，与其在形式上下功夫省 token，不如从根源杜绝那些不必要的废话。
因为如果一种语言信息密度大，那也意味着，单个 token 表达的意思很多，歧义也会变大，咱就只能靠上下文理解来消歧，说白了 token 是省了，你还得自己费脑子理解。
比如，给你三分钟，你能读懂 " 用奶牛的牛牛牛奶，奶牛会不会被牛死 " 吗？
你想花钱更快，还是肚子饿得更快，就看你自己的选择了。
撰文：不咕
编辑：江江 & 面线
美编：素描
图片、资料来源：
小红书、X、部分图源自互联网
