บทที่ 2 · ทำไมภาษาไทยกินโทเคน หน้า 2/4 ~4 นาที

ดู AI หั่นข้อความเป็นโทเคน

ลองพิมพ์ประโยคของคุณเอง ลงในกล่อง หรือกดปุ่มตัวอย่างก็ได้ แต่ละสีคือ 1 โทเคน (token)ชิ้นข้อความเล็กๆ ที่ AI อ่านและเขียนทีละชิ้น อาจเป็นทั้งคำ ครึ่งคำ หรือตัวอักษรเดียวดูคำศัพท์ทั้งหมด ตัวนับด้านบนบอกว่ารวมกี่ชิ้น

ลองกดเทียบเป็นคู่ เช่น "สวัสดี" กับ "Hello" แล้ว "ไปกินส้มตำกัน" กับ "Let's eat som tam"

AI หั่นข้อความเป็น token ยังไง

พิมพ์อะไรก็ได้ เช่น ชื่อตัวเอง แล้วดูว่าโดนหั่นเป็นกี่ชิ้น

token
≈ 2
ตัวอักษร
6
token ต่อตัวอักษร
≈ 0.33
  1. สวั
  2. สดี

ตอนนี้แสดงแบบประมาณ (≈) — ตัวหั่นจริงจะโหลดเมื่อเลื่อนมาถึง

แต่ละโมเดลหั่นไม่เหมือนกัน ตัวเลขนี้ใช้เปรียบเทียบให้เห็นภาพ

ประโยคความหมายเดียวกัน (เรื่องวันลาพักร้อน)

  • ภาษาไทย = ≈ 30 token จาก 83 ตัวอักษร
  • ภาษาอังกฤษ = ≈ 24 token จาก 124 ตัวอักษร

ไทยใช้ token มากกว่า ข้อความเลยยาวขึ้น แพงขึ้น และเต็ม context เร็วขึ้น ตัวหั่นรุ่นเก่ามักห่างกันยิ่งกว่านี้

ตารางตัวเลขสำหรับโปรแกรมอ่านหน้าจอ: token ทีละชิ้น
ลำดับข้อความจำนวน token
1สวั1
2สดี1

สังเกตว่าคำอังกฤษที่เจอบ่อยมักเป็นชิ้นเดียวทั้งคำ ส่วนภาษาไทยมักถูกแบ่งเป็นหลายชิ้น

ประโยคสั้นมากๆ บางคู่อาจได้จำนวนใกล้กัน หรือไทยน้อยกว่าก็มี แต่ถ้าดูประโยคยาวในกล่องเปรียบเทียบด้านล่างของเครื่องมือ จะเห็นว่าไทยใช้ชิ้นมากกว่าชัดเจน

AI หั่นทุกข้อความเป็นโทเคน และข้อความไทยยาวๆ มักถูกหั่นเป็นจำนวนชิ้นมากกว่าภาษาอังกฤษที่ความหมายเท่ากัน

มังคุด มาสคอตมังคุด

มังคุด

แล้ว AI รู้ได้ยังไงครับว่าจะตัดตรงไหน?