新闻详情

新闻详情

首页 / 资讯中心 / 详情

解释 Token 的概念。为什么说 Token 数直接影响 Agent 的成本与性能?

发布时间:2026/11/16 17:48:46来源:尧图网络
解释 Token 的概念。为什么说 Token 数直接影响 Agent 的成本与性能?
Token 的概念及其对 Agent 成本与性能的影响一、什么是 TokenToken是 LLM 处理文本的最小单位可以理解为词块——它可能是完整单词、词的一部分、标点符号或空格。Token 的切分示例文本切分结果Token 数Hello worldHello/ /world3unbelievableun/believ/able3你好世界你好//世界/4中文通常 1~2 个汉字 1 TokenThe quick brown foxThe/ /quick/ /brown/ /fox7关键特点不同语言密度不同英文约 1 Token ≈ 0.75 个单词中文约 1 Token ≈ 1.5~2 个汉字。同样内容中文通常消耗更多 Token。代码 Token 密度高代码中符号多通常比自然语言消耗更多 Token。Token 是模型输入/输出的计量单位模型按 Token 读取和生成不是按词或字。二、Token 数如何影响成本1. 计费方式大模型 API 几乎都按 Token 计费分输入 Token 和输出 Token类型说明通常价格输入 TokenInput用户输入 系统提示词 上下文历史较低输出 TokenOutput模型生成的内容较高约为输入的 2~4 倍2. Agent 场景下 Token 消耗放大普通 API 调用输入(1次) 输出(1次)就结束。Agent 多步循环第1步系统提示词 用户任务 工具定义 → 模型输出动作 → 调用工具 第2步上一步全部历史 工具结果 → 模型输出动作 → 调用工具 第3步…… 第N步……每多一步全部历史都要重新作为输入发给模型。10 步的 Agent 任务累计输入 Token 可能是单轮调用的50~100 倍。3. 成本构成系统提示词每步都携带可能几千 Token工具定义每步都携带工具越多越大对话历史累积线性增长多步输出每步都有输出 Token三、Token 数如何影响性能1. 上下文窗口限制每个模型有最大上下文窗口如 8K、128K、1M Token。超出窗口长对话/长文档会被截断Agent 丢失早期信息导致忘记目标。接近窗口上限推理质量下降注意力被稀释。2. 推理延迟Token 数越多处理时间越长输入 Token 多 → 预填充prefill阶段变慢输出 Token 多 → 逐词生成时间线性增长Agent 每步都要等完整响应多步累积延迟显著3. 注意力质量Transformer 的注意力机制在长上下文下效率降低中间迷失问题——关键信息埋在长上下文中模型可能忽略。4. 成本-质量权衡Token 越多 ≠ 效果越好。冗余信息会干扰模型注意力有时精简上下文反而提升效果。四、Agent 中控制 Token 的策略策略说明精简系统提示词只保留必要规则减少每步重复消耗上下文压缩/摘要将历史对话压缩为摘要工具按需加载不把所有工具定义都放入上下文RAG 检索只检索相关片段而非塞入全文控制步数上限限制循环次数防止无限累积流式处理长文档分块处理避免一次性载入五、总结Token 是 LLM 的字数计量单位直接决定两件事成本API 按 Token 计费Agent 多步循环使 Token 消耗成倍放大性能Token 过多导致超出上下文窗口、延迟增加、注意力稀释因此 Agent 工程中Token 管理上下文管理是核心课题——既要保留足够信息保证质量又要控制规模以降低成本和延迟。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉