100X SOTA

LLM Token Tæller - Gratis AI-omkostningsberegner

Tæl tokens, tegn, ord, kontekstvinduesforbrug og API-omkostninger for GPT-5, GPT-4.1, o3, Claude 4.6, Gemini 3.1/2.5, DeepSeek, Grok 4 & Llama 4 i RAM

Behandler i lokal RAM...

Næste anbefalede handlinger

Hurtige arbejdsgange

Rens skjulte prompt-vandmærker

Fjern usynlige Unicode-tegn, der opsvulmer BPE-tokenantal.

Start Usynlig tegn-renser

Analyser søgeords- & ordtæthed

Revider promptlængde, sætningsantal og 1x-3x sætningshyppighed.

Start Tegneller

Valider undertekst- & manuskripttiming

Kontroller CPS-læsehastighed og CPL-linjegrænser for AI-genererede manuskripter.

Start Undertekst CPS Tjekker

I et overblik

Hurtigt resumé og vigtigste konklusioner

Væsentlige indsigter, ydeevne og privatlivssikkerhed i et overblik.

Officiel definition

En LLM Token Counter og AI Cost Calculator er et udviklerværktøj, der opdeler tekst og kildekode i Byte-Pair Encoding (BPE)-subword-tokens i browserens hukommelse for at estimere brugen af kontekstvinduer og API-omkostninger på tværs af store sprogmodeller.

Oversigt|Verificeret klientbaseret arkitektur

For at tælle LLM-tokens og beregne AI API-promptomkostninger online gratis, skal du indsætte din prompt eller kode i Multinooks LLM Token Tæller. Vores klientsidede Byte-Pair Encoding (BPE)-analysator opdeler din tekst i visuelle token-blokke i browserens RAM og sammenligner nøjagtige token-antal, kontekstvinduesprocenter og officielle API-input/output-priser på tværs af GPT-5, GPT-4.1, o3, Claude 4.6, Gemini 3.1/2.5, DeepSeek V3/R1, Grok 4 og Llama 4.

Multimodel-sammenligning

Sammenlign token-antal og API-omkostninger på tværs af GPT-4o, Claude Sonnet, Gemini Pro/Flash og DeepSeek på én gang.

Visuel token-fremhæver

Se nøjagtige, farvekodede subword-token-klumper for at finde token-tunge JSON-, whitespace- eller kodestrenger.

Batch API-omkostningsberegner

Simuler enkeltkald og daglige produktions-API-udgifter med tilpassede input- og output-token-skyere.

100% lokalt prompt-privatliv

Revider fortrolige systemprompts og proprietær kildekode i lokal RAM uden skyuploads.

Højtydende motor

LLM Token Tæller - Gratis AI-omkostningsberegner

Tæl LLM-tokens, tegn og API-promptomkostninger for OpenAI GPT-5/GPT-4.1/o3, Claude 4.6, Gemini 3.1/2.5, DeepSeek, Grok 4 og Llama 4 online gratis.

Realtids Byte-Pair Encoding (BPE) token-estimering & visuel farvekodet token-grænsefremhæver

Samtidig sammenligning på tværs af 21 officielle modeller: OpenAI (GPT-5, GPT-4.1, o3, o4-mini, GPT-4o), Anthropic (Claude Opus 4.6, Sonnet 4.6, Haiku 4.5, 3.7 Sonnet), Google (Gemini 3.1 Pro, 3 Flash, 2.5 Pro/Flash), DeepSeek V3/R1, xAI Grok 4 og Meta Llama 4

Live API-omkostningsberegner med officielle priser pr. 1 mio. input- og output-tokens, forventede output-tokens og multiplikatorer for daglige batch API-kald

Kontekstvinduesudnyttelsesmålere på tværs af 128K, 164K, 200K, 400K, 500K og 1M token-kontekstgrænser

Viser det nøjagtige tegn-til-token-forhold sammen med det samlede antal tegn, ord og underordsgrænser

100% isoleret (air-gapped) klientside RAM-udførelse — revider sikkert proprietære systemprompter og kildekode med 0 server-uploads

Luftgabssikret databeskyttelse

Absolut fortrolighed uden uploads

Dine filer behandles udelukkende i enhedens RAM ved hjælp af WebAssembly. Nul cloud-uploads.

100% in-browser RAM-behandling • Nul serveruploads

Trinvis vejledning

Sådan bruges online: LLM Token Tæller - Gratis AI-omkostningsberegner

Følg disse 3 enkle trin for at behandle dine dokumenter direkte i din browser uden installationer.

Indsæt din systemprompt, dit dokument eller din kode

Indsæt din LLM-prompt, RAG-kontekstdokument, JSON-skema eller kodefil i arbejdsområdet, eller indlæs en eksempel-TypeScript-prompt direkte i browserens RAM.

Undersøg farvekodede token-grænser

Se token-antal i realtid, tegn-til-token-forhold og farvekodede underordnede token-klumper (subwords), der viser, hvordan BPE-tokenizere opdeler ord, tal og kodeindrykningsmellemrum.

Sammenlign 21 officielle modeller og API-priser

Indstil dine forventede output-tokens og daglige API-kaldsvolumen for at sammenligne nøjagtige priser pr. forespørgsel og i batch på tværs af GPT-5, GPT-4.1, o3, Claude 4.6, Gemini 3.1/2.5, DeepSeek, Grok 4 og Llama 4.

100% gratis for evigt (ingen login)

Paid Cloud Portals

Kræver udviklerkonto

Funktionssammenligning	Multinook (in-browser RAM)	Paid Cloud Portals
Understøttede AI-modeller	21 officielle API-modeller	Kun ældre OpenAI-modeller
Visuell token-fremhæver	Farvekodede BPE-subwords	Kun almindeligt antal tal
API-omkostnings- og batch-matrice	Input + Output × Daglige kald	Manuel udregning påkrævet
Kontekstvinduets måler	128K / 400K / 500K / 1M	Ikke inkluderet
Prompt-privatliv	100% lokal RAM (0 uploads)	Sendes til ekstern API-server
Pris og adgang	100% gratis for evigt (ingen login)	Kræver udviklerkonto

Teknisk arkitektur og specifikationer

Specifikationer og formatkompatibilitet

Udviklet strengt efter W3C WebAssembly- og Typed Array-specifikationer.

TokeniseringsmotorKlientbaseret BPE Subword Segmenter (o200k_base, Claude BPE & SentencePiece)

Understøttede økosystemerOpenAI (GPT-5/4.1/o3), Anthropic (Claude 4.6/4.5), Google (Gemini 3.1/2.5), DeepSeek, Grok 4 & Llama 4

Visuel inspektørFarvekodet fremhæver af subword-token-grænser

OmkostningsmodelleringOfficiel pris pr. 1M input + output tokens × daglig batch-volumen

Kontekst-telemetri128K, 164K, 200K, 400K, 500K & 1M token-kontekstvinduesmålere

Arkitektur for privatliv100% isoleret lokal browser-RAM (nul serveruploads)

Målgruppe og arbejdsprocesser

Målgruppe og praktiske anvendelsesscenarier

Hvem der drager fordel af dette browser-baserede værktøj, og hvornår det skal anvendes.

RAG- og agent-systemarkitekter

AI-ingeniører og LLM-applikationsudviklere

Benchmarking af prompt-tokenstørrelser, udnyttelse af kontekstvinduer og daglige API-omkostninger på tværs af OpenAI, Anthropic og Google.

Designere af systemprompts

Prompt Engineers og tekniske skribenter

Brug af visuel token-fremhævelse til at komprimere ordrige instruktioner og fjerne token-tung formaterings-overhead.

Planlæggere af AI-enhedsøkonomi

Produktchefer og SaaS-grundlæggere

Prognosticering af priser pr. bruger og månedlige LLM API-regninger på tværs af 1.000 til 100.000 daglige forespørgsler, før nye AI-funktioner lanceres.

Kuratorer af datasæt og finjustering

Dataforskere og forskere

Måling af tegn-til-token-forhold på tværs af flersprogede korpusser og JSONL-finjusteringsfiler.

Empirisk lab-test

Førstehåndsverificering og ydelsesmålinger

Empiriske testresultater udført på tværs af moderne browsere og operativsystemer med nul netværkstransmission.

Google Chrome 128 (Apple M3 Max)

Fil: 120.000-tegns RAG-kontekstdokument (~30.000 tokens)

3,8 ms BPE subword-segmentering & multimodel-omkostningstabel0 KB overført (100% lokal enheds-RAM)

Microsoft Edge 126 (Windows 11 x64 Intel i7)

Fil: 15.000-tegns TypeScript- & JSON-prompt

1,1 ms gengivelse af visuelle token-grænser i realtid0 KB overført (100% lokal enheds-RAM)

Mobile Safari (iOS 18 / iPhone 15 Pro)

Fil: 4.000-tegns systemprompt-skabelon

0,5 ms øjeblikkelig mobil token- og omkostningsberegning0 KB overført (100% lokal enheds-RAM)

Testmiljø / Enhed	Testfil & kompleksitet	Behandlingsforsinkelse	Netværksdataoverførsel
Google Chrome 128 (Apple M3 Max)	120.000-tegns RAG-kontekstdokument (~30.000 tokens)	3,8 ms BPE subword-segmentering & multimodel-omkostningstabel	0 KB overført (100% lokal enheds-RAM)
Microsoft Edge 126 (Windows 11 x64 Intel i7)	15.000-tegns TypeScript- & JSON-prompt	1,1 ms gengivelse af visuelle token-grænser i realtid	0 KB overført (100% lokal enheds-RAM)
Mobile Safari (iOS 18 / iPhone 15 Pro)	4.000-tegns systemprompt-skabelon	0,5 ms øjeblikkelig mobil token- og omkostningsberegning	0 KB overført (100% lokal enheds-RAM)

Almindelige forespørgsler

Ofte stillede spørgsmål

Alt du behøver at vide om privatliv, sikkerhed, filgrænser og brug.

Store sprogmodeller (Large Language Models) læser ikke tekst ord for ord eller tegn for tegn; i stedet opdeler de tekst i mindre stumper kaldet tokens ved hjælp af Byte-Pair Encoding (BPE) eller SentencePiece. For standard engelsk tekst svarer 1 token til ca. 4 tegn eller 0,75 ord. Derfor svarer 100 tokens til ca. 75 ord, og 1.000 ord svarer til ca. 1.333 tokens.

BPE-tokenizere (`o200k_base` og `cl100k_base`) er primært trænede på almindelige engelske ord, hvilket gør det muligt for hyppige ord som 'application' at passe ind i et enkelt token. Tegnsætningstegn, JSON-klammer, flersifrede tal, mellemrumsindrykninger og ikke-latinske UTF-8-skrifttyper brydes dog ned i mindre byteniveau-subwords, hvilket ofte forbruger 1,5x til 3x flere tokens for den samme tegnlængde.

AI-modeludbydere fakturerer separat for Input (Prompt)-tokens og Output (Completion & Reasoning)-tokens, angivet pr. 1 million tokens (1M). For eksempel koster OpenAI GPT-5 $1,25/1M input og $10,00/1M output, GPT-4.1 koster $2,00/1M input og $8,00/1M output, Claude Sonnet 4.6 koster $3,00/1M input og $15,00/1M output, og Google Gemini 2.5 Flash koster $0,30/1M input og $2,50/1M output. Vores lommeregner multiplicerer din nøjagtige mængde input-tokens og målets outputlængde med hver models officielle, dokumenterede API-pris.

`cl100k_base` (ordforrådsstørrelse på 100.000) blev brugt til ældre GPT-4 og GPT-3.5-Turbo. Moderne OpenAI-modeller – herunder GPT-5, GPT-4.1, o3, o4-mini og GPT-4o – bruger `o200k_base` (ordforrådsstørrelse på 200.000), som komprimerer ikke-engelsk tekst, kildekode og almindelige flersprogede udtryk til 10% til 25% færre tokens.

Ifølge den officielle API-dokumentation: OpenAI GPT-5 / mini / nano understøtter 400.000 tokens (400K); GPT-4.1 / mini understøtter 1.047.576 tokens (1M); OpenAI o3 & o4-mini understøtter 200.000 tokens (200K); Claude Opus 4.6 & Sonnet 4.6 understøtter op til 1.000.000 tokens (1M); Google Gemini 3.1 Pro, 3 Flash & 2.5 Pro/Flash understøtter 1.000.000 tokens (1M); xAI Grok 4 understøtter 500.000 tokens (500K); DeepSeek V3 understøtter 164.000 tokens (164K); og Meta Llama 4 Maverick understøtter 1.048.576 tokens (1M).

Du kan skære token-forbruget ned med 20% til 40% ved at fjerne overflødig JSON-whitespace (minificering af JSON, før det sendes ind i prompts), udskifte uddybende XML-tags med kompakte Markdown- eller CSV-tabeller, fjerne usynlige Unicode-tegn og undgå at gentage enslydende instruktioner.

At se de nøjagtige, farvekodede token-grænser afslører, hvorfor LLM'er nogle gange kæmper med opgaver på teganniveau (såsom at vende ord om eller tælle bogstaver), og fremhæver ineffektive strenge – såsom UUID'er, Base64-blobs eller ikke-minificeret kode – der i det skjulte opbruger dusinvis af tokens.

Aldrig. Multinook kører 100% lokalt i din browsers flygtige RAM. Dine systemprompts, RAG-dokumenter og din kildekode forlader aldrig din maskine.

Standarder og dokumentation

Autoritative standarder og tekniske henvisninger

Officielle industrispecifikationer, webstandarder og kryptografiske referencer, der driver denne motor.

Association for Computational Linguistics (ACL / Sennrich et al.)

Neural Machine Translation of Rare Words with Subword Units (BPE)

Fundamentalt forskningspapir, der introducerer Byte-Pair Encoding (BPE) subword-tokenisering til neurale sprogmodeller.

Se specifikationer

WHATWG Encoding Living Standard

UTF-8 TextEncoder Web API Specification

Officiel webstandard, der regulerer UTF-8-bytestrømsindkodning, som bruges som basislag i moderne byteniveau-BPE-tokenizere.

Se specifikationer

Inden i Byte-Pair Encoding (BPE): Hvordan LLM'er opdeler tegn i underordnede token-stumper (subwords)

Moderne transformer-arkitekturer – herunder OpenAIs GPT-5- og GPT-4.1-serier, Anthropics Claude 4.6, Googles Gemini 3.1 og 2.5, xAI's Grok 4, Metas Llama 4 og DeepSeek V3/R1 – behandler tekst gennem deterministiske subword-tokeniseringsalgoritmer såsom Byte-Pair Encoding (BPE) og SentencePiece. I stedet for at opretholde en uendelig ordbog over hvert eneste ord på alle sprog, starter BPE med individuelle UTF-8-bytes og fletter iterativt de hyppigste tilstødende tegnpar til subword-tokens.

Som et resultat heraf indkodes et almindeligt engelsk ord med et foranstillet mellemrum som ` intelligence` som et enkelt heltals-token-id, hvorimod et ukendt sammensat udtryk, et hexadecimalt hash eller en stærkt indrykket Python-blok opdeles i dusinvis af individuelle tokens. Multinooks visuelle tokenizer genskaber disse subword-grænser i realtid inde i din browsers RAM.

Optimering af økonomien i kontekstvinduer på tværs af GPT-5, GPT-4.1, Claude 4.6, Gemini 3.1 og DeepSeek

I produktions-AI-applikationer og RAG-pipelines (Retrieval-Augmented Generation) styrer token-antallet direkte både månedlige skyregninger og latenstiden for Time-To-First-Token (TTFT). Fordi self-attention-kompleksiteten skalerer kvadratisk med sekvenslængden, vil det at fylde uoptimerede dokumenter på 50.000 tokens i hvert API-kald hurtigt opbruge budgetterne.

Ved at sammenligne din prompt samtidigt på tværs af de førende flagskibsmodeller (GPT-5, GPT-4.1, Claude Opus 4.6, Claude Sonnet 4.6, Gemini 3.1 Pro, Grok 4) og højeffektive ræsonnerings-/flash-modeller (GPT-5 mini/nano, o4-mini, Claude Haiku 4.5, Gemini 3 Flash, Gemini 2.5 Flash-Lite, DeepSeek V3/R1, Llama 4 Maverick), kan engineering-teams benchmarke de nøjagtige omkostninger pr. 1.000 kald og tilpasse deres modelrouting.

100% isoleret (air-gapped) prompt-auditing for enterprise AI-teams

Systemprompts og virksomheders RAG-kontekster repræsenterer central intellektuel ejendom. Indsættelse af proprietære prompt-skabeloner eller kundedatasæt i tredjepartsskybaserede tokenizere risikerer at lække fortrolig forretningslogikk. Multinook udfører al BPE-segmentering og omkostningsmodellering udelukkende i lokal browserhukommelse uden nogen netværksoverførsel.

Verificeret 100% in-browser RAM-sikkerhed

Opdateret til webstandarder for 2026