100X SOTA

Contador de tokens de LLM - Calculadora de custos de IA gratuíta

Conta tokens, caracteres, palabras, uso da ventá de contexto e custos de API para GPT-5, GPT-4.1, o3, Claude 4.6, Gemini 3.1/2.5, DeepSeek, Grok 4 e Llama 4 na RAM

Procesando na RAM local...

Seguintes accións recomendadas

Fluxos de traballo rápidos

Limpar marcas de auga de avisos ocultas

Eliminar caracteres Unicode invisibles que inflan as contaxes de tokens BPE.

Iniciar Limpador de caracteres invisibles

Analizar a densidade de palabras e palabras clave

Auditar a lonxitude dos avisos, a contaxe de frases e a frecuencia de frases 1x-3x.

Iniciar Contador de caracteres

Validar a temporalización de subtítulos e guións

Comprobar a velocidade de lectura CPS e os límites de liña CPL para guións xerados por IA.

Iniciar Comprobador de CPS de subtítulos

Dunha ollada

Resumo rápido e claves principais

Información esencial, capacidades de rendemento e garantías de privacidade dunha ollada.

Definición oficial

Un contador de tokens de LLM e calculadora de custos de IA é unha utilidade para programadores que segmenta texto e código fonte en tokens de subpalabras de codificación de pares de bytes (BPE) na memoria do navegador para estimar o uso da xanela de contexto e os custos de inferencia da API en grandes modelos de linguaxe.

Resumo|Arquitectura do lado do cliente verificada

Para contar tokens de LLM e calcular custos de instrucións de API de IA en liña de balde, pega a túa instrución ou código no contador de tokens de LLM de Multinook. O noso analizador de codificación de pares de bytes (BPE) do lado do cliente segmenta o teu texto en bloques de tokens visuais na RAM do navegador e compara o reconto exacto de tokens, as porcentaxes da ventá de contexto e os prezos oficiais de entrada/saída da API en GPT-5, GPT-4.1, o3, Claude 4.6, Gemini 3.1/2.5, DeepSeek V3/R1, Grok 4 e Llama 4.

Comparación multimodelo

Compara recontos de tokens e custos de API en GPT-4o, Claude Sonnet, Gemini Pro/Flash e DeepSeek á vez.

Resaltador de tokens visual

Consulta fragmentos exactos de tokens de subpalabras codificados por cores para detectar JSON pesados en tokens, espazos en branco ou cadeas de código.

Calculadora de custos de API por lotes

Simula gastos de API de produción diaria e de chamada única con deslizadores personalizados de tokens de entrada e saída.

Privacidade de solicitudes 100% local

Audita solicitudes do sistema confidenciais e código fonte propietario na RAM local sen cargas á nube.

Motor de alto rendemento

Contador de tokens de LLM - Calculadora de custos de IA gratuíta

Conta tokens de LLM, caracteres e custos de instrucións de API para OpenAI GPT-5/GPT-4.1/o3, Claude 4.6, Gemini 3.1/2.5, DeepSeek, Grok 4 e Llama 4 en liña de balde.

Estimación de tokens mediante codificación de pares de bytes (BPE) en tempo real e resaltador visual de límites de tokens codificado por cores

Comparación simultánea entre 21 modelos oficiais: 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 e Meta Llama 4

Calculadora de custos de API en directo con tarifas oficiais por millón de entradas e saídas, tokens de saída esperados e multiplicadores de chamadas de API por lotes diarios

Medidores de utilización da ventá de contexto en límites de contexto de 128K, 164K, 200K, 400K, 500K e 1M de tokens

Mostra a proporción exacta de caracteres por token xunto co total de caracteres, palabras e límites de subpalabras

Execución 100% illada na RAM do lado do cliente: audita con seguridade instrucións de sistemas propietarios e código fonte con 0 subidas ao servidor

Privacidade de datos illada por aire

Confidencialidade absoluta sen subidas

Os teus ficheiros procésanse estritamente dentro da RAM do teu dispositivo usando WebAssembly. Cero subidas á nube.

Procesamento 100% en RAM no navegador • Sen subidas ao servidor

Instrucións paso a paso

Como usar en liña: Contador de tokens de LLM - Calculadora de custos de IA gratuíta

Sigue estes 3 sinxelos pasos para procesar os teus documentos directamente no teu navegador sen instalacións.

Pega a túa solicitude do sistema, documento ou código

Pega a túa solicitude de LLM, documento de contexto RAG, esquema JSON ou ficheiro de código na área de traballo, ou carga unha solicitude de mostra en TypeScript directamente na RAM do navegador.

Inspecciona os límites de tokens con códigos de cores

Consulta recontos de tokens en directo, ratios de caracteres por token e fragmentos de tokens de subpalabras con códigos de cores que mostran como os tokenizadores BPE dividen as palabras, os números e a sangría do código.

Compara 21 modelos oficiais e prezos de API

Establece os teus tokens de saída esperados e o volume diario de chamadas á API para comparar os custos exactos en dólares por solicitude e por lote en GPT-5, GPT-4.1, o3, Claude 4.6, Gemini 3.1/2.5, DeepSeek, Grok 4 e Llama 4.

100% de balde para sempre (sen inicio de sesión)

Paid Cloud Portals

Requírese conta de programador

Comparación de características	Multinook (RAM no navegador)	Paid Cloud Portals
Modelos de IA compatibles	21 modelos de API oficiais	Só modelos antigos de OpenAI
Resaltador de tokens visual	Subpalabras BPE codificadas por cores	Só saída de números simples
Matriz de custos e lotes de API	Entrada + Saída × Chamadas diarias	Requírese matemáticas manuais
Medidor de xanela de contexto	128K / 400K / 500K / 1M	Non incluído
Privacidade da solicitude	100% RAM local (0 cargas)	Enviado a un servidor de API externo
Custo e acceso	100% de balde para sempre (sen inicio de sesión)	Requírese conta de programador

Arquitectura técnica e especificacións

Especificacións e compatibilidade de formatos

Deseñado estritamente segundo as especificacións W3C WebAssembly e Typed Array.

Motor de tokenizaciónSegmentador de subpalabras BPE do lado do cliente (o200k_base, Claude BPE e SentencePiece)

Ecosistemas compatiblesOpenAI (GPT-5/4.1/o3), Anthropic (Claude 4.6/4.5), Google (Gemini 3.1/2.5), DeepSeek, Grok 4 e Llama 4

Inspector visualResaltador de límites de tokens de subpalabras codificado por cores

Modelaxe de custosPrezos oficiais de tokens de entrada + saída por 1M × Volume de lotes diario

Telemetría de contextoMedidores de xanelas de contexto de tokens de 128K, 164K, 200K, 400K, 500K e 1M

Arquitectura de privacidadeRAM do navegador local illada ao 100% (cero cargas ao servidor)

Público e fluxos de traballo

Público obxectivo e casos de uso prácticos

Quen se beneficia desta utilidade no navegador e cando aplicala.

Arquitectos de sistemas RAG e de axentes

Enxeñeiros de IA e desenvolvedores de aplicacións LLM

Avaliar tamaños de tokens de solicitudes, utilización da xanela de contexto e custos diarios de inferencia de API en OpenAI, Anthropic e Google.

Deseñadores de solicitudes do sistema

Enxeñeiros de solicitudes e redactores técnicos

Utilizar o resaltado visual de tokens para comprimir instrucións verbosas e eliminar a sobrecarga de formato pesada en tokens.

Planificadores de economía de unidades de IA

Xestores de produto e fundadores de SaaS

Prever as facturas de API de LLM mensuais e por usuario en de 1.000 a 100.000 solicitudes diarias antes de lanzar novas funcións de IA.

Curadores de conxuntos de datos e axuste fino

Científicos de datos e investigadores

Medir ratios de caracteres por token en corpus multilingües e ficheiros de axuste fino JSONL.

Probas de laboratorio empíricas

Verificación de primeira man e probas de rendemento

Resultados de probas empíricas realizadas en navegadores e sistemas operativos modernos sen transmisión de rede.

Google Chrome 128 (Apple M3 Max)

Ficheiro: Documento de contexto RAG de 120.000 caracteres (~30.000 tokens)

Segmentación de subpalabras BPE de 3,8 ms e táboa de custos multimodelo0 KB transferidos (RAM do dispositivo 100% local)

Microsoft Edge 126 (Windows 11 x64 Intel i7)

Ficheiro: Solicitude de TypeScript e JSON de 15.000 caracteres

Renderizado en directo de límites de tokens visuais de 1,1 ms0 KB transferidos (RAM do dispositivo 100% local)

Mobile Safari (iOS 18 / iPhone 15 Pro)

Ficheiro: Modelo de solicitude do sistema de 4.000 caracteres

Cálculo instantáneo de tokens e custos móbiles de 0,5 ms0 KB transferidos (RAM do dispositivo 100% local)

Entorno de proba / Dispositivo	Ficheiro de proba e complexidade	Latencia de procesamento	Transferencia de datos de rede
Google Chrome 128 (Apple M3 Max)	Documento de contexto RAG de 120.000 caracteres (~30.000 tokens)	Segmentación de subpalabras BPE de 3,8 ms e táboa de custos multimodelo	0 KB transferidos (RAM do dispositivo 100% local)
Microsoft Edge 126 (Windows 11 x64 Intel i7)	Solicitude de TypeScript e JSON de 15.000 caracteres	Renderizado en directo de límites de tokens visuais de 1,1 ms	0 KB transferidos (RAM do dispositivo 100% local)
Mobile Safari (iOS 18 / iPhone 15 Pro)	Modelo de solicitude do sistema de 4.000 caracteres	Cálculo instantáneo de tokens e custos móbiles de 0,5 ms	0 KB transferidos (RAM do dispositivo 100% local)

Consultas comúns

Preguntas frecuentes

Todo o que necesitas saber sobre privacidade, seguridade, límites de ficheiros e uso.

Os grandes modelos de linguaxe non len o texto palabra por palabra ou carácter por carácter; no seu lugar, dividen o texto en fragmentos de subpalabras chamados tokens utilizando a codificación de pares de bytes (BPE) ou SentencePiece. Para o texto en inglés estándar, 1 token equivale aproximadamente a 4 caracteres ou 0,75 palabras. Polo tanto, 100 tokens son aproximadamente 75 palabras, e 1.000 palabras son aproximadamente 1.333 tokens.

Os tokenizadores BPE (`o200k_base` e `cl100k_base`) están adestrados predominantemente en palabras comúns en inglés, o que permite que palabras frecuentes como 'application' quepan nun único token. Non obstante, os signos de puntuación, os corchetes JSON, os números de varios díxitos, a sangría de espazos en branco e os scripts UTF-8 non latinos divídense en subpalabras a nivel de byte máis pequenas, consumindo a miúdo de 1,5x a 3x máis tokens para a mesma lonxitude de caracteres.

Os provedores de modelos de IA facturan por separado os tokens de entrada (solicitude) e de saída (completado e razoamento), cotizados por cada 1 millón de tokens (1M). Por exemplo, OpenAI GPT-5 factura 1,25 $/1M de entrada e 10,00 $/1M de saída, GPT-4.1 factura 2,00 $/1M de entrada e 8,00 $/1M de saída, Claude Sonnet 4.6 factura 3,00 $/1M de entrada e 15,00 $/1M de saída, e Google Gemini 2.5 Flash factura 0,30 $/1M de entrada e 2,50 $/1M de saída. A nosa calculadora multiplica o teu reconto exacto de tokens de entrada e a lonxitude de saída obxectivo fronte á tarifa de API oficial documentada de cada modelo.

`cl100k_base` (tamaño de vocabulario de 100.000) utilizouse para os antigos GPT-4 e GPT-3.5-Turbo. Os modelos modernos de OpenAI—incluíndo GPT-5, GPT-4.1, o3, o4-mini e GPT-4o—utilizan `o200k_base` (tamaño de vocabulario de 200.000), que comprime texto non inglés, código fonte e expresións comúns de varias palabras en entre un 10% e un 25% menos de tokens.

Segundo a documentación oficial da API: OpenAI GPT-5 / mini / nano admiten 400.000 tokens (400K); GPT-4.1 / mini admiten 1.047.576 tokens (1M); OpenAI o3 e o4-mini admiten 200.000 tokens (200K); Claude Opus 4.6 e Sonnet 4.6 admiten ata 1.000.000 de tokens (1M); Google Gemini 3.1 Pro, 3 Flash e 2.5 Pro/Flash admiten 1.000.000 de tokens (1M); xAI Grok 4 admite 500.000 tokens (500K); DeepSeek V3 admite 164.000 tokens (164K); e Meta Llama 4 Maverick admite 1.048.576 tokens (1M).

Podes reducir o consumo de tokens entre un 20% e un 40% eliminando os espazos en branco redundantes de JSON (minificando o JSON antes de pasalo ás solicitudes), substituíndo etiquetas XML verbosas por táboas Markdown ou CSV compactas, eliminando caracteres Unicode invisibles e eliminando duplicados de instrucións repetidas.

Ver os límites exactos de tokens con códigos de cores revela por que os LLM ás veces teñen dificultades con tarefas a nivel de carácter (como inverter palabras ou contar letras) e destaca cadeas ineficientes —como UUIDs, blobs Base64 ou código sen minificar— que queman silenciosamente decenas de tokens.

Nunca. Multinook se executa 100% localmente dentro da RAM volátil do teu navegador. As túas solicitudes do sistema, documentos RAG e código fonte nunca abandonan a túa máquina.

Estándares e evidencias

Estándares autorizados e citacións técnicas

Especificacións oficiais da industria, estándares web e referencias criptográficas que impulsan este motor.

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

Traducción automática neuronal de palabras raras con unidades de subpalabras (BPE)

Documento de investigación fundamental que introduce a tokenización de subpalabras de codificación de pares de bytes (BPE) para modelos de linguaxe neuronal.

Ver especificacións

WHATWG Encoding Living Standard

Especificación da API web UTF-8 TextEncoder

Estándar web oficial que rexe a codificación de fluxo de bytes UTF-8 utilizada como capa base dos tokenizadores BPE modernos a nivel de byte.

Ver especificacións

Dentro da codificación de pares de bytes (BPE): como os LLM segmentan os caracteres en tokens de subpalabras

As arquitecturas de transformadores modernas —incluíndo a serie GPT-5 e GPT-4.1 de OpenAI, Claude 4.6 de Anthropic, Gemini 3.1 e 2.5 de Google, Grok 4 de xAI, Llama 4 de Meta e DeepSeek V3/R1— procesan o texto mediante algoritmos deterministas de tokenización de subpalabras como a codificación de pares de bytes (BPE) e SentencePiece. En lugar de manter un dicionario infinito de cada palabra en cada idioma, BPE comeza con bytes UTF-8 individuais e fusiona de forma iterativa os pares de caracteres adyacentes máis frecuentes en tokens de subpalabras.

Como resultado, unha palabra común en inglés cun espazo inicial como ` intelligence` codifícase como un único ID de token enteiro, mentres que un termo composto descoñecido, un hash hexadecimal ou un bloque de Python moi sangrado fractúrase en ducias de tokens individuais. O tokenizador visual de Multinook reconstrúe estes límites de subpalabras en tempo real dentro da RAM do navegador.

Optimización da economía das xanelas de contexto en GPT-5, GPT-4.1, Claude 4.6, Gemini 3.1 e DeepSeek

Nas aplicacións de IA de produción e nas canalizacións de Xeración Aumentada por Recuperación (RAG), o reconto de tokens rexe directamente tanto as facturas mensuais na nube como a latencia do tempo ata o primeiro token (TTFT). Debido a que a complexidade da autoatención escala cuadráticamente coa lonxitude da secuencia, encher cada chamada á API con documentos de 50.000 tokens non optimizados esgota rapidamente os orzamentos.

Ao comparar a túa solicitude simultaneamente entre os principais modelos insignia (GPT-5, GPT-4.1, Claude Opus 4.6, Claude Sonnet 4.6, Gemini 3.1 Pro, Grok 4) e modelos de razoamento/flash de alta eficiencia (GPT-5 mini/nano, o4-mini, Claude Haiku 4.5, Gemini 3 Flash, Gemini 2.5 Flash-Lite, DeepSeek V3/R1, Llama 4 Maverick), os equipos de enxeñaría poden avaliar o custo exacto por 1.000 chamadas e axustar o tamaño do seu enrutamento de modelos.

Auditoría de solicitudes illada ao 100% para equipos de IA empresariais

As solicitudes do sistema e os contextos RAG empresariais representan a propiedade intelectual fundamental. Pegar modelos de solicitudes propietarios ou conxuntos de datos de clientes en tokenizadores de nube de terceiros corre o risco de filtrar lóxica empresarial confidencial. Multinook realiza toda a segmentación BPE e a modelaxe de custos estritamente dentro da memoria local do navegador sen ningunha transmisión de rede.

Seguridade en RAM no navegador 100% verificada

Actualizado para os estándares web de 2026