Ugrás a tartalomra
Multinook

LLM tokemszámláló – Ingyenes AI költségkalkulátor

Számolj tokeneket, karaktereket, szavakat, kontextusablak-használatot és API-költségeket a GPT-5, GPT-4.1, o3, Claude 4.6, Gemini 3.1/2.5, DeepSeek, Grok 4 és Llama 4 modellekhez a RAM-ban

Feldolgozás a helyi RAM-ban...

Következő ajánlott műveletek

Gyors munkafolyamatok
Rejtett prompt vízjelek tisztítása

Láthatatlan Unicode karakterek eltávolítása, amelyek megnövelik a BPE tokenek számát.

Indítás Láthatatlan kar. tisztító
Kulcsszó- és szósűrűség elemzése

Prompt hossz, mondatszám és 1x-3x kifejezés-gyakoriság auditálása.

Indítás Karakterszámláló
Felirat- és szkriptidőzítés érvényesítése

A CPS olvasási sebesség és a CPL sorlimitek ellenőrzése az AI által generált szkripteknél.

Indítás Felirat CPS ellenőrző
Egy pillantás alatt

Gyors összefoglaló és legfontosabb tudnivalók

Lényeges információk, teljesítménybeli képességek és adatvédelmi garanciák egy pillantásra.

Hivatalos definíció

Az LLM token számláló és AI költségkalkulátor egy olyan fejlesztői segédprogram, amely a szöveget és a forráskódot Byte-Pair Encoding (BPE) részszó-tokenekre osztja a böngésző memóriájában, hogy megbecsülje a kontextusablak-használatot és az API-következtetési költségeket a nagy nyelvi modelleken.

Áttekintés|Hitelesített ügyféloldali architektúra

LLM-tokenek számlálásához és AI API promptköltségek ingyenes online kiszámításához illeszd be a promptot vagy kódot a Multinook LLM tokenszámlálójába. Kliensoldali Byte-Pair Encoding (BPE) elemzőnk vizuális tokentömbökre bontja a szöveget a böngésző RAM-jában, és összehasonlítja a pontos tokenszámokat, a kontextusablak százalékos arányait, valamint a hivatalos API bemeneti/kimeneti árakat a GPT-5, GPT-4.1, o3, Claude 4.6, Gemini 3.1/2.5, DeepSeek V3/R1, Grok 4 és Llama 4 modellekben.

Többmodelles összehasonlítás

Egyszerre hasonlíthatod össze a tokenszámokat és az API-költségeket a GPT-4o, Claude Sonnet, Gemini Pro/Flash és DeepSeek modellek között.

Vizuális token-kiemelő

Megtekintheted a pontos, színkóddal ellátott részszó-tokenblokkokat a tokenevő JSON-, szóköz- vagy kódsztringek kiszűréséhez.

Kötegelt API-költség kalkulátor

Szimulálhatod az egyhívásos és a napi éles API-kiadásokat egyedi bemeneti és kimeneti token-csúszkákkal.

100%-ban helyi prompt-biztonság

Ellenőrizheted a bizalmas rendszerszintű promptokat és a védett forráskódokat a helyi RAM-ban, nulla felhős feltöltéssel.

LLM tokemszámláló – Ingyenes AI költségkalkulátor — Műszaki architektúra és specifikációk
Nagy teljesítményű motor

LLM tokemszámláló – Ingyenes AI költségkalkulátor

Számolj LLM-tokeneket, karaktereket és API-promptköltségeket az OpenAI GPT-5/GPT-4.1/o3, Claude 4.6, Gemini 3.1/2.5, DeepSeek, Grok 4 és Llama 4 modellekhez online, ingyen.

Valós idejű Byte-Pair Encoding (BPE) tokenbecslés és vizuális, színkóddal ellátott tokenhatár-kiemelő
Egyidejű összehasonlítás 21 hivatalos modellen: 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 és Meta Llama 4
Élő API-költségkalkulátor hivatalos 1M bemeneti és kimeneti arányokkal, várható kimeneti tokenekkel és napi kötegelt API-hívási szorzókkal
Kontextusablak-kihasználtsági mérők 128K, 164K, 200K, 400K, 500K és 1M token kontextuslimit mellett
Pontos karakter-token arány megjelenítése a teljes karakter-, szó- és részszóhatár mellett
100%-ban elszigetelt kliensoldali RAM-végrehajtás – biztonságosan ellenőrizd a saját tulajdonú rendszerpromptokat és forráskódokat 0 szerverre történő feltöltéssel
Elszigetelt adatvédelem

Abszolút nulla feltöltéses titoktartás

A fájlok feldolgozása szigorúan az eszköz RAM-ján belül történik a WebAssembly használatával. Nulla felhős feltöltés.

100% böngészőbeli RAM-feldolgozás • Nulla szerverfeltöltés
Elszigetelt adatvédelem
Lépésről lépésre követhető útmutató

Hogyan használható online: LLM tokemszámláló – Ingyenes AI költségkalkulátor

Kövesse ezt a 3 egyszerű lépést a dokumentumok közvetlen böngészőben történő feldolgozásához, telepítés nélkül.

1

Illeszd be a rendszerszintű promptot, dokumentumot vagy kódot

Illeszd be az LLM-promptot, a RAG-környezeti dokumentumot, a JSON sémát vagy a kódfájlt a munkaterületre, vagy tölts be egy minta TypeScript-promptot közvetlenül a böngésző RAM-jába.

2

Vizsgáld meg a színkóddal ellátott tokenhatárokat

Tekintsd meg a valós idejű tokenszámokat, a karakter/token arányokat és a színkóddal ellátott részszó-tokenblokkokat, amelyek bemutatják, hogy a BPE-tokenizálók hogyan osztják fel a szavakat, a számokat és a kód behúzásait.

3

Hasonlíts össze 21 hivatalos modellt és API-árat

Állítsd be a várt kimeneti tokenek számát és a napi API-hívások mennyiségét, hogy összehasonlíthasd a pontos kérésenkénti és kötegelt dollárköltségeket a GPT-5, GPT-4.1, o3, Claude 4.6, Gemini 3.1/2.5, DeepSeek, Grok 4 és Llama 4 esetében.

Adatvédelmi és teljesítménybeli benchmark

Miért múlja felül a Multinook a hagyományos felhőalapú konvertereket

Tekintse meg, hogyan teljesít a kliensoldali WebAssembly architektúra a hagyományos felhőalapú feltöltési szolgáltatásokhoz képest.

Támogatott AI modellek

Multinook
21 hivatalos API-modell
Paid Cloud Portals
Csak korábbi OpenAI modellek

Vizuális token-kiemelő

Multinook
Színkóddal ellátott BPE részszavak
Paid Cloud Portals
Csak sima számkimenet

API-költség és kötegelt mátrix

Multinook
Bemenet + Kimenet × Napi hívások
Paid Cloud Portals
Manuális számítás szükséges

Kontextusablak-mérő

Multinook
128K / 400K / 500K / 1M
Paid Cloud Portals
Nincs mellékelve

Prompt-biztonság

Multinook
100% helyi RAM (0 feltöltés)
Paid Cloud Portals
Külső API-szerverre küldve

Költség és hozzáférés

Multinook
100% örökre ingyen (nincs bejelentkezés)
Paid Cloud Portals
Fejlesztői fiókot igényel
Műszaki architektúra és specifikációk

Specifikációk és formátumkompatibilitás

Szigorúan a W3C WebAssembly és Typed Array specifikációi szerint megtervezve.

Tokenizálási motorKliensoldali BPE részszó-szegmentáló (o200k_base, Claude BPE és SentencePiece)
Támogatott ökoszisztémákOpenAI (GPT-5/4.1/o3), Anthropic (Claude 4.6/4.5), Google (Gemini 3.1/2.5), DeepSeek, Grok 4 és Llama 4
Vizuális ellenőrzőSzínkóddal ellátott részszó-tokenhatár kiemelő
KöltségmodellezésHivatalos, 1M bemeneti + kimeneti tokenre vetített árazás × napi kötegelt mennyiség
Kontextus telemetria128K, 164K, 200K, 400K, 500K és 1M tokenes kontextusablak-mérők
Adatvédelmi architektúra100%-ban elszigetelt helyi böngésző RAM (nulla szerverre történő feltöltés)
Célközönség és munkafolyamatok

Célközönség és gyakorlati felhasználási esetek

Kik profitálnak ebből a böngészőn belüli segédprogramból és mikor érdemes használni.

RAG és ügynökalapú rendszerek építészei

AI mérnökök és LLM alkalmazásfejlesztők

Prompt tokenméretek, kontextusablak-kihasználtság és napi API-következtetési költségek összehasonlítása az OpenAI, az Anthropic és a Google rendszereiben.

Rendszerszintű prompt-tervezők

Prompt mérnökök és szakírók

Vizuális token-kiemelés használata a bőbeszédű utasítások tömörítésére és a tokenigényes formázási többlet terhek megszüntetésére.

AI egységgazdaságossági tervezők

Termékmenedzserek és SaaS alapítók

Felhasználónkénti és havi LLM API számlák előrejelzése 1000 és 100 000 közötti napi kérés esetén új AI-funkciók bevezetése előtt.

Adatkészlet- és finomhangolási kurátorok

Adattudósok és kutatók

Karakter/token arányok mérése a többnyelvű korpuszokban és JSONL finomhangolási fájlokban.

Empirikus laboratóriumi tesztelés

Első kézből származó ellenőrzés és teljesítmény-benchmarkok

Modern böngészőkben és operációs rendszerekben végzett empirikus tesztelési eredmények, nulla hálózati adatátvitellel.

Google Chrome 128 (Apple M3 Max)

Fájl: 120 000 karakteres RAG-környezeti dokumentum (~30 000 token)

3,8 ms BPE részszó-szegmentálás és többmodelles költségtáblázat0 KB átvéve (100% helyi eszköz RAM)
Microsoft Edge 126 (Windows 11 x64 Intel i7)

Fájl: 15 000 karakteres TypeScript és JSON prompt

1,1 ms élő vizuális tokenhatár-megjelenítés0 KB átvéve (100% helyi eszköz RAM)
Mobil Safari (iOS 18 / iPhone 15 Pro)

Fájl: 4000 karakteres rendszerszintű prompt-sablon

0,5 ms azonnali mobil token- és költségszámítás0 KB átvéve (100% helyi eszköz RAM)
Gyakori kérdések

Gyakran Ismételt Kérdések

Mindaz, amit az adatvédelemről, biztonságról, fájlkorlátokról és a használatról tudni kell.

A nagy nyelvi modellek nem szóról szóra vagy karakterről karakterre olvassák a szöveget; ehelyett Byte-Pair Encoding (BPE) vagy SentencePiece segítségével tokeneknek nevezett részszó-darabokra osztják azt. A hagyományos angol szövegek esetében 1 token körülbelül 4 karakternek vagy 0,75 szónak felel meg. Emiatt 100 token nagyjából 75 szó, 1000 szó pedig megközelítőleg 1333 token.
A BPE-tokenizálók (`o200k_base` és `cl100k_base`) elsősorban a gyakori angol szavakra lettek betanítva, így az olyan gyakori szavak, mint az 'application', egyetlen tokenbe férnek bele. A írásjelek, a JSON-zárójelek, a többjegyű számok, a szóközös behúzások és a nem latin UTF-8 szkriptek azonban kisebb bájtszintű részszavakra bomlanak, és gyakran 1,5–3-szor több tokent fogyasztanak azonos karakternosszúság mellett.
Az AI-modell-szolgáltatók külön számláznak a bemeneti (Prompt) tokenekért és a kimeneti (Kiegészítési és következtetési) tokenekért, 1 millió tokenre (1M) vetítve. Például az OpenAI GPT-5 1,25 $/1M bemeneti és 10,00 $/1M kimeneti, a GPT-4.1 2,00 $/1M bemeneti és 8,00 $/1M kimeneti, a Claude Sonnet 4.6 3,00 $/1M bemeneti és 15,00 $/1M kimeneti, a Google Gemini 2.5 Flash pedig 0,30 $/1M bemeneti és 2,50 $/1M kimeneti árat számít fel. Kalkulátorunk minden modell hivatalos, dokumentált API-díjával szorozza meg a pontos bemeneti tokenszámot és a cél kimeneti hosszt.
A `cl100k_base` (100 000-es szókészlet-méret) a korábbi GPT-4 és GPT-3.5-Turbo modellekhez lett használva. A modern OpenAI modellek – beleértve a GPT-5, GPT-4.1, o3, o4-mini és GPT-4o modelleket – a `o200k_base` (200 000-es szókészlet-méret) tokenizálót használják, amely a nem angol szövegeket, a forráskódot és a gyakori többszavas kifejezéseket 10–25%-kal kevesebb tokenbe sűríti.
A hivatalos API-dokumentáció szerint: Az OpenAI GPT-5 / mini / nano 400 000 tokent (400K); a GPT-4.1 / mini 1 047 576 tokent (1M); az OpenAI o3 és o4-mini 200 000 tokent (200K); a Claude Opus 4.6 és Sonnet 4.6 legfeljebb 1 000 000 tokent (1M); a Google Gemini 3.1 Pro, 3 Flash és 2.5 Pro/Flash 1 000 000 tokent (1M); az xAI Grok 4 500 000 tokent (500K); a DeepSeek V3 164 000 tokent (164K); a Meta Llama 4 Maverick pedig 1 048 576 tokent (1M) támogat.
A tokenfogyasztást 20–40%-kal csökkentheted a felesleges JSON-szóközök eltávolításával (a JSON tömörítésével a promptokba való átadás előtt), a bőbeszédű XML-címkék kompakt Markdown- vagy CSV-táblázatokra cserélésével, a nem látható Unicode-karakterek eltávolításával, valamint az ismétlődő utasítások kiszűrésével.
A pontos, színkóddal ellátott tokenhatárok megtekintése feltárja, hogy az LLM-ek miért küzdenek néha karakter szintű feladatokkal (például a szavak megfordításával vagy a betűk számlálásával), és kiemeli a nem hatékony sztringeket – például az UUID-ket, a Base64 blobokat vagy a nem tömörített kódot –, amelyek észrevétlenül tucatnyi tokent égetnek el.
Soha. A Multinook 100%-ban helyben fut a böngésződ illékony RAM-jában. A rendszerszintű promptjaid, a RAG-dokumentumaid és a forráskódod soha nem hagyják el a gépedet.
Szabványok és bizonyítékok

Hiteles szabványok és műszaki hivatkozások

A motort hajtó hivatalos iparági specifikációk, webszabványok és kriptográfiai referenciák.

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

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

Alapvető kutatási dokumentum, amely bevezeti a Byte-Pair Encoding (BPE) részszó-tokenizációt a neurális nyelvi modellekhez.

Specifikáció megtekintése
WHATWG Encoding Living Standard

UTF-8 TextEncoder Web API Specification

Hivatalos webszabvány, amely szabályozza az UTF-8 bájtkfolyam-kódolást, amelyet a modern bájtszintű BPE-tokenizálók alaprétegeként használnak.

Specifikáció megtekintése

A Byte-Pair Encoding (BPE) belsejében: Hogyan bontják az LLM-ek a karaktereket részszó-tokenekre

A modern transzformátor-architektúrák – beleértve az OpenAI GPT-5 és GPT-4.1 sorozatát, az Anthropic Claude 4.6-ját, a Google Gemini 3.1-es és 2.5-ös verzióját, az xAI Grok 4-ét, a Meta Llama 4-ét, valamint a DeepSeek V3/R1-et – determinisztikus részszó-tokenizálási algoritmusokon (például Byte-Pair Encoding (BPE) és SentencePiece) keresztül dolgozzák fel a szöveget. Ahelyett, hogy minden egyes nyelv minden szavának végtelen szótárát fenntartanák, a BPE az egyes UTF-8 bájtokkal kezdődik, és iteratívan egyesíti a leggyakrabban egymás mellett lévő karakterpárt részszó-tokenekké.

Ennek eredményeként a vezető szóközzel rendelkező gyakori angol szavak, mint például a ` intelligence`, egyetlen egész tokenazonosítóként kódolódnak, míg egy ismeretlen összetett kifejezés, egy hexadecimális hash vagy egy erősen behúzott Python-blokk tucatnyi egyedi tokenre töredezik. A Multinook vizuális tokenizálója valós időben, a böngésző RAM-ján belül állítja helyre ezeket a részszó-határokat.

A kontextusablak-gazdaságosság optimalizálása a GPT-5, GPT-4.1, Claude 4.6, Gemini 3.1 és DeepSeek rendszerekben

A Production AI alkalmazásokban és a Retrieval-Augmented Generation (RAG) folyamatokban a tokenszám közvetlenül határozza meg mind a havi felhőszámlákat, mind az első token elkészüléséig (TTFT) eltelt késleltetést. Mivel az önfigyelési komplexitás a szekvencia hosszával négyzetesen skálázódik, a nem optimalizált, 50 000 tokenes dokumentumok betöltése minden egyes API-hívásba gyorsan kimeríti a kereteket.

Azáltal, hogy promptodat egyszerre hasonlítod össze a határozott zászlóshajó modellekkel (GPT-5, GPT-4.1, Claude Opus 4.6, Claude Sonnet 4.6, Gemini 3.1 Pro, Grok 4) és a nagy hatékonyságú következtetési/flash modellekkel (GPT-5 mini/nano, o4-mini, Claude Haiku 4.5, Gemini 3 Flash, Gemini 2.5 Flash-Lite, DeepSeek V3/R1, Llama 4 Maverick), a mérnöki csapatok összehasonlíthatják az 1000 hívásra vetített pontos költségeket, és optimalizálhatják a modellútválasztást.

100%-ban elszigetelt prompt-ellenőrzés vállalati AI-csapatok számára

A rendszerszintű promptok és a vállalati RAG-környezetek alapvető szellemi tulajdont képeznek. A védett prompt-sablonok vagy az ügyféladatkészletek harmadik féltől származó felhő-tokenizálókba való beillesztése kockáztatja a bizalmas üzleti logika kiszivárgását. A Multinook a teljes BPE-szegmentációt és költségmodellezést szigorúan a helyi böngészőmemóriában végzi, nulla hálózati adatátvitellel.

Ellenőrzött 100% böngészőbeli RAM-biztonság
Frissítve a 2026-os webes szabványokhoz

Kapcsolódó eszközök

Az összes kategóriaeszköz megtekintése →
COUNT
Népszerű

Karakterszámláló

Számolj karaktereket, szavakat, mondatokat, UTF-8 bájtokat, olvasási időt és 1x-3x kulcsszó-sűrűséget a böngésző RAM-jában

Fejlesztői eszközök→
X-RAY
2026-os új

Láthatatlan kar. tisztító

Érzékeld és távolítsd el a 35+ rejtett Unicode karaktert, nullaszélességű szóközt és AI vízjelet a böngésző RAM-jában

Fejlesztői eszközök→
GSM-7
2026-os új

SMS számláló

Számítsd ki a GSM-7 (160 kar.) vs. UCS-2 Unicode (70 kar.) SMS szegmenseket, szűrd ki a nem GSM karaktereket és csökkentsd az üzenetküldési költségeket

Fejlesztői eszközök→