En LLM-tokenteller og AI-kostnadskalkulator er et utviklerverktøy som segmenterer tekst og kildekode til Byte-Pair Encoding (BPE)-tokens i nettleserminnet for å anslå bruk av kontekstvindu og API-inferenskostnader på tvers av store språkmodeller.

Oversikt|Verifisert klientbasert arkitektur

For å telle LLM-tokener og beregne kostnader for AI-API-ledetekster på nett gratis, limer du inn ledeteksten eller koden din i Multinooks LLM-tokenteller. Vår klientsidige Byte-Pair Encoding (BPE)-analysator segmenterer teksten i visuelle tokenblokker i nettleserens RAM og sammenligner nøyaktige tokenantall, kontekstvinduprosentandeler og offisiell API-pris for inndata/utdata på tvers av GPT-5, GPT-4.1, o3, Claude 4.6, Gemini 3.1/2.5, DeepSeek V3/R1, Grok 4 og Llama 4.

Multimodell-sammenligning

Sammenlign token-antall og API-kostnader på tvers av GPT-4o, Claude Sonnet, Gemini Pro/Flash og DeepSeek samtidig.

Visuell token-uthever

Se nøyaktige fargekodede underordnede token-biter for å oppdage token-tunge JSON-, mellomroms- eller kodestrenger.

Batch API-kostnadskalkulator

Simuler API-kostnader for enkeltkall og daglig produksjon med egendefinerte glidebrytere for inn- og utgangstokens.

100 % lokalt prompt-personvern

Revider konfidensielle systemprompts og proprietær kildekode i lokal RAM uten opplasting til skyen.

Høyytelsesmotor

LLM-tokenteller – Gratis AI-kostnadskalkulator

Tell LLM-tokener, tegn og API-ledetekstkostnader for OpenAI GPT-5/GPT-4.1/o3, Claude 4.6, Gemini 3.1/2.5, DeepSeek, Grok 4 og Llama 4 på nett gratis.

Sanntids Byte-Pair Encoding (BPE) tokenestimering og visuell fargekodet utheving av token-grenser

Samtidig sammenligning på tvers av 21 offisielle 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

Sanntids API-kostnadskalkulator med offisielle priser per 1M inndata og utdata, forventede utdatatokener og multiplikatorer for daglige gruppe-API-kall

Målere for bruk av kontekstvindu på tvers av 128K-, 164K-, 200K-, 400K-, 500K- og 1M-tokengrenser

Viser nøyaktig forholdstall mellom tegn og token sammen med totale tegn, ord og underordgrenser

100 % isolert klientside RAM-utførelse – trygg revisjon av egne systemledetekster og kildekode med 0 serveropplastinger

Luftgap-sikret personvern

Absolutt taushetsplikt uten opplasting

Filene dine behandles utelukkende i enhetens RAM ved hjelp av WebAssembly. Ingen opplastinger til skyen.

100% RAM-prosessering i nettleseren • Ingen serveropplastinger

Trinnvise instruksjoner

Slik bruker du på nettet: LLM-tokenteller – Gratis AI-kostnadskalkulator

Følg disse 3 enkle trinnene for å behandle dokumentene dine direkte i nettleseren uten installasjoner.

Lim inn systemprompten, dokumentet eller koden din

Lim inn LLM-prompten din, RAG-kontekstdokumentet, JSON-skjemaet eller kodefilen i arbeidsområdet, eller last inn en eksempel-TypeScript-prompt direkte i nettleserens RAM.

Undersøk fargekodede token-grenser

Se sanntids token-antall, forholdet mellom tegn og tokens, og fargekodede underordnede token-biter som viser hvordan BPE-tokenizere deler opp ord, tall og kodeinnrykk.

Sammenlign 21 offisielle modeller og API-priser

Angi forventede utdatatokens og daglig volum for API-kall for å sammenligne nøyaktige kostnader per forespørsel og i batch på tvers av GPT-5, GPT-4.1, o3, Claude 4.6, Gemini 3.1/2.5, DeepSeek, Grok 4 og Llama 4.

100 % gratis for alltid (uten innlogging)

Paid Cloud Portals

Krever utviklerkonto

Funksjonssammenligning	Multinook (RAM i nettleser)	Paid Cloud Portals
Støttede AI-modeller	21 offisielle API-modeller	Kun eldre OpenAI-modeller
Visuell token-uthever	Fargekodede BPE-subwords	Kun ren tallutgang
API-kostnad og batch-matrise	Inngang + Utgang × Daglige kall	Manuell utregning kreves
Kontekstvindumåler	128K / 400K / 500K / 1M	Ikke inkludert
Prompt-personvern	100 % lokal RAM (0 opplastinger)	Sendes til ekstern API-server
Kostnad og tilgang	100 % gratis for alltid (uten innlogging)	Krever utviklerkonto

Teknisk arkitektur og spesifikasjoner

Spesifikasjoner og formatkompatibilitet

Konstruert strengt etter W3C WebAssembly- og Typed Array-spesifikasjoner.

TokeniseringsmotorKlientspesifikk BPE-segmenterer (o200k_base, Claude BPE & SentencePiece)

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

Visuell inspektørFargekodet uthever for underordnede token-grenser

KostnadsmodelleringOffisiell pris per 1M inngangs- + utgangstokens × daglig batch-volum

Konteksttelemetri128K, 164K, 200K, 400K, 500K og 1M token kontekstvindumålere

Personvernarkitektur100 % isolert lokal nettleser-RAM (null serveropplastinger)

Målgruppe og arbeidsflyter

Målgruppe og praktiske bruksområder

Hvem som har nytte av dette nettleserverktøyet, og når det bør brukes.

Arkitekter for RAG- og agentsystemer

AI-ingeniører og LLM-applikasjonsutviklere

Benchmarking av prompt-tokenstørrelser, utnyttelse av kontekstvindu og daglige API-inferenskostnader på tvers av OpenAI, Anthropic og Google.

Designere av systemprompts

Prompt-ingeniører og tekniske skribenter

Bruke visuell token-utheving for å komprimere ordrike instruksjoner og eliminere token-tung formateringsmengde.

Planleggere for AI-enhetsøkonomi

Produktledere og SaaS-grunnleggere

Prognosere per-bruker- og månedlige LLM API-regninger på tvers av 1 000 til 100 000 daglige forespørsler før lansering av nye AI-funksjoner.

Kuratorer for datasett og finjustering

Dataanalytikere og forskere

Måle forholdet mellom tegn og tokens på tvers av flerspråklige korpus og JSONL-finjusteringsfiler.

Empirisk labtesting

Førstehåndsverifisering og ytelsesmålinger

Empiriske testresultater utført på tvers av moderne nettlesere og operativsystemer uten nettverksoverføring.

Google Chrome 128 (Apple M3 Max)

Fil: RAG-kontekstdokument på 120 000 tegn (~30 000 tokens)

3,8 ms BPE-subword-segmentering og multimodell-kostnadstabell0 KB overført (100 % lokal enhets-RAM)

Microsoft Edge 126 (Windows 11 x64 Intel i7)

Fil: TypeScript- og JSON-prompt på 15 000 tegn

1,1 ms gjengivelse av levende visuelle token-grenser0 KB overført (100 % lokal enhets-RAM)

Mobile Safari (iOS 18 / iPhone 15 Pro)

Fil: Systempromptmal på 4 000 tegn

0,5 ms umiddelbar mobiltoken- og kostnadsberegning0 KB overført (100 % lokal enhets-RAM)

Testmiljø / Enhet	Testfil og kompleksitet	Behandlingstid	Nettverksdataoverføring
Google Chrome 128 (Apple M3 Max)	RAG-kontekstdokument på 120 000 tegn (~30 000 tokens)	3,8 ms BPE-subword-segmentering og multimodell-kostnadstabell	0 KB overført (100 % lokal enhets-RAM)
Microsoft Edge 126 (Windows 11 x64 Intel i7)	TypeScript- og JSON-prompt på 15 000 tegn	1,1 ms gjengivelse av levende visuelle token-grenser	0 KB overført (100 % lokal enhets-RAM)
Mobile Safari (iOS 18 / iPhone 15 Pro)	Systempromptmal på 4 000 tegn	0,5 ms umiddelbar mobiltoken- og kostnadsberegning	0 KB overført (100 % lokal enhets-RAM)

Vanlige forespørsler

Ofte stilte spørsmål

Alt du trenger å vite om personvern, sikkerhet, filgrenser og bruk.

Store språkmodeller leser ikke tekst ord for ord eller tegn for tegn; i stedet deler de teksten inn i underordnede biter som kalles tokens ved hjelp av Byte-Pair Encoding (BPE) eller SentencePiece. For standard engelsk tekst tilsvarer 1 token omtrent 4 tegn eller 0,75 ord. Derfor er 100 tokens omtrent 75 ord, og 1 000 ord er omtrent 1 333 tokens.

BPE-tokenizere (`o200k_base` og `cl100k_base`) trenes hovedsakelig på vanlige engelske ord, slik at hyppige ord som 'application' får plass i én enkelt token. Imidlertid brytes skilletegn, JSON-klammer, flersifrede tall, mellomromsinnrykk og ikke-latinske UTF-8-skrifter ned i mindre underordnede bytenivå-elementer, noe som ofte forbruker 1,5x til 3x flere tokens for den samme tegnlengden.

AI-modellleverandører fakturerer separat for inngangstokens (prompt) og utgangstokens (fullføring og resonnering), oppgitt per 1 million tokens (1M). For eksempel fakturerer OpenAI GPT-5 $1,25 / 1M inngang og $10,00 / 1M utgang, GPT-4.1 fakturerer $2,00 / 1M inngang og $8,00 / 1M utgang, Claude Sonnet 4.6 fakturerer $3,00 / 1M inngang og $15,00 / 1M utgang, og Google Gemini 2.5 Flash fakturerer $0,30 / 1M inngang og $2,50 / 1M utgang. Kalkulatoren vår multipliserer ditt nøyaktige antall inngangstokens og målutgangslengde mot modellens offisielle, dokumenterte API-pris.

`cl100k_base` (100 000 vokabularstørrelse) ble brukt for eldre GPT-4 og GPT-3.5-Turbo. Moderne OpenAI-modeller – inkludert GPT-5, GPT-4.1, o3, o4-mini og GPT-4o – bruker `o200k_base` (200 000 vokabularstørrelse), som komprimerer tekst som ikke er engelsk, kildekode og vanlige flerspråklige uttrykk til 10 % til 25 % færre tokens.

Ifølge offisiell API-dokumentasjon: OpenAI GPT-5 / mini / nano støtter 400 000 tokens (400K); GPT-4.1 / mini støtter 1 047 576 tokens (1M); OpenAI o3 & o4-mini støtter 200 000 tokens (200K); Claude Opus 4.6 & Sonnet 4.6 støtter opptil 1 000 000 tokens (1M); Google Gemini 3.1 Pro, 3 Flash & 2.5 Pro/Flash støtter 1 000 000 tokens (1M); xAI Grok 4 støtter 500 000 tokens (500K); DeepSeek V3 støtter 164 000 tokens (164K); og Meta Llama 4 Maverick støtter 1 048 576 tokens (1M).

Du kan kutte token-forbruket med 20 % til 40 % ved å fjerne overflødige JSON-mellomrom (minifisere JSON før du sender det inn i prompts), erstatte ordrike XML-tagger med kompakte Markdown- eller CSV-tabeller, fjerne usynlige Unicode-tegn og fjerne dupliserte instruksjoner.

Å se nøyaktige fargekodede token-grenser avslører hvorfor LLM-er noen ganger sliter med tegnbaserte oppgaver (som å snu ord baklengs eller telle bokstaver), og fremhever ineffektive strenger – som UUID-er, Base64-blobs eller uminifisert kode – som i stillhet sluker dusinvis av tokens.

Aldri. Multinook kjører 100 % lokalt inne i nettleserens flyktige RAM. Systemprompts, RAG-dokumenter og kildekode forlater aldri maskinen din.

Standarder og dokumentasjon

Autoritative standarder og tekniske referanser

Offisielle bransjespesifikasjoner, nettstandarder og kryptografiske referanser som driver denne motoren.

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

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

Grunnleggende forskningsartikkel som introduserer Byte-Pair Encoding (BPE)-subword-tokenisering for nevrale språkmodeller.

Vis spesifikasjon

WHATWG Encoding Living Standard

UTF-8 TextEncoder Web API Specification

Offisiell nettstandard som regulerer UTF-8-byte-strømkoding som brukes som basislag i moderne BPE-tokenizere på bytenivå.

Vis spesifikasjon

Inne i Byte-Pair Encoding (BPE): Hvordan LLM-er segmenterer tegn til underordnede tokens

Moderne transformer-arkitekturer – inkludert OpenAIs GPT-5- og GPT-4.1-serie, Anthropics Claude 4.6, Googles Gemini 3.1 og 2.5, xAIs Grok 4, Metas Llama 4 og DeepSeek V3/R1 – behandler tekst gjennom deterministiske underordnede tokeniseringsalgoritmer som Byte-Pair Encoding (BPE) og SentencePiece. I stedet for å opprettholde en uendelig ordliste med alle ord på alle språk, starter BPE med individuelle UTF-8-byter og slår iterativt sammen de mest frekvente tilstøtende tegnparene til underordnede tokens.

Som et resultat kodes et vanlig engelsk ord med et ledende mellomrom som ` intelligence` som en enkelt heltallstoken-ID, mens et ukjent sammensatt uttrykk, en heksadesimal hash eller en sterkt innrykket Python-blokk brytes opp i dusinvis av individuelle tokens. Multinooks visuelle tokenizer gjenoppretter disse underordnede grensene i sanntid inne i nettleserens RAM.

Optimalisering av kontekstvinduets økonomi på tvers av GPT-5, GPT-4.1, Claude 4.6, Gemini 3.1 og DeepSeek

I produserende AI-applikasjoner og RAG-pipeliner (Retrieval-Augmented Generation) styrer token-antall direkte både månedlige nettskyregninger og ventetid for Time-To-First-Token (TTFT). Fordi selvoppmerksomhetskompleksitet skalerer kvadratisk med sekvenslengden, tømmer det budsjettene raskt å fylle uoptimaliserte dokumenter på 50 000 tokens inn i hvert API-kall.

Ved å sammenligne prompten din samtidig på tvers av flaggskipmodeller (GPT-5, GPT-4.1, Claude Opus 4.6, Claude Sonnet 4.6, Gemini 3.1 Pro, Grok 4) og høyeffektive resonnerings-/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 ingeniørteam benchmarke nøyaktig kostnad per 1 000 kall og velge riktig modellrutetering.

100 % skjermet prompt-revisjon for bedriftens AI-team

Systemprompts og RAG-kontekster for bedrifter representerer kjerne-immateriell eiendom. Å lime inn proprietære prompt-maler eller kundedatasett i skybaserte tokenizere fra tredjeparter utsetter en for risiko for å lekke konfidensiell forretningslogikk. Multinook utfører all BPE-segmentering og kostnadsmodellering strengt i det lokale nettleserminuttet uten overføring over nettverk.

Verifisert 100% RAM-sikkerhet i nettleser

Oppdatert for 2026-nettstandarder