token是什么？为什么大模型会有上下文长度限制

一、Token的定义

Token 是大语言模型（LLM）处理文本时的最小单位。

模型不会直接识别汉字、英文字母，它处理文本有自己的最小颗粒度，这个颗粒就叫 Token。所有的语义理解、内容生成都建立在 Token 的基础上，不会拆得比 Token 更小。

你可以把它理解为模型 "阅读" 文本时的 "碎片"—— 但这些碎片不一定对应我们日常理解的字或词。

二、Token 核心三点

2.1 分词过程

当你输入一句话时，模型会通过一个叫做 Tokenizer（分词器） 的组件，将文本切分成一个个 token。

• Tokenizer（分词器） ：是大模型自带的一个前置工具，相当于 “文本切割器”。它有一套固定的分词规则（由训练阶段的词表决定），输入原始文本，输出切好的 Token 序列，是模型处理文本的第一步。

• 没有分词器，模型就看不懂原始的文字字符串，必须先转成它认识的 Token 格式。

比如「我喜欢猫」可能被切成 ["我", "喜欢", "猫"] 三个 token；而英文单词如 "unbelievable" 可能被拆成 ["un", "believ", "able"] 三个 token。

这是中英文分词的典型例子，背后是行业通用的 “子词分词” 思路：

• 中文：“喜欢” 是高频常用词，分词器会把它保留为一个 Token，减少序列长度；如果是非常生僻的词，才会拆成单字。
• 英文：unbelievable 拆成前缀un-、词根believ、后缀-able，是因为英语单词总量太多，如果每个整词都做一个 Token，词表会爆炸。拆成语义子单元后，既可以覆盖几乎所有英文单词，又能控制词表大小，还能让模型理解词根词缀的规律。

2.2 向量化

模型会将每个 token 转换成一个高维向量（embedding），所有的计算（注意力机制、前馈网络等）都是在这些向量上进行的。

这句话讲的是 Token 的 “数字化” 过程：

• 高维向量（embedding，也叫嵌入 / 词向量） ：计算机只能处理数字，不能直接处理文字。每个 Token 都会被转换成一串有几千个数字的数组（高维向量），这串数字里编码了这个 Token 的语义、语法、情感等所有信息。
  • 语义相近的词，向量距离就近，比如 “猫” 和 “狗” 的向量相似度很高，“猫” 和 “桌子” 的相似度就很低。
• 注意力机制、前馈网络：是 Transformer 架构里的两个核心计算模块。模型理解语义、推理逻辑的全部运算，都是在这些向量上做数学计算完成的，不会直接操作文字本身。

2.3 计费单位

这也是大模型 API 按 token 数量收费的原因——输入和输出的 token 总数直接决定了计算量。

解释了大模型按 Token 计费的底层逻辑：

• 每一个 Token 都要走一遍完整的向量计算流程，Token 总数越多，GPU 要做的运算就越多，硬件成本就越高。
• 计费时会同时算输入 Token（你发给模型的文字）和输出 Token（模型生成给你的回复），两者加起来就是总消耗。

三、上下文长度限制

上下文长度限制即模型一次能处理的 token 数量上限，如 4K、128K、200K，存在的原因主要有以下几点：

先解释基础概念：

• 上下文长度：也叫上下文窗口，指模型单次能 “记住并处理” 的 Token 总数量上限，包含你之前的对话历史、当前提问、模型即将生成的回复。超出这个上限的内容，模型就 “看不到、记不住” 了。
• 这里的 K 是计算机单位，1K = 1024，比如 4K 就是 4096 个 Token，128K 就是 131072 个 Token。

3.1 注意力机制的 "平方灾难"

Transformer 的核心是自注意力（Self-Attention），其计算复杂度与序列长度呈二次方关系（O(n²)）。如果上下文从 4K 扩展到 128K，计算量不是增加 32 倍，而是增加约 1000 倍。这直接导致推理速度急剧下降、显存爆炸。

这里先补充两个核心术语：

1. Transformer：2017 年谷歌团队提出的深度学习架构，是当前几乎所有主流大语言模型的底层基础。它最大的创新就是自注意力机制，让模型能同时捕捉文本里任意两个词的关联，并行计算效率远高于之前的模型。
2. 自注意力（Self-Attention） ：模型理解语义的核心能力 —— 处理每个 Token 时，都会去计算它和序列里所有其他 Token的关联程度（比如代词指代哪个名词、因果关系对应哪个内容），从而理解整句话的逻辑。

如果上下文从 4K 扩展到 128K，计算量不是增加 32 倍，而是增加约 1000 倍，这直接导致推理速度急剧下降、显存爆炸。

• 推理：就是模型接收输入、生成输出的过程（我们日常和 AI 对话就是推理过程）。计算量暴涨后，GPU 算不过来，生成回复的速度就会大幅变慢。
• 显存爆炸：计算过程中产生的大量中间数据，会超出 GPU 显存的容量，导致程序直接报错、无法运行，俗称 “显存炸了”。

3.2 显存（GPU Memory）的物理限制

注意力机制需要存储一个 "注意力矩阵"（Attention Matrix），记录序列中每个 token 与其他所有 token 的关系。序列越长，这个矩阵占用的显存越大。

• 注意力矩阵：是一个 n 行 ×n 列 的表格（n 是 Token 数量），每个格子里存的是 “第 i 个 Token 和第 j 个 Token 的关联程度（注意力权重）”。

• 自注意力计算时，必须先把这个矩阵存在显存里，才能进行后续运算，它是长文本最占显存的部分之一。

128K 长度的注意力矩阵需要占用数十 GB 的显存，这对硬件是巨大挑战。

可以做个简单估算：

• 128K = 131072 个 Token，矩阵大小是 131072 × 131072 ≈ 170 亿个数值
• 每个数值用常用的半精度格式存储，约占 2 字节，仅这个矩阵就需要约 32GB 显存
• 再加上模型本身的参数、其他中间计算数据，总显存需求会非常高，普通消费级 GPU 根本装不下，这是硬件层面的物理瓶颈。

3.3 长距离依赖的衰减

即使技术上能处理长文本，模型在长序列中的注意力分数会变得非常稀疏和稀释，导致模型 "看不清楚" 远距离的信息关联。

• 注意力分数：一个 Token 对其他所有 Token 的 “关注度” 总和是固定的（总和为 1）。序列越长，每个 Token 能分到的关注度就越少，就像一杯水倒进越来越大的池子里，浓度会越来越低。

• 最终结果：相隔很远的两个 Token，关联权重会变得极低，模型相当于 “没注意到” 两者的关系，长文本的逻辑推理效果就会下降。

3.4 训练难度与成本

训练超长上下文模型需要更长的训练时间、更大的显存，且长序列的梯度传播更不稳定。

• 训练模型比推理更费资源：训练时不仅要做前向计算，还要存反向传播的梯度数据来更新模型参数，显存压力是推理的数倍。

• 梯度传播不稳定：训练时，误差信号要从输出层一层一层传回输入层来调整参数。序列越长，梯度传递的路径就越长，很容易出现 “梯度消失”（梯度传着传着变成 0，参数不更新了）或 “梯度爆炸”（梯度太大，参数乱掉），模型很难学好长序列的规律。

目前业界主要通过位置编码优化（如 RoPE、ALiBi）和稀疏注意力（如 Sliding Window Attention）等技术来缓解这些限制。

这句话讲了两类主流的长文本优化方案：

1. 位置编码优化

   • 自注意力本身不识别顺序（“我打他” 和 “他打我” Token 完全一样），所以需要给每个 Token 加上位置信息，这就是位置编码。
   • RoPE（旋转位置编码）、ALiBi 是目前主流的两种方案，相比老式位置编码，它们能更好地支持超长上下文，泛化性更强。

2. 稀疏注意力

   • 放弃 “每个 Token 和所有 Token 算注意力” 的全量模式，改成只和部分 Token 计算，把复杂度从 O (n²) 降到 O (n)。
   • 比如滑动窗口注意力（Sliding Window Attention） ：每个 Token 只和它前后固定窗口内的 Token 算关联，不用管整个序列，大幅节省计算和显存。

无限进步，共勉～