Pred odoslaním reťazca na embedding môžete odhadnúť, koľko tokenov použije, pomocou knižnice tokenizéra tiktoken od OpenAI.
Je to obzvlášť užitočné, pretože embeddingové modely (napríklad text-embedding-3-small) majú maximálne limity tokenov, ktoré musíte dodržať.
---
Ako počítať tokeny pomocou Tiktoken
Na výpočet počtu tokenov, ktoré reťazec vygeneruje, môžete použiť balík Pythonu tiktoken.
Tu je ukážkový úryvok kódu:
import tiktoken
def num_tokens_from_string(string: str, encoding_name: str) -> int:
"""Vracia počet tokenov v textovom reťazci."""
encoding = tiktoken.get_encoding(encoding_name)
num_tokens = len(encoding.encode(string))
return num_tokens
# Príklad použitia
num_tokens = num_tokens_from_string("tiktoken is great!", "cl100k_base")
print(num_tokens)Dôležité:
Pre embeddingové modely tretej generácie (napr.
text-embedding-3-smallalebotext-embedding-3-large) by ste mali použiť kódovanie"cl100k_base".Rôzne modely môžu vyžadovať rôzne kódovania — ak si nie ste istí, vždy si pozrite dokumentáciu modelu.
---
Prečo je počítanie tokenov dôležité
Ak váš reťazec prekročí maximálnu veľkosť vstupu modelu, vaša požiadavka API zlyhá.
Presné počítanie tokenov vopred zabezpečuje plynulejšie pracovné postupy embeddings a predchádza chybám počas spracovania.
---