Innan du skickar en sträng för inbäddning kan du uppskatta hur många token den kommer att använda med hjälp av OpenAI:s tokeniseringsbibliotek tiktoken.
Det är särskilt användbart eftersom inbäddningsmodeller (som text-embedding-3-small) har gränser för hur många token de kan hantera.
---
Så räknar du tokens med Tiktoken
Du kan använda Python-paketet tiktoken för att beräkna antalet tokens som en sträng genererar.
Här är ett exempel på kodavsnitt:
import tiktoken
def num_tokens_from_string(string: str, encoding_name: str) -> int:
"""Returnerar antalet token i en textsträng."""
encoding = tiktoken.get_encoding(encoding_name)
num_tokens = len(encoding.encode(string))
return num_tokens
# Exempel på användning
num_tokens = num_tokens_from_string("tiktoken is great!", "cl100k_base")
print(num_tokens)Viktigt:
För tredje generationens inbäddningsmodeller (t.ex. text-embedding-3-small eller text-embedding-3-large) bör du använda kodningen "cl100k_base".
Olika modeller kan kräva olika kodningar – läs alltid modelldokumentationen om du är osäker.
---
Varför tokenräkning är viktigt
Om din sträng överskrider modellens maximala indatastorlek misslyckas din API-begäran.
Att räkna tokens korrekt i förväg ger smidigare arbetsflöden för inbäddningar och förhindrar fel under bearbetningen.
---