Token（權杖）是 AI 模型計算文字用量與費用的最小單位，但它不等於「一個字」。同一段中文丟進 Claude、GPT、Gemini，算出來的 Token 數都不一樣，而且沒有一家供應商把「一個中文字＝幾個 Token」寫成官方公式。這篇文章把 Anthropic、OpenAI、Google 官方文件裡白紙黑字寫出來的換算標準攤開給你看，說明為什麼中文這類語言通常比英文更「吃」Token，並教你用三家官方工具直接量出真實數字，而不是憑印象心算。 先講結論：三家官方文件都只針對「英文」給出明確的字元換算估算，沒有一家公布中文或其他非英文語言的官方倍率。網路上流傳的「一個中文字等於幾個 Token」的具體數字，多半是第三方測試出來的經驗值，不是供應商官方寫出來的規格。 Token 是什麼？為什麼不能直接拿「字數」去估 根據 Anthropic 官方 Glossary 的定義，Token 是語言模型處理的最小單位，可以對應到一個完整的詞、詞的一部分（子詞）、單一字元，甚至是 Unicode 位元組，實際切法依供應商各自訓練的分詞器（tokenizer

（以下情境為示意性虛構案例，主角「溫子軒」為說明用示意人物，非真實客戶） 老闆在群組丟了一句話 「隔壁那家公司都自己買顯卡跑 AI 了，我們幹嘛還在付 Claude 的月費？」 溫子軒是一間十幾人新創的技術負責人，盯著老闆丟進群組的這句話，一時說不出反駁的理由。他們公司每個月的 Claude API 帳單確實一直在漲，而網路上「用一台 Mac Studio 就能跑贏 Claude」的說法，這陣子也到處都是。老闆丟下一句「下週預算會議，你算一份『自己買硬體』跟『繼續用 API』的比較給我」，就把這個問題整個甩到他頭上。 先找一個算得出來的替身 溫子軒動手查資料時，第一個卡關的地方是：Claude Fable 5 到底要多少顆 GPU 才跑得動，根本沒人知道——因為 Anthropic 從沒公開過 Fable 5 的參數量、架構或權重。Reddit 上有一串討論在猜「跑得動 Fable 級模型要幾張 H100」，有人猜 4 張，有人猜 8 張 B200，還有人直接說「你需要一整個機櫃」，答案亂七八糟，沒有人真的算過。 他後來看到一支拿 Kimi K3

聊天一次大概會消耗多少 AI Token，最短可能只有幾十個，常見落在幾十到幾百個，但只要帶前文、長回覆或背景資料，就很容易衝到上千個。 不管你是想估成本、看用量、控制預算，還是單純想知道「我只是問一句話，真的會花很多嗎」，都需要一個比較接近真實世界的答案。問題是，這題如果只回你一個固定數字，通常會害你誤判。真正該看的不是單一平均值，而是你這次聊天屬於哪一種情境。 這篇文章不會只講「大概幾百個 Token」這種太空泛的答案，而是直接把最常見的聊天情境拆開來，讓你知道短問答、長文改寫、多輪聊天、帶背景資料這幾種情況，實際大概會落在哪種範圍。 先講最重要的判斷方式：聊天一次不是只看你打了幾個字 很多人最容易誤會的地方，就是以為聊天一次只算自己送出去的那一句話。其實不是。 聊天一次的 AI Token，通常會一起包含： 你的提問 模型的回覆 可能的系統提示 可能的前面聊天記錄 可能的背景資料或工具內容 所以真正該問的不是「我這句話很短，應該很便宜吧」，而是： 你這次聊天有多短 你有沒有帶前文 你要模型回多長 你是不是還塞了背景資料 這四件事，才是決定一

法律合約 AI 審查的 Token 消耗，通常比一般聊天問答、短文生成或單次摘要更高。原因不只在於文件頁數，而在於 條款密度高、交叉引用多、附件常見、追問次數多 ，而且法律文件的輸出通常不只是摘要，還可能包含風險標註、修改建議、白話說明與內部審查重點。這些因素一起累加，才是 50 頁法律合約會吃掉大量 AI Token 的真正原因。 這篇文章處理的，不是一般「AI Token 怎麼算」的入門問題，而是更具體的應用情境： 50 頁法律合約交給 AI 審查時，大概要準備多少 Token，成本會落在哪裡，哪些做法又會讓消耗被放大。 文章主軸固定放在 法律合約、長文件、文件審查工作流、Token 用量估算 ，避免和你站上原本的基礎計算文、字數換算文、長對話文互打。 這篇在算什麼 這篇要估的，不是律師費、不是法務外包費，也不是整份文件審查的總成本，而是 模型在處理 50 頁法律合約時，輸入與輸出大概會消耗多少 Token 。Token 會出現在三個地方：文件本體輸入、審查指令輸入、模型分析結果輸出。也就是說，真正要看的不是只有「合約有幾頁」，而是 這 5

AI Token 用量怎麼估 ，是很多人第一次接觸 AI API 時最先卡住的問題之一。不是因為完全沒聽過 Token，而是因為大多數人明明知道 Token 跟 API 成本有關，卻還是不知道怎麼自己抓大概用量。像是同一句話大概要算多少 Token、中文是不是比英文更吃、system prompt 要不要算、圖片和檔案會不會一起算、為什麼同樣內容在不同平台數字不一樣，這些問題都很常見。 OpenAI、Google Gemini、Anthropic 都把 Token 視為模型處理內容的基本單位，也都提供 Token Counting 或用量相關能力，但各家在 tokenizer、計價欄位與估算方式上並不完全一樣。 先講最實用的結論： 如果你想快速抓大概用量，最有用的方式不是硬背公式，而是先搞懂 3 件事：你的 input 大概多大、output 通常多長、每天大概會送幾次。 只要這三個數字抓出來，你通常就已經能估出一個很接近實際的月用量範圍。這個方向，也正是你原始稿最值得保留的核心。 先把最基本的定義看懂：AI Token 是什麼？ Token.

很多人在算 AI Token 成本 時，第一個直覺問題常常是： 一個英文單字到底大概會吃掉多少 token？ 先直接講結論： 沒有三家平台都通用、固定不變的「1 個英文單字 = 幾個 token」公式。 但如果是 英文 ，官方能給的粗估比中文明確得多。OpenAI 官方直接寫過， 1 token 約等於 0.75 個英文單字 ；Google Gemini 官方則寫 100 tokens 約等於 60 到 80 個英文單字 。Anthropic 這邊我查到的官方文件重點不是「每個英文單字幾 token」，而是提供 count_tokens 讓你直接先算。 先看表格：一個英文單字大概會用多少 Token？ 下面這張表我刻意分成兩種資訊：一種是 官方明講到什麼程度 ，另一種是 你在前期估成本時可用的區間 。其中「可用區間」有些是官方直接可換算，有些是為了預算規劃做的保守估算，我會直接標清楚。 平台 官方能確認的說法 換算成每個英文單字大概幾個 token 前期規劃可抓的區間 ChatGPT / OpenAI 1 token ≈ 0.75 個英文單字