📰 概要

你跟AI说中文，比老外说英文贵一半还多。

这不是歧视，是历史。

英文是互联网主流语料，AI的tokenizer词表设计是"英文优先"的，中文是后来被塞进去的。

Claude的中文处理效率只有英文的61%，ChatGPT是71%。你每说100个中文字，等于烧了160+个英文token的费用。

但有一个反直觉的例外：Qwen和DeepSeek的中文反而比英文便宜35%左右。因为国产模型从一开始就把中文当"默认语言"设计，而不是"外来户"。

🔍 解读

为什么中文被"区别对待"？

关键在tokenizer的词表设计。

英文是字母文字，一个英文单词通常对应3-4个字符，tokenizer可以用几十k的词表覆盖大部分常用词。中文是方块字，每个字独立，词表要覆盖所有汉字就需要更大的词表。

统计数据显示，Claude tokenizer中89%的汉字被切成单字token，而英文只有57%。这意味着：同样表达一个意思，中文需要更多的token来编码。

但DeepSeek的Tokenier V2打破了这种格局。

在DeepSeek上，中文反而比英文便宜0.65倍——用更小的词表、更高的压缩率处理中文。

这是国产模型的"先天优势"——从架构设计开始就把中文当第一公民。

一个反常识的现象：古文比现代汉语更省token。

比如"茴"字，在古文里是常用字，在现代汉语里几乎不用。tokenizer会给常用字分配更短的编码。古文的常用字密度高，所以"茴"字的token编码比"想"字短。

但这只是编码端的"省钱"。实际推理时，模型对每个token的计算量是一样的——不管你是用1个token还是0.8个token，处理它消耗的算力没有区别。

所以"用古文跟AI对话更省钱"是个误解。省的是token数量，不是推理成本。

「什么情况不建议用」：如果你在选模型做中文任务，不要只看价格，要看token效率+模型能力的综合性价比。

DeepSeek/通义在中文场景的综合表现，往往比Claude/ChatGPT更值——不只是因为中文便宜，还因为它们更懂中文语境。