同一句话，英文13个token，马拉雅拉姆语26个，阿姆哈拉语78个。这也是「不同语种Token差17倍」讨论里最直观的例子，但它不是中文对英文的差距。CLEAR
研究用的是FLORES-200，997句专业翻译，203种语言-文字组合，20多万条平行文本。前20种网络常用语言，多数模型的比值落在1.5到3.1倍。老樊爱折腾实验室CLEAR
扩到约200种，最高到了17倍。分模型看，Falcon 3是17倍，GPT-5是13.8倍，Claude是9.3倍。17倍是「最贵语言÷最便宜语言」的两端极值，不是平均值。CLEAR把这种由分词器设计带来的额外成本叫「分词器税」。CLEAR
中文在这张表里常常是分母那一端。最便宜的那一端经常就是英语或简体中文；真正被17倍压住的，是另一端。CLEAR
那中文到底贵不贵？有开发者用同一套语料复测：新版OpenAI分词器下，简体中文token总量是英语的1.27倍。旧版是1.89倍，换一版分词器，差距缩小了约三分之一。放在Claude和GPT上，中文确实要多付一截；换到Qwen和DeepSeek，中文反而比英文便宜。DeepSeek最低到0.65倍。所以「用中文聊AI更费钱」只在部分外国模型上成立，幅度是几十个百分点，不是17倍。老樊爱折腾实验室极客公园
真正被拉开到数倍的，是缅甸语、藏语、老挝语、高棉语、阿姆哈拉语这些分词器很少见的文字。复测里老挝语是英语的8.26倍，藏语8.17倍。阿姆哈拉语是5.91倍。它们的使用者不算少：孟加拉语约2.66亿人，乌尔都语约2.88亿人，旁遮普语约2亿人。老樊爱折腾实验室CLEAR
多出来的token不只是账单。CLEAR提醒，一个标称128k的窗口，碰上重税语言，能装下的材料只剩一小部分，长文档和多步agent会先用不起来。做多语言产品的团队也会直接撞上：按「字数×语言数」报价，很容易低估成本。CLEAREazzy AI
这不是语言天生低效。同样的阿姆哈拉语文本，在不同分词器下能差2到8倍。分词器的词表是按训练语料里的出现频率分配的，哪种文字见得少，就更容易被拆碎。CLEAR
分词器也不是改不了。Llama 3.3的200语言比值是14.8倍，到Llama 4降到9.5倍。Qwen 3.6反而比Qwen 3更差。旧版到新版之间，中文、印地语、泰米尔语、马拉雅拉姆语和缅甸语都明显改善。全是设计选择，不是自然规律。CLEAR老樊爱折腾实验室
对普通中文用户，最实际的动作不是把提示词翻成英文，而是拿自己真实要处理的材料，测一下正在用的模型。对模型厂商和采购方，CLEAR的建议更直接：在模型卡里公布这个比值，或者改用按字符、按语言计价。CLEAR
17倍真正提醒的，不是中文用户要多掏17倍的钱，而是有些语言的使用者正在被悄悄定出更高的价格，且很难察觉。中文不在最贵的那一行，但那张价目表是真的。
