Колко повече токена са нужни на българския в сравнение с английския?
Българският има нужда от 71 % повече токени от английския за същия текст в ChatGPT / Copilot. Затова квотата свършва с около 71 % по-бързо, а паметта на чата се пълни и отговорите се удължават в същата пропорция. Българският е на 116. място от 203 езика, като 1 е най-скъпият. В 6 съвременни токенизатора с ИИ токеновият данък е от 27 % (Claude) до 98 % (DeepSeek).
| Модел | Токенизатор | Токенов данък |
|---|
| ChatGPT / Copilot | o200k_base | 71 % |
| Gemini | Gemini 3.x (unpublished; = Gemma 4 on text) | 60 % |
| Claude | Claude (unpublished) | 27 % |
| Meta AI / Llama | Llama 4 | 50 % |
| DeepSeek | DeepSeek V3 | 98 % |
| Qwen | Qwen 3.5 (248k) | 64 % |
Какво е токеновият данък?
Токеновият данък е броят токени за даден език ÷ броя токени за английски за същия текст, за всеки токенизатор поотделно. Петров и съавт. (2023) въвеждат понятието, за да се сравнява токенизацията между езиците по-лесно, но го наричат токенизационна премия. Все още няма утвърден български термин; на английски се нарича token tax.
Токенизаторите учат речника си главно от английски текстове, затова честите английски думи се побират в един токен, докато българският текст се нарязва на повече и по-къси парчета. Най-много обикновено плащат езиците с малко текст за обучение и нелатинска писменост.
Петров и съавт. обобщават проблема: „The same text translated into different languages can have drastically different tokenization lengths“ (NeurIPS 2023).
Как е измерено?
Всеки токенизатор преброи токените в същите 1 012 изречения от частта devtest на FLORES-200, на български и на английски, според Петров и съавт. (NeurIPS 2023). Преброено на 2026-10-26.
Какво е токен?
Моделите с изкуствен интелект четат текста като токени. Преди моделът да види текста ви, токенизаторът го нарязва на парчета. Плащате на токен, паметта на чата се брои в токени, а отговорите се пишат токен по токен. Ето как ChatGPT / Copilot нарязва заглавие на научна новина от октомври 2026 г., на български и на английски:
Един-единствен урок по цигулка променя моделите на мозъчните вълни, докато начинаещите се учат да свирят
Е | дин | - | един | ствен | урок | по | ци | г | ул | ка | пр | омен | я | модел | ите | на | моз | ъч | ните | в | ъл | ни | , | док | ато | начина | ещ | ите | се | уч | ат | да | св | ир | ят = 36 токена
One violin lesson changes brain wave patterns as beginners learn to play
One | violin | lesson | changes | brain | wave | patterns | as | beginners | learn | to | play = 12 токена
За това едно изречение съотношението е 36 ÷ 12 = 3,00, тоест 200 % повече токени, отколкото на английски. Едно изречение е твърде малко текст за надеждно число, затова числата на тази страница са измерени върху 1 012 изречения от FLORES-200.
Как се представя българският в сравнение с другите езици?
Българският плаща 71 % в ChatGPT / Copilot, докато медианата на всички 203 езика е 75 %.
Как мога да намаля токеновия данък?
Най-лесно е да пишете на английски, ако ви е удобно. Другите начини са по-трудни за препоръчване, защото моделите се различават не само по токенов данък, но и по това колко добри отговори получавате на токен.
Въпроси за токеновия данък
Всеки език ли плаща токенов данък?
Почти всеки. В ChatGPT / Copilot всичките 203 езика имат нужда от повече токени от английския, от 23 % (Portuguese) до 1 273 % (Santali), а медианният език плаща 75 %. Във всичките 6 модела на тази страница единствените изключения са Chinese (Simplified): DeepSeek −6 %, Qwen −9 %; Yue Chinese: Qwen −3 %.
Защо китайският плаща по-малко в китайските модели?
Опростеният китайски плаща 25 % в ChatGPT / Copilot, но −9 % в Qwen и −6 % в DeepSeek. Alibaba (Qwen) и DeepSeek изградиха токенизаторите си с много повече китайски текст, затова честите китайски думи получават собствени токени. Един токенизатор е най-евтин за езиците, за които е изграден.
Колко е токеновият данък за най-големите езици?
Най-говорените езици и българският във всичките 6 модела:
| ChatGPT / Copilot | Gemini | Claude | Meta AI / Llama | DeepSeek | Qwen |
|---|
| Chinese (Simplified) | 25 % | 8 % | 14 % | 6 % | −6 % | −9 % |
| Spanish | 32 % | 29 % | 45 % | 30 % | 50 % | 31 % |
| Hindi | 57 % | 30 % | 116 % | 65 % | 180 % | 98 % |
| Standard Arabic | 38 % | 45 % | 81 % | 59 % | 62 % | 30 % |
| Portuguese | 23 % | 25 % | 37 % | 23 % | 42 % | 23 % |
| Russian | 42 % | 35 % | 32 % | 23 % | 58 % | 35 % |
| Japanese | 66 % | 21 % | 26 % | 31 % | 42 % | 16 % |
| French | 37 % | 40 % | 48 % | 37 % | 55 % | 38 % |
| German | 31 % | 32 % | 72 % | 30 % | 51 % | 30 % |
| Bulgarian | 71 % | 60 % | 27 % | 50 % | 98 % | 64 % |
Кой модел с ИИ има най-нисък токенов данък?
Измерено по медианния език: ChatGPT / Copilot 75 %, Gemini 81 %, Claude 84 %, Meta AI / Llama 86 %, Qwen 90 % и DeepSeek 107 %.
Кои езици плащат най-малко?
Английският, спрямо който се мери токеновият данък (0 %). Само китайският в китайските модели плаща още по-малко, вижте по-горе. След английския петте най-евтини в ChatGPT / Copilot са Portuguese 23 %, Dutch 25 %, Chinese (Simplified) 25 %, Indonesian 25 % и Standard Malay 30 %.
Кои езици плащат най-много?
Броят на носителите на езика е от Уикипедия (преброявания и Ethnologue). 10-те най-скъпи от 203 езика в ChatGPT / Copilot, с токенов данък и брой носители на езика:
- Santali 1 273 %: около 7 600 000 носители на езика, главно в India, Bangladesh, Nepal; писменост: Ol Chiki.
- Tamasheq 921 %: около 900 000 носители на езика, главно в Mali, Burkina Faso; писменост: Tifinagh. Несигурно число.
- Central Atlas Tamazight 915 %: около 2 700 000 носители на езика, главно в Morocco; писменост: Tifinagh. Несигурно число.
- Dzongkha 803 %: около 171 000 носители на езика, главно в Bhutan; писменост: Tibetan. Несигурно число.
- Lao 723 %: около 3 700 000 носители на езика, главно в Laos; писменост: Lao.
- Standard Tibetan 713 %: около 1 200 000 носители на езика, главно в China (Tibet), India, Nepal; писменост: Tibetan. Несигурно число.
- Shan 693 %: около 4 700 000 носители на езика, главно в Myanmar, Thailand; писменост: Myanmar (Shan). Несигурно число.
- Tigrinya 500 %: около 9 900 000 носители на езика, главно в Eritrea, Ethiopia; писменост: Ge'ez.
- Amharic 482 %: около 31 800 000 носители на езика, главно в Ethiopia; писменост: Ge'ez.
- Odia 399 %: около 34 000 000 носители на езика, главно в India (Odisha); писменост: Odia.
Плащат ли повече езиците с друга писменост?
Средно не: в ChatGPT / Copilot медианният език на латиница плаща 72 %, а медианният език с друга писменост 79 %. Но най-скъпите езици имат всички собствена писменост, например Santali (Ol Chiki), Tamasheq (Tifinagh), Dzongkha (Tibetan), Lao и Shan (Myanmar).
Как да измеря токеновия данък на собствения си текст?
Пребройте токените на текста си и на английския му превод с токенизатора на модела, който използвате, и разделете първото число на второто. Токенизаторът на OpenAI е публичен; Anthropic и Google броят токени чрез своите API. Едно изречение дава грубо число; колкото повече текст, толкова по-надеждно.
Автор: Sara Moricz, изследовател и специалист по данни. Обновено на 2026-10-26.
In English
Bulgarian needs 71 % more tokens than English for the same text on ChatGPT / Copilot. So your quota runs out about 71 % faster, chat memory fills up just as much faster, and answers take just as much longer. Bulgarian ranks 116 of 203 languages, where 1 is the most expensive. Across 6 current AI tokenizers, the token tax ranges from 27 % (Claude) to 98 % (DeepSeek). Measured on 1,012 FLORES-200 sentences.