Contador de tokens para LLM

Un token es la unidad con la que un modelo lee y escribe: un fragmento de palabra, no la palabra completa. En inglés son ~1,1 tokens por palabra, es decir cuatro a seis caracteres por token. Las palabras frecuentes salen en un token y las raras se parten («tokenizer» se divide en token / iz / er). El precio, los límites de tasa y la ventana de contexto se miden en tokens, nunca en palabras ni caracteres; por eso conviene contar antes de llamar a la API.

Depende por completo del modelo, y la regla de «un carácter = un token» ya es falsa para los más recientes. Medido con los vocabularios reales, la frase de 14 caracteres 今天天气很好，我们出去玩吧. da 9 tokens en o200k_base (GPT-4o, GPT-5, o3 y posteriores) pero 17 en cl100k_base (GPT-4, GPT-3.5). OpenAI amplió la cobertura del chino en 2024, así que el chino cuesta ~0,6 tokens por carácter en los modelos actuales y ~1,2 en los antiguos. Japonés y coreano se comportan igual.

Tres motivos. Primero, el valor por defecto es una estimación estadística ajustada sobre datos reales: ±10 % en un solo idioma y hasta ±25 % si el prompt mezcla alfabetos. Segundo, una petición de chat no es solo tu texto: el proveedor la envuelve en tokens de control para los roles, y los modelos de razonamiento cobran tokens de pensamiento que no ves. Tercero, los vocabularios cambian con cada generación de modelo. Con «Contar con precisión» eliminas del todo la primera fuente de error.

No. La estimación corre con un script local y el recuento exacto descarga un vocabulario BPE abierto de ~1 MB y parte tu texto dentro de esta pestaña. El texto no sale del dispositivo y, una vez cacheado el fichero, ya no se envía nada a ningún servidor.

Con un vocabulario público, no. Anthropic y Google nunca han publicado sus tokenizadores, así que cualquier sitio que prometa un recuento exacto de Claude o Gemini también está estimando. Esta herramienta aplica un perfil calibrado contra recuentos reales de OpenAI y muestra el resultado como estimación. Hay una trampa que conviene conocer: Claude 4.7 y todos los modelos posteriores usan un tokenizador nuevo, por lo que el mismo texto se factura con más tokens que en 4.6 y anteriores; según la propia Anthropic, hasta un 35 % más. Para un número real usa el endpoint /v1/messages/count_tokens de Anthropic o el countTokens de Google: ambos devuelven el recuento del proveedor.

La ventana de contexto es el presupuesto conjunto del prompt y de la respuesta generada, medido en tokens. Un modelo de 128k no te da 128k de prompt: el system prompt, las definiciones de herramientas, los documentos recuperados y la salida reservada se descuentan antes. A octubre de 2026 las ventanas actuales son 400k en GPT-5 a 5.3, cerca de 1M en GPT-5.4 a 5.6 y GPT-6, 1M en Claude Opus 5.5, Sonnet 5.5, Haiku 5.5 y Fable 5.1, y 1.048.576 en Gemini 4 Argon, que en Gemini suma entrada, razonamiento y salida dentro del mismo cupo. La barra bajo el contador resta tu texto de la ventana que fijes, así que escribe el presupuesto de entrada si tu proveedor publica uno menor.

Solo caracteres. Las imágenes, el audio y las páginas de PDF se facturan con reglas propias: una imagen se convierte normalmente en un número de parches que crece con la resolución, no con el texto que se puede leer en ella. Los esquemas JSON de funciones y herramientas sí consumen tokens de texto: pégalos aquí para dimensionar ese coste.