Duży model językowy (LLM): co to jest i czym są tokeny

Duży model językowy (LLM, od angielskiego large language model) to program, który na podstawie ogromnej ilości tekstu nauczył się przewidywać, jaki fragment tekstu powinien pojawić się jako następny. Na tym mechanizmie działają ChatGPT, Claude, Gemini i polski Bielik. Model czyta tekst podzielony na tokeny, czyli kawałki słów, i to właśnie za tokeny płaci się w API albo zużywa limit w abonamencie. W tym przewodniku wyjaśniamy bez matematyki, jak LLM składa odpowiedź, czym jest okno kontekstu i dlaczego ten sam tekst po polsku kosztuje więcej niż po angielsku. Na koniec pokazujemy własny pomiar: ten sam akapit w obu językach policzony tokenizerem.

Co to jest LLM w dwóch zdaniach

LLM to model sztucznej inteligencji wytrenowany na bardzo dużym zbiorze tekstów, który dostaje fragment tekstu i dopisuje do niego ciąg dalszy, token po tokenie. Wszystko, co robi czatbot, od odpowiedzi na pytanie po napisanie kodu, sprowadza się do tej jednej czynności powtórzonej setki albo tysiące razy. Z tego samego mechanizmu bierze się zaskakująca słabość: model potrafi pomylić się przy przepisywaniu dłuższego tekstu, o czym piszemy w tekście dlaczego AI nie umie skopiować tekstu bez błędu.

“Duży” odnosi się do dwóch rzeczy: ilości tekstu użytego w treningu i liczby parametrów, czyli wewnętrznych ustawień modelu. Twórcy Claude i ChatGPT nie ujawniają liczby parametrów swoich modeli, więc lepiej nie wierzyć liczbom krążącym w internecie. Parametry to wagi połączeń w sieci neuronowej, z której zbudowany jest każdy duży model językowy.

Dla porządku: LLM to jeden z rodzajów sztucznej inteligencji, obok na przykład systemów rozpoznających obraz albo rekomendujących filmy. O szerszym obrazie piszemy w tekście czym jest sztuczna inteligencja i jak działa.

Jak duży model językowy przewiduje kolejny token

Wyobraź sobie autouzupełnianie w telefonie, które przeczytało ogromną bibliotekę tekstów i patrzy na całą rozmowę zamiast na trzy ostatnie słowa. Po wpisaniu “Stolicą Polski jest” najbardziej prawdopodobnym ciągiem dalszym jest “Warszawa”. Model wybiera taki kawałek, dopisuje go do tekstu i powtarza całą operację dla następnego.

Kilka konsekwencji tego mechanizmu łatwo sprawdzić samemu:

• Odpowiedź powstaje kawałek po kawałku. Dlatego czatboty wypisują tekst stopniowo, a dłuższa odpowiedź trwa dłużej i kosztuje więcej.
• Model układa prawdopodobny tekst i sam z siebie nie sprawdza faktów. Dlatego może napisać pewnym tonem coś, co brzmi dobrze i jest nieprawdą, zwłaszcza gdy poprawna informacja była słabo reprezentowana w danych. Tak powstają halucynacje.
• Model nie pamięta poprzednich rozmów sam z siebie. Czatbot “pamięta” tylko to, co aplikacja wkleja mu do bieżącej rozmowy.

Nowsze modele przed odpowiedzią mogą też “pomyśleć”, czyli wygenerować tokeny rozumowania, których często nie widać. To nadal ten sam mechanizm przewidywania, tylko dłuższy, a tokeny rozumowania też się liczą do rachunku.

Co to jest token w AI

Token to podstawowy kawałek tekstu, na którym pracuje model. Bywa całym słowem, częścią słowa, pojedynczym znakiem albo znakiem interpunkcyjnym. Każdy token ma swój numer w słowniku modelu i model operuje wyłącznie na tych numerach.

To, jak tekst zostanie podzielony, zależy od tokenizera, czyli narzędzia, które tnie tekst na kawałki. Każdy producent ma własny tokenizer, a czasem kilka. OpenAI udostępnia swój jako otwartą bibliotekę tiktoken. Według jej dokumentacji jeden token to średnio około 4 bajty tekstu, przy czym ta średnia dotyczy głównie tekstu angielskiego.

Tak tokenizer o200k_base (używany przez nowsze modele OpenAI, takie jak GPT-4o i GPT-5) dzieli przykładowe słowa:

Angielskie słowa z tej tabeli są w słowniku w całości. Polskie częściej dzielą się na kilka tokenów, a granice tokenów nie muszą pokrywać się z granicami sylab ani końcówek.

Tokeny wejściowe to tekst, który wysyłasz: polecenie, wklejony dokument i historia rozmowy. Tokeny wyjściowe to tekst, który model pisze. Wyjście jest droższe. Na przykład w Claude Sonnet 5.5 milion tokenów wejściowych kosztuje 2 dolary, a milion wyjściowych 10 dolarów, według cennika Anthropic.

Pierwsza Misja AI · Kodożercy

Pierwszy raz z AI? Zaczynasz od zera.

Pierwsza Misja AI to kurs dla osób bez technicznego przygotowania. Nie musisz pisać kodu ani znać żargonu. Dowiesz się, jak działa AI, jak promptować i jak korzystać z niej w pracy.

Wejdź na pokład →

Pomiar: ile tokenów zajmuje ten sam tekst po polsku i po angielsku

Sprawdziliśmy to sami. Wzięliśmy akapit po polsku o tym, jak model dzieli tekst na tokeny i ile to kosztuje. Przetłumaczyliśmy go wiernie na angielski i oba policzyliśmy biblioteką tiktoken w wersji 0.14.0, 1 października 2026 roku. Użyliśmy dwóch tokenizerów OpenAI: starszego cl100k_base (GPT-4) i nowszego o200k_base (GPT-4o i GPT-5).

Polski akapit ma mniej słów i podobną liczbę znaków, a mimo to zajmuje więcej tokenów. Nowszy tokenizer radzi sobie z polszczyzną wyraźnie lepiej niż starszy, ale różnica nie znika.

Dwa zastrzeżenia, bez których ten pomiar byłby nieuczciwy. Po pierwsze, liczyliśmy tokenizerami OpenAI. Tokenizerów Claude i Gemini nie sprawdzaliśmy. Anthropic udostępnia liczenie tokenów przez bezpłatne zapytanie w API, ale wymaga ono klucza, którego do tego testu nie użyliśmy. Po drugie, to jeden akapit. Inny tekst, na przykład pełen nazw własnych albo kodu, da inną proporcję. Wynik pokazuje kierunek i rząd wielkości. Stałej do mnożenia z niego nie wyciągniesz.

Co to oznacza dla kosztów i limitów

Dla osoby, która korzysta z czatu w ramach abonamentu, tokeny przekładają się na limit. Dłuższe rozmowy, wklejone dokumenty i długie odpowiedzi szybciej go zużywają. Dla firmy, która płaci za API, tokeny to wprost faktura.

Kilka praktycznych wniosków:

• Polski tekst jest droższy w tokenach, ale angielskie polecenie nie obniży kosztu polskiej odpowiedzi. Tokeny wyjściowe kosztują kilka razy więcej niż wejściowe. Przy krótkich poleceniach oszczędność na wejściu jest mała, przy długich wklejonych dokumentach może być istotna. Najpierw usuń z polecenia to, co zbędne.
• Liczby tokenów nie da się przenieść między modelami. Anthropic podaje, że modele Claude od wersji Opus 4.7 mają nowszy tokenizer, który na ten sam tekst daje około 30% więcej tokenów niż starsze modele. Kosztorys policzony na jednym modelu nie pasuje do drugiego.
• W długiej rozmowie historia może stać się największą częścią wejścia. W typowym wywołaniu API wcześniejsze wiadomości są wysyłane do modelu ponownie, choć aplikacje czatowe mogą skracać albo streszczać starszy kontekst. Nowa rozmowa przy nowym temacie to najprostszy sposób na oszczędność.

Jak to wygląda w praktyce w narzędziu dla programistów, opisaliśmy w tekście o tym, dlaczego limit tokenów w Claude Code potrafi zniknąć w kilkanaście minut. To, który model wybrać do jakiego zadania, żeby nie przepłacać, zbiera nasz przewodnik po modelach Claude.

Okno kontekstu, czyli ile model widzi naraz

Okno kontekstu to cały tekst, do którego model może się odwołać, pisząc odpowiedź, łącznie z samą odpowiedzią. Dokumentacja Anthropic porównuje je do pamięci roboczej. To coś innego niż dane, na których model był trenowany. Okno mierzy się w tokenach.

Najnowsze modele Claude mają okno do miliona tokenów, a Haiku 4.5 do 200 tysięcy. W praktyce milion tokenów to bardzo długa książka. Według naszego pomiaru polski tekst zajmuje jednak więcej tokenów, więc w to samo okno zmieści się go mniej niż angielskiego.

Większe okno nie oznacza automatycznie lepszych odpowiedzi. Anthropic pisze wprost, że wraz ze wzrostem liczby tokenów spada trafność i zdolność przypominania sobie szczegółów. To zjawisko nazywa się po angielsku context rot. Dlatego do czatu lepiej wkleić trzy potrzebne strony umowy niż całe sto.

{ agenci AI }

Agent AI, który pracuje na danych Twojej firmy

Budujemy agentów, którzy odpowiadają klientom, czytają dokumenty i przygotowują raporty, podłączonych do Waszych systemów. Zaczynamy od jednego procesu i sprawdzamy efekt, zanim pójdziemy dalej.

Sprawdź, jak wdrażamy agentów → Software house, który prowadzi ten blog

Najczęstsze pytania

Ile słów to jeden token?

To zależy od języka i tokenizera. Popularna reguła “token to około trzy czwarte słowa” dotyczy angielskiego. W naszym pomiarze polski tekst zajął średnio 1,76 tokenu na słowo w tokenizerze o200k_base, a angielski 1,12 tokenu na słowo.

Czy ChatGPT i Claude liczą tokeny tak samo?

Nie. Każdy producent ma własny tokenizer, a nawet modele jednej firmy potrafią liczyć ten sam tekst inaczej. Anthropic podaje, że nowsze modele Claude dają około 30% więcej tokenów niż starsze na ten sam tekst. Ceny za milion tokenów u różnych firm nie są więc w pełni porównywalne.

Czy pisanie poleceń po angielsku jest tańsze?

W tokenach wejściowych zwykle tak, w naszym pomiarze o kilkadziesiąt procent. Jeśli odpowiedź ma być po polsku, jej koszt się nie zmieni, a to tokeny wyjściowe są droższe. Przy krótkich poleceniach różnica jest więc mała, przy długich dokumentach może być zauważalna. Zwykle większy efekt daje krótsze polecenie i nowa rozmowa przy nowym temacie.

Co to jest token w AI, a co token w banku?

To dwa różne pojęcia. Token w AI to kawałek tekstu, na którym pracuje model językowy. Token w bankowości to urządzenie albo aplikacja generująca jednorazowe kody do logowania i potwierdzania przelewów. Słowo jest to samo, a znaczenia nie mają ze sobą nic wspólnego.

Podsumowanie

Duży model językowy przewiduje kolejny kawałek tekstu, czyli token, i powtarza to aż do końca odpowiedzi. Z tego prostego mechanizmu wynikają jego mocne strony i halucynacje, a także sposób rozliczania. Płacisz za tokeny, które wysyłasz, i za droższe tokeny, które model pisze. W naszym pomiarze ten sam akapit po polsku zajął o 29% więcej tokenów niż po angielsku w nowszym tokenizerze OpenAI i o 56% więcej w starszym. Liczyliśmy tokenizerami OpenAI, więc dla Claude i Gemini proporcje mogą być inne. Najprostsze oszczędności nie wymagają zmiany języka: krótsze polecenia, mniej wklejonego tekstu i nowa rozmowa przy nowym temacie.

Mateusz Wojdalski

Specjalista SEO i content marketingu w Devstock. Zajmuję się strategią treści, automatyzacją procesów marketingowych i wdrożeniami AI w codziennej pracy. Badam nowe narzędzia, adaptuję je do realnych zadań i piszę o tym, co faktycznie działa.