Polski podatek tokenowy: ile więcej płacisz za AI, bo piszesz po polsku

👁 902 przeczytań

Płacisz za sztuczną inteligencję więcej niż Amerykanin. Nie dlatego, że ktoś ustalił dla Polski wyższy cennik, bo cenniki są identyczne dla wszystkich. Płacisz więcej, bo modele rozliczają się w tokenach, a polszczyzna rozpada się na tokeny znacznie gorzej niż angielski. Ten sam tekst, ta sama treść, ta sama praca do wykonania: rachunek wyższy o kilkadziesiąt procent. To podatek, którego nikt nie ogłosił i którego nie widać na fakturze, ale płaci go każdy, kto pisze po polsku do ChatGPT, buduje agenta na firmowych dokumentach albo wrzuca do modelu polską umowę.

Postanowiłem go zmierzyć, i to trzy razy, z trzech różnych stron. Najpierw na całych tekstach, potem na pojedynczych słowach, a na koniec porównałem polski z sześcioma innymi językami. Wyszło od 40 do 111 procent narzutu na tekstach i dwukrotność na pojedynczych słowach. Ale najciekawsze są dwie rzeczy, których się nie spodziewałem. Po pierwsze, po angielsku modele liczą niemal identycznie, a po polsku rozjeżdżają się między sobą o kilkaset procent. Po drugie, usuwanie polskich ogonków nie oszczędza tokenów, a na jednym z modeli kosztuje o jedną czwartą więcej, co obala poradę powtarzaną w połowie polskiego internetu.

Czym w ogóle jest token i dlaczego polski jest w nim drogi

Model językowy nie widzi liter ani słów. Widzi tokeny: fragmenty tekstu ze swojego słownika, zbudowanego podczas treningu metodą, która najczęściej występujące ciągi znaków zapisuje jako pojedyncze elementy, a rzadsze skleja z kawałków. Jeśli słownik powstawał głównie na angielszczyźnie, to angielskie słowa mają w nim własne miejsca, a polskie muszą być składane.

Do tego dochodzą dwa polskie utrudnienia. Pierwsze to fleksja: to samo słowo występuje w kilkunastu formach („narzędzie, narzędzia, narzędziem, narzędziach”), więc żadna z nich nie jest wystarczająco częsta, żeby zasłużyć na własny token. Drugie to znaki diakrytyczne: ą, ę, ć, ł, ń, ó, ś, ź, ż bywają kodowane osobno od liter bazowych, co potrafi rozbić jedno słowo na jeszcze drobniejsze kawałki.

Efekt jest podwójny i oba jego skutki uderzają w portfel. Po pierwsze, płacisz za więcej tokenów przy tej samej treści. Po drugie, szybciej wypełniasz okno kontekstu, czyli pamięć modelu w obrębie jednej rozmowy. Do tego dochodzi trzeci, mniej oczywisty koszt, do którego wrócę: dłuższe generowanie odpowiedzi.

Pomiar pierwszy: pojedyncze słowa

Zacznijmy od najmniejszej jednostki, bo tam widać mechanizm gołym okiem. Wziąłem dwanaście typowych polskich rzeczowników i ich angielskie odpowiedniki, i zmierzyłem, na ile tokenów każdy z nich się rozpada.

Metoda wymaga słowa wyjaśnienia, bo pomiar pojedynczego słowa jest z natury niedokładny: do każdego zapytania model dolicza własny narzut techniczny, który potrafi być większy niż mierzone słowo. Rozwiązałem to tak, że każde słowo wysyłałem w dwudziestu powtórzeniach i wynik dzieliłem przez dwadzieścia. Narzut, mierzony osobno jako zapytanie z samą kropką, przestaje wtedy mieć znaczenie, bo rozkłada się na dwadzieścia sztuk. Sam narzut zmierzyłem trzykrotnie i wziąłem medianę.

Ta tabela mówi więcej niż wszystkie procenty razem wzięte, więc warto się przy niej zatrzymać.

Angielskie słowo to jeden token. Bez wyjątku. Jedenaście angielskich rzeczowników, w tym takie potwory jak „representative” i „independence”, i każdy z nich mieści się w jednym tokenie u wszystkich modeli. To nie przypadek, tylko efekt tego, że słowniki tokenizerów budowano na korpusach, w których angielski dominuje.

Polskie słowo to od dwóch do dziesięciu tokenów. Najlepiej radzi sobie Grok 4.6, u którego typowe polskie słowo mieści się w dwóch tokenach. Najgorzej Claude Fable 5, dla którego „przedsiębiorstwo” to dziesięć tokenów, czyli dziesięć razy więcej niż jego angielski odpowiednik.

Rozstrzał między modelami jest trzykrotny. Średnio polskie słowo kosztuje 2,2 tokena u Groka i 6,6 u Claude’a. To jest różnica, o której nie dowiesz się z żadnego cennika, bo cennik podaje cenę za milion tokenów, a nie za milion słów.

Dorzuciłem jeszcze jedno słowo poza tabelą, żeby sprawdzić, ile kosztuje polska fleksja: forma „ubezpieczeniowego” wymaga 4,1 tokena u Groka i 5,0 u GPT, przy 2,1 i 4,0 dla mianownikowego „ubezpieczenie”. Sama końcówka fleksyjna potrafi więc dołożyć jeden do dwóch tokenów. Pomnóż to przez każdą odmienioną formę w tekście i masz swój podatek.

Pomiar drugi: mit ogonków

Skoro polskie znaki diakrytyczne bywają kodowane osobno, nasuwa się oszczędność, którą regularnie widuję na forach: napisz do modelu bez ogonków, a zapłacisz mniej. Postanowiłem to sprawdzić, bo brzmi logicznie.

Wziąłem ten sam tekst w dwóch wariantach. Pierwszy z pełną polszczyzną: „Zażółć gęślą jaźń. Święta Bożego Narodzenia w Świdnicy. Wróżąc, dowiedziałem się o zaściankowości. Ćwierćwiecze niezależności przedsiębiorstwa. Łódź, Gdańsk, Kraków i Wrocław. Żółw źrebię ćma ślimak”. Drugi identyczny, ale z ogonkami zamienionymi na litery bazowe.

Wynik jest jednoznaczny i idzie pod prąd potocznej intuicji. Na Groku okaleczony tekst kosztuje o jeden token więcej niż poprawny. Na Qwenie oszczędność wynosi trzy procent, czyli tyle co nic. Na GPT osiem procent, czyli nadal mniej, niż wynosi błąd, jaki popełnisz przy szacowaniu własnego zużycia. A na Kimi K3 tekst bez ogonków kosztuje o jedną czwartą więcej niż tekst poprawny.

Mechanizm jest prosty, gdy się o nim pomyśli. Tokenizer zna „Kraków” jako częsty ciąg znaków, bo widział go w treningu tysiące razy. Ale „Krakow” bez kreski to ciąg, którego w poprawnych tekstach nie ma, więc trzeba go składać z kawałków. Kaleczenie polszczyzny nie upraszcza jej dla modelu, tylko robi z niej tekst, którego model nigdy nie widział.

Do tego dochodzi drugi, poważniejszy koszt: jakość. Tekst bez ogonków jest dla modelu wieloznaczny („los” to „los” czy „łoś”), więc odpowiedzi są gorsze. Płacisz więc dwa razy, a oszczędzasz raz i to symbolicznie. Pisz po polsku poprawnie, to jest tańsze i lepsze.

Uczciwa uwaga: Claude Fable 5 nie zwrócił wyniku w tym pomiarze mimo trzech prób, więc jego w tabeli nie ma.

Pomiar trzeci: polski na tle sześciu innych języków

Zostaje pytanie, które od początku mnie ciekawiło najbardziej: czy to jest problem polski, czy problem wszystkich języków poza angielskim? Wziąłem więc jeden akapit o wdrażaniu AI w firmach i przetłumaczyłem go na siedem języków, dbając, żeby treść była identyczna. Ponieważ liczba słów przy tłumaczeniu się zmienia (hiszpański potrzebuje 47 słów tam, gdzie polski 32), porównuję koszt tej samej treści, a nie koszt słowa. To jedyna miara, która ma sens praktyczny: płacisz za przekazanie informacji, nie za słowa.

Polski jest więc w drugiej, droższej lidze. Języki zachodnie płacą narzut rzędu czterdziestu, pięćdziesięciu procent. Słowiańskie płacą siedemdziesiąt kilka, a ukraiński, zapisywany cyrylicą, przekracza sto procent. Hiszpański kosztuje niecałą połowę więcej od angielskiego, a polski prawie dwa razy tyle. Za tę samą wiadomość do klienta hiszpański sklep zapłaci o jedną czwartą mniej niż polski.

Ale ciekawsze jest to, jak bardzo ten obraz zależy od modelu. Poniżej ten sam akapit u wszystkich pięciu modeli.

Trzy rzeczy warto z tej tabeli wyjąć.

Grok 4.6 jest najtańszym modelem do polszczyzny i nie jest to bliski wynik. Pięćdziesiąt pięć procent narzutu przy siedemdziesięciu dziewięciu u GPT znaczy, że przy identycznej stawce za milion tokenów praca po polsku kosztuje na Groku o jedną piątą mniej.

Kimi K3 jest pułapką cenową. Wygląda tanio w cenniku, ale polski akapit kosztuje go 154 tokeny wobec 42 za angielski, czyli prawie czterokrotnie więcej. Cała jego przewaga cenowa znika przy pierwszym polskim zdaniu.

Claude Fable 5 jest rozrzutny w każdym języku. Nawet angielski akapit kosztuje go 71 tokenów, dwa razy więcej niż resztę stawki. Jego tokenizer jest po prostu gruboziarnisty. Ciekawostka: jako jedyny radzi sobie z ukraińskim lepiej niż z polskim.

Jedna rzecz, która mi się nie zgadza, i mówię o niej wprost

Ten sam polski akapit zmierzyłem na Kimi K3 dwa razy, w odstępie kilkudziesięciu minut, i dostałem 116 tokenów w pierwszym przebiegu i 154 w drugim. To nie jest różnica wynikająca z narzutu, bo ten odjąłem, i nie jest to różnica wynikająca z tekstu, bo tekst był identyczny co do znaku. Sam narzut Kimiego też okazał się niestabilny: trzy pomiary dały 86, 86 i 89 tokenów.

Nie wiem, skąd to się bierze, i nie będę zgadywał. Podaję liczbę z drugiego przebiegu, bo pochodzi z pomiaru wykonanego staranniejszą metodą, ale traktuj dane dla Kimiego jako orientacyjne. Pozostałe cztery modele zwracały przy powtórzeniach identyczne liczby, co do jednego tokena.

Pomiar czwarty: całe teksty w dwóch językach

Na koniec pomiar, od którego zacząłem tę pracę i który jest najbliższy realnemu zastosowaniu. Przygotowałem trzy teksty odpowiadające trzem typowym zastosowaniom AI: fragment newsa o wdrożeniach AI w firmach, instrukcję techniczną i zwykłą rozmowę, czyli prośbę o rezerwację stolika.

Każdy przetłumaczyłem na angielski tak, by treść i długość się zgadzały. Podaję liczby, żeby dało się to podważyć: polskie wersje mają łącznie 778 znaków i 129 słów, angielskie 794 znaki i 133 słowa. Polski oryginał jest zatem odrobinę krótszy w obu miarach, co czyni wynik jeszcze mocniejszym, bo krótszy tekst okazuje się droższy.

Kolejność jest ta sama co w pomiarze akapitowym, co jest dobrym znakiem dla obu pomiarów: Grok najtaniej, Kimi najdrożej, GPT i Claude pośrodku. Średnia dla całej piątki wypada w okolicach 60 procent narzutu i tę liczbę warto zapamiętać jako regułę kciuka.

Dwa modele musiałem wykluczyć

Mówię o tym wprost, bo to część rzetelnego pomiaru, a nie jego usterka. Gemini 3.6 Flash przez OpenRouter w ogóle nie raportuje liczby tokenów wejściowych, więc nie ma czego porównywać. DeepSeek V4 Pro raportuje, ale niestabilnie: ten sam tekst dostawał 78 tokenów w jednym przebiegu i 157 w kolejnym, a różnica utrzymywała się przy powtórzeniach. Danych, które zmieniają się dwukrotnie przy identycznym wejściu, nie da się zestawiać z resztą.

Warto też wiedzieć o narzucie technicznym każdego zapytania, bo bez jego odjęcia wszystkie powyższe liczby byłyby bez sensu. Zmierzyłem go, wysyłając samą kropkę: GPT i Claude doliczają po 7 tokenów, Qwen 49, Kimi 86, a Grok aż 207, prawdopodobnie ze względu na obszerną instrukcję systemową. Bez tej korekty Grok wyglądałby na model absurdalnie rozrzutny, a jest odwrotnie: to najtańszy model do polszczyzny w całym zestawieniu. Przy krótkich zapytaniach ten narzut ma zresztą realne znaczenie, bo dwieście tokenów doliczane do każdej wiadomości w bocie obsługi klienta to więcej niż sama wiadomość.

Ile to kosztuje naprawdę: cztery scenariusze

Procenty są abstrakcyjne, więc przeliczyłem je na sytuacje z życia. Liczę po stawkach z mojego obserwatorium kosztów AI i po kursie NBP z 21 sierpnia (3,68 zł za dolara). Wszystkie kwoty netto.

Scenariusz 1: książka do streszczenia

Wrzucasz do modelu polską książkę na trzysta stron, około dziewięćdziesięciu tysięcy słów, żeby zrobił streszczenie albo odpowiadał na pytania.

Stawki sprawdzone 21 sierpnia 2026. Od pomiaru tokenów z 14 sierpnia zmieniła się jedna cena: GPT-5.6 Terra podrożał z 1 do 2 dolarów za milion tokenów wejścia, więc kwoty w jego wierszu są dwa razy wyższe niż tydzień temu. Same pomiary tokenów pozostają aktualne, bo tokenizer nie zmienia się razem z cennikiem.

Jednorazowo to grosze i nikt tego nie zauważy. Dlatego przy pojedynczych zadaniach podatek tokenowy jest niewidzialny i dlatego nikt o nim nie mówi.

Scenariusz 2: bot obsługi klienta

Pięćset rozmów dziennie, każda z około trzystoma słowami kontekstu na wejściu i dwustoma słowami odpowiedzi. To typowa skala małego sklepu internetowego.

Na Groku 4.6 taka rozmowa kosztuje po polsku około 0,0030 dolara, a po angielsku 0,0021. Miesięcznie, przy piętnastu tysiącach rozmów, wychodzi 163 zł zamiast 114 zł. Pięćdziesiąt złotych miesięcznie wyłącznie za to, że twoi klienci piszą po polsku. Rocznie sześćset złotych.

Scenariusz 3: agent czytający dokumentację

Tu robi się poważnie. Agent, który przy każdym zapytaniu dostaje dwustustronicową dokumentację firmy (około sześćdziesięciu tysięcy słów) i obsługuje trzydzieści zapytań dziennie.

Na Groku 4.6 miesięczny rachunek za samo wejście wynosi po polsku około 652 zł, a przy tej samej dokumentacji po angielsku około 453 zł. Różnica to ponad dwieście złotych miesięcznie, czyli dwa i pół tysiąca rocznie, wyłącznie z powodu języka dokumentów. Gdyby ten sam agent stał na Kimi K3, sam narzut językowy byłby czterokrotny, a nie półtorakrotny.

Scenariusz 4: transkrypcje i napisy

Godzina nagrania to około dziewięciu tysięcy słów. Redakcja, która przepuszcza przez model dwadzieścia godzin materiału miesięcznie, przetwarza sto osiemdziesiąt tysięcy słów. Po polsku to około 295 tysięcy tokenów na Groku, po angielsku 205 tysięcy. Sama różnica to dziewięćdziesiąt tysięcy tokenów miesięcznie, za które płacisz, choć nie niosą ani jednego dodatkowego słowa treści.

Drugi koszt: kurczące się okno kontekstu

Tokeny to nie tylko pieniądze, to również pamięć. Producenci chwalą się gigantycznymi oknami kontekstu, ale te okna liczy się w tokenach, więc po polsku mieści się w nich mniej treści.

W praktyce znaczy to tyle, że polski użytkownik szybciej wyczerpuje pamięć rozmowy i częściej trafia na moment, w którym model „zapomina” początek wątku. To samo okno, które po angielsku pomieści całą umowę z załącznikami, po polsku pomieści tylko umowę.

Trzeci koszt: czas

Więcej tokenów to także dłuższe generowanie, bo model produkuje odpowiedź token po tokenie. W osobnym teście, w którym zadawałem modelom te same zadania po polsku i po angielsku, Grok 4.6 wygenerował polską odpowiedź w 576 tokenach, a angielską w 308. Prawie dwa razy dłuższa odpowiedź to prawie dwa razy dłuższe czekanie i, przy stawkach za wyjście trzykrotnie wyższych niż za wejście, znacząco wyższy rachunek.

Dla aplikacji działającej na żywo, gdzie użytkownik patrzy na kursor, to jest różnica między wrażeniem szybkości a wrażeniem ociężałości.

Czwarty koszt, o którym się nie mówi: dzielenie dokumentów

Jeżeli budujesz cokolwiek, co szuka odpowiedzi w twoich dokumentach, czyli to, co branża nazywa RAG, podatek tokenowy uderza w ciebie jeszcze raz i w miejscu, którego nie widać na fakturze.

Taki system dzieli dokumenty na kawałki o stałym rozmiarze, liczonym w tokenach, najczęściej po pięćset albo tysiąc. Skoro polskie słowo zajmuje dwa razy więcej tokenów niż angielskie, to polski kawałek mieści dwa razy mniej treści. Konsekwencje są trzy i każda kosztuje.

Więcej kawałków do zaindeksowania. Ten sam dokument rozpada się na dwa razy więcej fragmentów, więc dwa razy więcej razy płacisz za osadzenie i dwa razy więcej trzymasz w bazie wektorowej.

Gorsze wyszukiwanie. To jest poważniejsze niż koszt. Krótszy kawałek zawiera mniej kontekstu, więc częściej zdarza się, że pytanie i odpowiedź trafiają do dwóch różnych fragmentów i system znajduje tylko jeden z nich. Polski użytkownik dostaje gorsze odpowiedzi nie dlatego, że model gorzej rozumie polski, tylko dlatego, że system podał mu urwany kontekst.

Więcej kawałków w promptcie. Żeby to nadrobić, trzeba podawać modelowi więcej fragmentów naraz, co znowu zwiększa rachunek, tym razem po stronie zapytania.

Praktyczny wniosek: jeśli budujesz taki system na polskich dokumentach, ustaw rozmiar kawałka mniej więcej dwukrotnie większy niż w domyślnej konfiguracji pisanej pod angielski, i sprawdź, czy nie przekraczasz przy tym limitu modelu osadzającego. Domyślne ustawienia w bibliotekach są kalibrowane na angielszczyźnie i na polskim po prostu nie działają tak, jak zakładał ich autor.

Policz swój podatek w trzech krokach

Nie potrzebujesz do tego żadnego narzędzia poza kalkulatorem i jedną liczbą z tego artykułu.

Krok pierwszy: policz słowa. Ile słów wchodzi do modelu w jednym typowym zadaniu i ile z niego wychodzi. Nie zgaduj, weź trzy prawdziwe przykłady i policz.

Krok drugi: pomnóż przez współczynnik swojego modelu. Dla Groka 4.6 to 1,8 tokena na polskie słowo, dla Qwena 2,0, dla GPT-5.6 około 2,1, dla Claude’a Fable 5 około 4,1, dla Kimiego K3 około 4,8. Dla angielskiego przyjmij 1,1 niezależnie od modelu, poza Claude’em, gdzie jest to 2,0.

Krok trzeci: pomnóż przez stawkę i przez liczbę zadań w miesiącu. Pamiętaj, że stawka za wyjście jest zwykle trzy razy wyższa niż za wejście, więc licz je osobno.

Przykład dla konkretu. Bot odpowiadający na pytania o produkty: trzysta słów kontekstu na wejściu, sto pięćdziesiąt słów odpowiedzi, tysiąc rozmów miesięcznie, model Grok 4.6 po dwa dolary za milion tokenów wejścia i sześć za milion wyjścia. Wejście: 300 razy 1,8 daje 540 tokenów, plus 207 tokenów narzutu, razy tysiąc rozmów to 747 tysięcy tokenów, czyli 1,49 dolara. Wyjście: 150 razy 1,8 to 270 tokenów, razy tysiąc to 270 tysięcy tokenów po sześć dolarów, czyli 1,62 dolara. Razem około 11,60 zł miesięcznie. Ta sama konfiguracja po angielsku: około 8,50 zł. Trzy złote różnicy przy tysiącu rozmów, trzysta złotych przy stu tysiącach.

Zwróć uwagę na jedną rzecz w tym rachunku: narzut techniczny Groka, czyli 207 tokenów, stanowi tu więcej niż jedną czwartą całego wejścia. Przy krótkich zapytaniach to on jest głównym kosztem, a nie język. To jest dokładnie ten rodzaj szczegółu, którego nie zobaczysz w żadnym porównaniu cenników.

Siedem praktycznych wniosków

Przy dużych wolumenach patrz na tokenizer, nie tylko na cennik. Grok 4.6 i Qwen 3.8 Max radzą sobie z polszczyzną najoszczędniej. Przy identycznej stawce dwóch dolarów za milion tokenów są realnie tańsze od modeli, które nominalnie kosztują tyle samo. Kimi K3 wygląda w cenniku przyzwoicie, ale po polsku spala trzy do czterech razy więcej tokenów niż po angielsku.

Nie usuwaj ogonków. To najważniejsza pojedyncza rzecz, którą wyniosłem z tych pomiarów, bo obala poradę, którą powtarza pół internetu. Oszczędność wynosi od minus dwudziestu czterech do plus ośmiu procent, czyli statystycznie zero, a jakość odpowiedzi spada.

Oddziel instrukcje od treści. Jeżeli budujesz automat, prompty systemowe pisz po angielsku, bo tam wszystkie modele liczą tak samo tanio, a po polsku zostawiaj wyłącznie to, co musi być po polsku: materiał źródłowy i finalny tekst. Instrukcja systemowa na dwieście słów, powtarzana tysiąc razy dziennie, to różnica rzędu kilkudziesięciu złotych miesięcznie.

Sprawdź narzut techniczny swojego modelu. Przy krótkich zapytaniach to bywa większy koszt niż sama treść. Dwieście siedem tokenów Groka doliczane do każdej wiadomości w bocie to przy krótkich pytaniach więcej niż pytanie i odpowiedź razem wzięte.

Licz koszt na zadanie, nie na milion tokenów. Stawka za milion tokenów to abstrakcja. Policz swój typowy przypadek: ile słów wchodzi, ile wychodzi, ile razy dziennie.

Przy długich dokumentach planuj okno z zapasem. Skoro po polsku mieści się w nim o jedną trzecią mniej treści, model z oknem stutysięcznym w praktyce obsłuży ci dokument, który po angielsku zmieściłby się w siedemdziesięciu tysiącach.

Sprawdzaj, czy dostawca w ogóle raportuje zużycie. Jak pokazał ten test, jeden z popularnych modeli nie podaje liczby tokenów wejściowych, a dwa kolejne podają ją niestabilnie. Jeśli budujesz na tym rozliczenia albo limity, warto to wiedzieć wcześniej niż przy pierwszej fakturze.

Aneks: jak powtórzyć te pomiary u siebie

Wszystkie cztery pomiary opierają się na jednej sztuczce: wysyłasz zapytanie z limitem jednego tokena odpowiedzi, żeby model nie zdążył nic wygenerować, i odczytujesz z odpowiedzi pole usage.prompt_tokens. To jest dokładnie tyle, ile model policzył sobie na wejściu, czyli to, za co płacisz.

Dalej procedura zależy od tego, co mierzysz. Przy całych tekstach wystarczy odjąć narzut techniczny, zmierzony osobno zapytaniem z samą kropką. Przy pojedynczych słowach narzut jest większy niż mierzona wielkość, więc wysyłaj słowo w dwudziestu powtórzeniach i dziel wynik przez dwadzieścia. Przy porównaniach międzyjęzykowych porównuj koszt tej samej treści, a nie tego samego słowa, bo liczba słów w tłumaczeniu się zmienia.

Powtórz każdy pomiar co najmniej trzy razy, także pomiar narzutu. Jeśli wyniki się różnią, tak jak u Kimiego i DeepSeeka, to sam w sobie jest wynik: znaczy, że dostawca nie raportuje zużycia w sposób, na którym da się polegać.

Czy to się zmieni

Prawdopodobnie tak, ale powoli. Tokenizery są ustalane na etapie treningu i nie da się ich zmienić w istniejącym modelu, więc poprawa przyjdzie dopiero z kolejnymi generacjami. Kolejne modele trenowane są na coraz bardziej wielojęzycznych zbiorach, więc udział polszczyzny w słownikach rośnie.

Widać to zresztą w samych danych: różnica między Grokiem, u którego polskie słowo kosztuje 2,2 tokena, a Claude’em, u którego kosztuje 6,6, to nie jest różnica jakości modelu, tylko decyzji podjętej przy budowie słownika. Skoro jeden producent potrafi zmieścić polskie słowo w dwóch tokenach, to znaczy, że da się to zrobić, i inni to nadrobią.

Do tego czasu warto po prostu wiedzieć, że ten podatek istnieje, i wybierać model świadomie. Aktualne stawki wszystkich modeli aktualizuję codziennie w kalkulatorze kosztów AI, ceny generowania wideo w osobnym obserwatorium, a kolejne pomiary tego typu publikuję w pojedynkach AI. Jakość polszczyzny w każdym z tych modeli sprawdziłem osobno w teście dwunastu zadań językowych i wnioski z obu tekstów warto czytać razem, bo najtańszy model nie jest najlepszy, a najlepszy bywa najdroższy podwójnie.

// czytaj dalejOgarnij AI, level 6: Nigdy więcej „nie wiem, co wrzucić”: pomysły, hooki i opisy na cały tydzieńPremiumNowe narzędzia AI tygodnia: Aye, Pebbles Ai, Basedash Suggestions i więcejPremiumNowe narzędzia AI tygodnia: ConnectMachine 2.0, ChatCut, Yasmine Works i więcejPremium