「用文言，可減 token 乎？」——這句問話配上 Claude Haiku 4.5 以文言文回覆「可也。文言較為簡潔，用詞凝練，確能減損 token 之耗損」的截圖，在社群引發了一場認真又有趣的技術討論。
Table of Contents
直覺上，文言文比白話文更精簡——「蝶」一字，白話需說「蝴蝶」；「可」一字，白話需說「可以」。如果每個漢字算一個 token，理論上文言文確實能節省 token。Grok 也在討論串中以文言文回應確認了這個說法。
不過，多位工程師指出了一個常被忽略的技術細節——token 不等於字數。OpenAI 等西方模型的 tokenizer 是針對英文優化的，處理中文時，一個漢字往往需要 1-2 個 token，而且繁體字有時比簡體字耗更多 token。換言之，「可」與「可以」在某些模型裡可能都是 2 個 token，字數少了，token 未必少了。
實測後的結論是：美國模型用英文最省，中國模型用現代漢語最省，相同內容用國產模型的中文 token 費用可比英文便宜約 20%。
討論中出現了一個更有趣的觀察——主流 LLM 幾乎沒有針對文言文設防，用文言文提問更容易繞過安全限制，甚至套出模型平時會拒絕回答的內容。據稱有 ICML 或 ICLR 的論文記錄了這個現象。
另一個反駁來自實際使用經驗：「用文言文思維鏈會造成質量下降。正常思維鏈能答對的，用文言文思維鏈就會出錯。」道理也簡單：LLM 的訓練資料以現代英文和現代中文為主，文言文語料不足十分之一，要它用文言文思考，等於讓它用不熟悉的語言推理，幻覺率自然也雙向放大。
這場討論的結果大致是：對西方模型，用英文才是真正省 token 的方式；對國產模型，現代中文比文言文更穩定。文言文的「省 token」效果在 tokenizer 層面很可能被抵消，反而帶來推理品質下降的風險。不過，這個截圖確實達成了另一個目標：讓一個枯燥的 AI 成本問題，變成了一場人人都能參與的有趣討論。
風險提示
加密貨幣投資具有高度風險，其價格可能波動劇烈，您可能損失全部本金。請謹慎評估風險。
