Token-Zähler für GPT, Claude, Gemini und Llama
Zähle Tokens für OpenAI-Modelle exakt, schätze sie für Claude, Gemini und Llama, sieh die Kosten und schau zu, wie der Text in Tokens zerlegt wird.
Tokens nach Modellfamilie
| Tokenizer | Tokens | Typ |
|---|---|---|
OpenAI o200k_base GPT-4o, GPT-4.1, GPT-5.x, o-Serie, gpt-oss (GPT-6 angenommen) | ... | Exakt |
OpenAI cl100k_base GPT-4, GPT-3.5 Turbo, text-embedding-3 | ... | Exakt |
Claude (Opus 4.7 und neuer) Claude Fable 5.1, Opus 5.5, Sonnet 5.5, Haiku 5.5, Opus/Sonnet 5, Opus 4.7+ | ... | Schätzung |
Claude (Sonnet 4.6 und älter) Claude Sonnet 4.6, Haiku 4.5 und älter | ... | Schätzung |
Gemini / Gemma Gemini 2.5 bis 4, Gemma | ... | Schätzung |
Llama 3 Llama 3.x | ... | Schätzung |
Mistral (Tekken) Mistral Large/Medium/Small, Codestral | ... | Schätzung |
DeepSeek DeepSeek V3/V4, R1 | ... | Schätzung |
Qwen Qwen 2.5 / 3 / 3.5 | ... | Schätzung |
Grok Grok 4.x | ... | Schätzung |
Nur OpenAI veröffentlicht seine Tokenizer in einer Form, die ein Browser ausführen kann. Die anderen werden aus den exakten Werten geschätzt (Methode beim Überfahren einer Zeile). Für einen exakten Wert für Claude oder Gemini nutze den kostenlosen Token-Counting-Endpoint des Anbieters.
Kosten dieses Texts
≈ 0 Tokens (Schätzung, Claude (Opus 4.7 und neuer)) · <0.1 % des Kontextfensters von 1.000.000 Tokens
Listenpreis von Anthropic, Stand 2026-10-16. Quelle. Für ganze Workloads nutze den LLM-API-Kostenrechner.
Token-Visualisierung
Jede Farbe ist ein Token (ID beim Überfahren). Ein Block mit mehreren IDs ist ein Zeichen, das auf mehrere Tokens verteilt ist – häufig bei Emojis und CJK-Text.
Komplett in deinem Browser tokenisiert, mit den Open-Source-Rank-Dateien von tiktoken. Dein Text wird nie irgendwohin gesendet. Alle kostenlosen Tools ansehen.
Ein Problem gefunden oder etwas, das besser sein könnte? Wir lesen jede Nachricht und beheben Fehler schnell.
Dieser Token-Zähler zeigt, wie viele Tokens dein Text in GPT, Claude, Gemini, Llama und anderen großen Sprachmodellen verbraucht – denn API-Preise, Kontextfenster und Rate Limits werden alle in Tokens gemessen, nicht in Wörtern. Füge einen Prompt oder ein ganzes Dokument ein, und du erhältst die exakte Zahl für die beiden aktuellen Tokenizer von OpenAI, o200k_base (GPT-4o, GPT-4.1, GPT-5.x) und cl100k_base (GPT-4, GPT-3.5 Turbo), dazu, was dieser Text beim gewählten Modell als Eingabe oder Ausgabe kostet.
Die Zahlen für andere Modellfamilien sind Schätzungen, und das Tool sagt das in jeder Zeile. Anthropic, Google und xAI veröffentlichen ihre Tokenizer nicht in einer Form, die eine Webseite ausführen kann; ihre Werte werden daher aus den exakten OpenAI-Zahlen mithilfe der von den Anbietern selbst veröffentlichten Verhältnisse abgeleitet. Die Visualisierung färbt jedes Token ein, sodass du siehst, warum Emojis, Code und nicht englischer Text mehr kosten als einfaches Englisch. Alles läuft lokal: Die Tokenizer-Dateien werden einmal in deinen Browser geladen, und dein Text verlässt ihn nie.
So funktioniert’s
- Füge deinen Text ein oder tippe ihn. Die Zahlen aktualisieren sich beim Tippen, bei sehr langen Dokumenten mit kurzer Verzögerung.
- Lies oben die exakten GPT-Zahlen und dann die Tabelle nach Modellfamilien. Zeilen mit dem Hinweis Schätzung sind Näherungswerte; fahr mit der Maus über eine Zeile, um zu sehen, wie sie berechnet wurde.
- Wähle ein Modell, um die Kosten des Textes als Eingabe und als Ausgabe zu sehen und wie viel seines Kontextfensters er füllt.
- Scrolle zur Token-Visualisierung und wechsle zwischen o200k_base und cl100k_base, um zu vergleichen, wie sie denselben Text zerlegen. Schalte Token-IDs ein, um die Zahlen zu sehen, die das Modell erhält.
- Nutze Zahlen kopieren, um eine Zusammenfassung in ein Ticket oder eine Tabelle einzufügen.
Häufige Fragen
Wie viele Tokens hat ein Wort?
Bei normaler englischer Prosa etwa 1,3 Tokens pro Wort mit dem Tokenizer o200k_base von OpenAI, oder grob 4 Zeichen pro Token. Häufige kurze Wörter sind jeweils ein Token; lange oder seltene Wörter werden in mehrere zerlegt. Code, Zahlen, URLs und die meisten nicht englischen Sprachen brauchen mehr Tokens pro Wort. Das Tool zeigt unter der Wortzahl das tatsächliche Verhältnis von Tokens pro Wort in deinem Text.
Ist die Token-Zahl für Claude exakt?
Nein, und sie ist als Schätzung gekennzeichnet. Der Tokenizer von Anthropic ist nicht öffentlich. Laut Anthropic erzeugt der mit Claude Opus 4.7 eingeführte Tokenizer (verwendet von Claude Fable 5.1, Opus 5.5, Sonnet 5.5 und Haiku 5.5) etwa 30 % mehr Tokens als der vorherige, und 1M Tokens fassen etwa 555.000 englische Wörter statt vorher 750.000. Die Schätzung wendet dieses Verhältnis auf die exakte cl100k_base-Zahl an. Für eine exakte Zahl rufst du den kostenlosen Token-Zähl-Endpunkt von Anthropic (POST /v1/messages/count_tokens) mit deinem Text auf.
Warum brauchen Emojis und chinesischer oder japanischer Text so viele Tokens?
Moderne Tokenizer arbeiten mit UTF-8-Bytes. Häufige Bytefolgen, meist englische Wörter und gängiger Code, bekommen ein eigenes Token; alles Seltenere wird in kleinere Stücke zerlegt, bis hin zu einzelnen Bytes. Die meisten Emojis haben 4 Bytes und belegen 1 bis 3 Tokens, und ein Hautton- oder Geschlechtsmodifikator kommt noch hinzu. o200k_base hat viel mehr Tokens für nicht englische Schriften als cl100k_base, derselbe chinesische oder Hindi-Satz ist ab GPT-4o also spürbar günstiger als bei GPT-4. Die Visualisierung zeigt diese Zerlegungen als Blöcke, die mehrere Token-IDs enthalten.
Was ist der Unterschied zwischen o200k_base und cl100k_base?
Es sind die beiden aktuellen Tokenizer von OpenAI. cl100k_base hat etwa 100.000 Tokens und wird von GPT-4, GPT-3.5 Turbo und den text-embedding-3-Modellen verwendet. o200k_base hat etwa 200.000 Tokens und wird von GPT-4o, GPT-4.1, GPT-5.x und den Reasoning-Modellen der o-Serie verwendet; gpt-oss nutzt eine Variante davon. Das größere Vokabular hilft vor allem bei nicht englischem Text und Code, wo es typischerweise weniger Tokens erzeugt.
Zählt die API mehr Tokens, als dieses Tool anzeigt?
Meist ein paar mehr pro Anfrage. Chat-APIs packen jede Nachricht in Rollenmarkierungen, die eine Handvoll Tokens hinzufügen, und auch der System-Prompt, Tool-Definitionen, frühere Gesprächsrunden und eventuelle Reasoning-Tokens werden abgerechnet. Bilder, Audio und Dateien werden separat berechnet. Dieses Tool zählt den reinen Text, den du einfügst – also den Teil, den du in der Hand hast.
Wird mein Text an einen Server gesendet?
Nein. Die Rank-Dateien des Tokenizers werden einmal in deinen Browser geladen (etwa 3 MB), und das gesamte Zählen passiert auf deinem Gerät. Du kannst nach dem Laden der Seite die Internetverbindung trennen, und der Zähler funktioniert weiter.
Warum derselbe Text in verschiedenen Modellen unterschiedlich viele Tokens hat
Jede Modellfamilie trainiert ihren eigenen Tokenizer: ein festes Vokabular aus Textfragmenten, gelernt aus den Daten, mit denen das Modell trainiert wurde. Ein Wort, das in einem Vokabular ein Token ist, können in einem anderen drei sein. Bei einfachem Englisch sind die Unterschiede klein, bei Code, seltenen Sprachen, Emojis und langen Zahlen groß.
Die Größe des Vokabulars ist der wichtigste Hebel. cl100k_base von GPT-4 hat etwa 100.000 Einträge; GPT-4o und neuer nutzen o200k_base mit etwa 200.000; das SentencePiece-Vokabular von Gemini hat etwa 256.000; Llama 3 verwendet ein Vokabular mit 128.000 Einträgen auf Basis von cl100k. Ein größeres Vokabular bedeutet meist weniger Tokens pro Satz, besonders außerhalb des Englischen, aber Anbieter ändern Tokenizer auch aus Qualitätsgründen. Der neuere Tokenizer von Anthropic erzeugt mehr Tokens als sein alter, nicht weniger.
Das zählt beim Kostenvergleich. Verlangen zwei Modelle denselben Preis pro Million Tokens, braucht eines aber 30 % mehr Tokens für deinen Text, ist es für dich 30 % teurer. Der Rechner für LLM-API-Kosten auf dieser Website kann Zahlen genau aus diesem Grund pro Tokenizer skalieren.
Wie jede Schätzung entsteht
• OpenAI o200k_base und cl100k_base: exakt, mit denselben Rank-Dateien wie die tiktoken-Bibliothek von OpenAI. OpenAI hat für GPT-6 keinen Tokenizer veröffentlicht; o200k_base ist die nächstliegende öffentliche Entsprechung und wird als solche angezeigt.
• Claude (Opus 4.7 und neuer, einschließlich Fable 5.1, Opus 5.5, Sonnet 5.5 und Haiku 5.5): cl100k_base-Zahl mal 1,35, basierend auf den Angaben von Anthropic, dass der neue Tokenizer etwa 30 % mehr Tokens erzeugt und etwa 555.000 englische Wörter in 1M Tokens unterbringt statt vorher 750.000.
• Claude Sonnet 4.6, Haiku 4.5 und älter: die cl100k_base-Zahl. Der ältere Tokenizer von Anthropic liegt bei englischer Prosa nahe daran.
• Gemini und Gemma: die o200k_base-Zahl. Google nennt für Englisch etwa 4 Zeichen pro Token, im Einklang mit o200k_base.
• Llama 3: die cl100k_base-Zahl, da das Vokabular von Llama 3 das von cl100k plus 28.000 zusätzliche Tokens enthält, überwiegend für andere Sprachen.
• Mistral, DeepSeek, Qwen und Grok: die o200k_base-Zahl, da alle große Byte-Level-BPE-Vokabulare ähnlicher Größe verwenden. Für Englisch liegen diese Schätzungen erfahrungsgemäß innerhalb von etwa 10 bis 15 % der echten Zahl; bei Code und nicht englischem Text kann der Fehler größer sein.
Praktische Wege, weniger Tokens zu verbrauchen
Minifiziere JSON vor dem Senden. Einrückungen und Zeilenumbrüche sind auch Tokens, und hübsch formatiertes JSON kann ein Drittel mehr Tokens verbrauchen als dieselben Daten in einer Zeile; der JSON-Formatierer auf dieser Website minifiziert mit einem Klick. Feldnamen wiederholen sich bei jedem Datensatz, bei großen Tabellen ist CSV daher oft günstiger als JSON.
Stell gleichbleibende Anweisungen an den Anfang und den wechselnden Teil ans Ende. Anbieter cachen wiederholte Prompt-Präfixe und rechnen Cache-Treffer zu einem Bruchteil des Eingabepreises ab (10 % oder weniger des normalen Eingabepreises bei aktuellen Modellen von OpenAI, Anthropic und Google) – aber nur, wenn der Anfang des Prompts zwischen den Anfragen identisch ist.
Kürze den Gesprächsverlauf. Eine Chat-App sendet bei jeder Runde das ganze Gespräch erneut, ein Thread mit 20 Nachrichten kostet also weit mehr als 20 einzelne Fragen. Fasse alte Runden zusammen oder lass sie weg, sobald sie keine Rolle mehr spielen.
Entferne personenbezogene Daten, die das Modell nicht sehen muss. Sie kosten Tokens und schaffen Risiken; der PII-Redaktor auf dieser Website ersetzt sie durch kurze Platzhalter und setzt sie in der Antwort wieder ein.
Ähnliche kostenlose Tools
- LLM-API-Kostenrechner — Vergleiche die Kosten deines Workloads über mehr als 40 Modelle, mit Caching, Batch-Rabatten, Long-Context-Stufen und Reasoning-Tokens. Preise mit Quelle und Datum.
- Wortzähler — Zähle Wörter, Zeichen, Sätze und Lesezeit und prüfe beim Tippen die Limits für X, LinkedIn, Instagram, YouTube, SEO und SMS.
- PII-Schwärzer für KI-Prompts — Ersetze E-Mail-Adressen, Telefonnummern, Kartennummern, API-Keys und Namen durch Platzhalter, bevor du Text in eine KI einfügst – und stelle sie in der Antwort wieder her.
- JSON Formatter — JSON formatieren, minifizieren und validieren, Parse-Fehler mit Zeile und Spalte. Im Browser, ohne Upload.
- LLM-VRAM-Rechner — Ermittle, wie viel GPU-Speicher ein lokales LLM für deine Quantisierung und Kontextlänge braucht, ob es auf deine GPU oder deinen Mac passt und wie schnell es läuft.