---
title: "Tokens pro Wort: Arabisch vs. Englisch richtig messen"
description: "Warum Arabisch für denselben Inhalt oft mehr LLM-Tokens braucht als Englisch, warum Tokens pro Wort täuschen, und ein Skript, das Ihr Verhältnis aus usage misst."
url: https://broadrouter.com/de/blog/tokens-per-word-arabic-english/
lang: de
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Mit KI-Unterstützung aus dem Englischen übersetzt. [Englisches Original lesen](https://broadrouter.com/blog/tokens-per-word-arabic-english/) (aktualisiert am 2026-11-16).

# Tokens pro Wort, Arabisch vs. Englisch: Warum Arabisch mehr kostet

Vom Team von BroadNet Inference · 6 Min. Lesezeit · Veröffentlicht 2026-11-14 · Aktualisiert 2026-11-16

Es gibt keine einzelne Zahl: Sie hängt vom Tokenizer jedes Modells ab. Im gemessenen Datensatz von BroadRouter braucht derselbe Text in modernem Hocharabisch 1.31× (Qwen3.8 27B) bis 1.77× (GLM 5.3) so viele Tokens wie seine englische Übersetzung, und 1.000 Wörter englische Prosa ergeben im Schnitt etwa 1,290 Tokens. Messen Sie Ihr eigenes Verhältnis über usage.prompt\_tokens.

## Das Wichtigste in Kürze

-   Tokens pro Wort sind eine Eigenschaft des Tokenizers jedes Modells, nicht der Sprache allein.
-   Forschung zu vielen Tokenizern zeigt, dass derselbe Inhalt auf Arabisch oft mehr Tokens kostet als auf Englisch.
-   Vergleichen Sie Paralleltexte (dieselbe Bedeutung in beiden Sprachen), nicht Tokens pro Wort: Ein arabisches Wort kann mehrere englische Wörter tragen.
-   Messen Sie mit usage.prompt\_tokens auf genau dem Modell, das Sie nutzen werden, und ziehen Sie eine Basislinie für den Nachrichten-Overhead ab.
-   Diakritika, Tatweel und gemischte Schriften verändern die Zahlen; normalisieren Sie Eingaben einheitlich.

**Auf dieser Seite**

1.  Wie viele Tokens mehr braucht Arabisch? Gemessene Zahlen
2.  Was macht ein Tokenizer?
3.  Warum braucht Arabisch oft mehr Tokens?
4.  Warum sind Tokens pro Wort die falsche Kennzahl?
5.  Wie messen Sie Ihr eigenes Verhältnis?
6.  Was bedeutet das für Kosten und Kontext?
7.  Wie können Sie die Token-Anzahl auf Arabisch senken?

Wenn Sie ein arabisches Produkt auf einer LLM-API bauen, wird Ihre Rechnung in Tokens gezählt, nicht in Wörtern. Und dieselbe Nachricht wird auf Arabisch oft zu mehr Tokens als ihre englische Übersetzung. Das wirkt sich auf Kosten, Kontextlimits und Latenz aus. Dieser Beitrag erklärt, warum das passiert, warum „Tokens pro Wort“ eine irreführende Zahl ist und wie Sie das echte Verhältnis für Ihre eigenen Inhalte auf dem Modell messen, das Sie nutzen.

## Wie viele Tokens mehr braucht Arabisch? Gemessene Zahlen

Wir haben das mit dem echten Tokenizer jedes Modells an Paralleltexten gemessen (dieselbe Bedeutung auf Englisch und Arabisch). Die vollständige Tabelle, 95-%-Intervalle und die Methode stehen im kostenlosen [Datensatz zur Tokenizer-Effizienz](https://broadrouter.com/data/tokenizer-efficiency/) (CSV und JSON, CC BY 4.0, Version 4, gemessen am 15.11.2026):

| Tokenizer | Arabisch ÷ Englisch, Hocharabisch (2,009 Sätze aus FLORES-200) | Arabisch ÷ Englisch, Golf-Dialekt (49 Sätze aus Tatoeba) |
| --- | --- | --- |
| Qwen3.8 27B | 1.31× | 1.21× |
| GPT (o200k) | 1.38× | 1.32× |
| Gemma 4 VL 26B | 1.47× | 1.22× |
| DeepSeek V4.1 Flash | 1.62× | 1.44× |
| GLM 5.3 | 1.77× | 1.57× |

Englische Prosa (Wikipedia und Project Gutenberg) kam über die fünf Tokenizer auf etwa 127 bis 132 Tokens pro 100 Wörter. Die Verhältnisse für modernes Hocharabisch stammen aus denselben 2,009 Sätzen aus FLORES-200 in beiden Sprachen (formeller Nachrichten-, Reise- und Lexikontext aus englischsprachigen Wikimedia-Artikeln, professionell übersetzt). FLORES-200 enthält kein Golf-Arabisch, daher nutzt die Golf-Spalte 49 kurze Satzpaare aus Tatoeba und ist deutlich ungenauer; die Seite des Datensatzes gibt für jede Zahl ein Intervall an. Nichts davon ist Ihr Traffic. Nutzen Sie die Verhältnisse also zur Planung und messen Sie Ihre eigenen Inhalte, bevor Sie budgetieren. Der [arabische Token-Zähler](https://broadrouter.com/tools/arabic-token-counter/) zählt einen eingefügten Text mit jedem Tokenizer, und [Tokens in Wörter](https://broadrouter.com/tools/tokens-to-words/) rechnet in beide Richtungen um.

Um diese Verhältnisse in Geld umzurechnen, bepreist unser [Datensatz zu den realen Kosten nach Sprache](https://broadrouter.com/data/real-cost-by-language/) 1 Mio. Zeichen jeder Sprache für jedes Modell, das wir einem gemessenen Tokenizer zuordnen konnten, über verschiedene Anbieter hinweg. Ein günstigerer Preis pro Token bedeutet nicht immer eine günstigere Rechnung für Arabisch.

## Was macht ein Tokenizer?

Bevor ein Modell Text sieht, zerlegt ein Tokenizer ihn in Tokens aus einem festen Vokabular. Die meisten modernen Tokenizer nutzen Subword-Verfahren wie Byte-Pair Encoding (BPE), WordPiece oder SentencePiece, beschrieben in Hugging Faces [Überblick über die Tokenizer](https://huggingface.co/docs/transformers/tokenizer_summary). Häufige Zeichenfolgen aus den Trainingsdaten werden zu einzelnen Tokens; seltene Zeichenfolgen werden in kleinere Teile zerlegt, notfalls bis hinunter zu einzelnen Bytes.

Das Vokabular wird aus einem Trainingskorpus gelernt. Die Sprachen, die dieses Korpus dominieren, bekommen die effizienteste Kodierung. Jede Modellfamilie hat ihren eigenen Tokenizer, sodass Modelle von DeepSeek, Qwen, GLM und Gemma denselben arabischen Satz in recht unterschiedlich viele Tokens zerlegen können.

## Warum braucht Arabisch oft mehr Tokens?

### 1\. Ungleichgewicht in den Trainingsdaten

Viele Tokenizer wurden mit Text trainiert, in dem Englisch stark überrepräsentiert ist. Häufige englische Wörter werden zu je einem Token; viele häufige arabische Wörter werden in mehrere Teile zerlegt. Petrov et al. (2023) haben das über viele Tokenizer und Sprachen gemessen und große Unterschiede darin gefunden, wie viele Tokens derselbe Inhalt braucht, wobei Englisch typischerweise zu den günstigsten gehört. Ahia et al. (2023) kamen für kommerzielle APIs zu einem ähnlichen Schluss und wiesen auf die direkte Auswirkung darauf hin, was Sprecher verschiedener Sprachen bezahlen.

### 2\. Arabische Morphologie

Arabisch hängt Konjunktionen, Präpositionen, den Artikel und Pronomen direkt an Wörter an. Ein geschriebenes Wort kann tragen, was das Englische auf mehrere verteilt:

| Arabisch | Ungefähr auf Englisch |
| --- | --- |
| وسيكتبونها | and they will write it |
| بالمدرسة | in the school |
| فقلنا | so we said |

Ein Tokenizer, der eine bestimmte Kombination nicht oft genug gesehen hat, zerlegt sie häufig in Teile. Das erhöht die Tokens pro **Wort**, auch wenn die Tokens pro **Bedeutung** vertretbar sind.

### 3\. Details der Schrift

Diakritika (Taschkil), Tatweel (das Dehnungszeichen), verschiedene Formen von Alef und Hamza sowie arabisch-indische Ziffern sind alles zusätzliche Zeichen oder Varianten, die der Tokenizer kodieren muss. Gemischter arabischer und lateinischer Text sowie Arabizi (Arabisch in lateinischen Buchstaben mit Ziffern) können ebenfalls unerwartet zerfallen. Siehe [wie LLMs mit Arabizi umgehen](https://broadrouter.com/de/blog/arabizi-llm-handling/).

## Warum sind Tokens pro Wort die falsche Kennzahl?

Weil ein arabisches Wort oft mehreren englischen Wörtern entspricht, sind „Arabisch braucht N Tokens pro Wort“ und „Englisch braucht M Tokens pro Wort“ nicht vergleichbar. Die fairere Frage lautet: **Wie viele Tokens braucht derselbe Inhalt in jeder Sprache?** Nutzen Sie Paralleltext, also dieselbe Nachricht in beiden Sprachen, und vergleichen Sie die Gesamtzahl der Tokens. Dieses Verhältnis verändert Ihre Rechnung.

Die oft zitierte Faustregel von OpenAI, etwa vier Zeichen oder drei Viertel eines Worts pro Token, gilt für Englisch auf OpenAIs eigenen Tokenizern. Sie lässt sich nicht auf Arabisch oder andere Modellfamilien übertragen; verwenden Sie sie also nicht für Budgets auf Arabisch.

## Wie messen Sie Ihr eigenes Verhältnis?

Das Usage-Feld ist die verbindliche Grundlage: Danach werden Sie abgerechnet. Dieses Skript sendet Paralleltexte an ein Modell und liest `usage.prompt_tokens`. Es zieht eine Basislinie ab, damit der feste Overhead des Chat-Templates kurze Texte nicht verzerrt. Es nutzt [Gemma 4 VL 26B](https://broadrouter.com/de/models/gemma-4-vl-26b/), das mit dem kostenlosen Startguthaben funktioniert und kein Reasoning betreibt; setzen Sie das Modell ein, das Sie tatsächlich nutzen werden.

```python
import os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
MODEL = "broadnet/gemma-4-26b-a4b"

def prompt_tokens(text):
    r = client.chat.completions.create(
        model=MODEL, max_tokens=1,
        messages=[{"role": "user", "content": text}],
    )
    return r.usage.prompt_tokens

baseline = prompt_tokens(".")
pairs = [
    ("Your order has shipped and will arrive on Thursday.",
     "تم شحن طلبك وسيصل يوم الخميس."),
    ("Please send a photo of the invoice so we can check the total.",
     "يرجى إرسال صورة الفاتورة حتى نتحقق من المبلغ الإجمالي."),
]

en_total = ar_total = 0
for en, ar in pairs:
    en_t = prompt_tokens(en) - baseline
    ar_t = prompt_tokens(ar) - baseline
    en_total += en_t; ar_total += ar_t
    print(f"EN {en_t:4d} | AR {ar_t:4d} | ratio {ar_t / max(1, en_t):.2f}")

print(f"Overall Arabic/English token ratio: {ar_total / max(1, en_total):.2f}")
```

So bekommen Sie eine Zahl, der Sie trauen können:

1.  **Verwenden Sie 50–200 echte Paare** aus Ihrem eigenen Bereich: Supportnachrichten, Produktbeschreibungen, Rechnungen. Kurze Demosätze sind verrauscht.
2.  **Verwenden Sie den Dialekt, in dem Ihre Nutzer schreiben.** Golf-, ägyptischer und levantinischer Text kann anders tokenisiert werden als modernes Hocharabisch.
3.  **Lassen Sie es pro Modell laufen.** Ein auf einem Modell gemessenes Verhältnis sagt wenig über ein anderes aus. Wenn Sie zwischen Modellen wählen, lassen Sie dieselben Paare auf jedem laufen; [ein LLM für Arabisch auswählen](https://broadrouter.com/de/blog/choosing-an-llm-for-arabic/) behandelt die Qualität, die genauso zählt wie die Token-Anzahl.
4.  **Messen Sie auch die Ausgabe.** Bitten Sie jedes Modell, auf Arabisch und auf Englisch zu antworten, und vergleichen Sie `completion_tokens`. Output kostet bei jedem Modell mehr pro Token als Input, daher kann das Output-Verhältnis wichtiger sein.

Ist der Tokenizer des Modells veröffentlicht (zum Beispiel auf Hugging Face), können Sie Tokens auch offline mit diesem Tokenizer zählen. Das Usage-Feld der API bleibt trotzdem maßgeblich, weil es das Chat-Template enthält, das der Server anwendet.

### Die Ergebnisse lesen

Wenn Sie ein Verhältnis pro Modell haben, sind drei Muster häufig:

-   **Nahe 1.** Der Tokenizer kommt gut mit Ihrem Arabisch zurecht. Arabischer und englischer Traffic kosten für denselben Inhalt etwa gleich viel.
-   **Deutlich über 1.** Arabisch kostet mehr pro Nachricht. Planen Sie das in Prognosen und Kontextlimits ein und prüfen Sie, ob ein anderes Modell Ihr Arabisch bei ähnlicher Qualität effizienter verarbeitet.
-   **Stark schwankend über Ihre Proben.** Meist ein Zeichen für gemischte Inhalte: Text mit Diakritika, Arabizi, Zahlen, URLs oder Code in arabischen Nachrichten. Teilen Sie Ihre Proben nach Art auf und messen Sie jede getrennt.

Behalten Sie das Skript und lassen Sie es erneut laufen, wenn Sie Modelle wechseln oder ein Anbieter eine Modellversion aktualisiert, denn ein neuer Tokenizer verändert jede Zählung.

## Was bedeutet das für Kosten und Kontext?

Die Kosten skalieren mit den Tokens, ein höheres Verhältnis für Arabisch erhöht die Rechnung für den arabischen Teil Ihres Traffics also um denselben Faktor. Bei den Preisen von BroadNet kostet arabischer Input auf [Qwen3.8 27B](https://broadrouter.com/de/models/qwen3.8-27b/) $0.175 pro 1 Mio. Tokens und Output $2.17; auf Gemma 4 VL 26B $0.10 und $0.22. Der Preis pro Token ist in jeder Sprache gleich; nur die Token-Anzahl ändert sich. Setzen Sie Ihr gemessenes Verhältnis in die [Methode für die Monatskosten](https://broadrouter.com/de/blog/estimate-llm-api-cost-before-launch/) ein.

Kontextlimits schrumpfen auf dieselbe Weise. Gemma 4 VL 26B akzeptiert 32.768 Tokens pro Anfrage; ein langes arabisches Dokument füllt das früher als seine englische Übersetzung. DeepSeek V4.1 Flash und GLM 5.3 akzeptieren 1.048.576.

## Wie können Sie die Token-Anzahl auf Arabisch senken?

-   **Einheitlich normalisieren.** Entfernen Sie Tatweel, und entfernen Sie Diakritika, wenn Ihre Aufgabe sie nicht braucht. Wenden Sie dieselbe Normalisierung auf jede Anfrage an, damit das Caching weiter funktioniert.
-   **Anweisungen kurz halten.** Ein langer System-Prompt wird bei jedem Turn erneut gesendet; knappe Formulierungen sparen in beiden Sprachen Tokens.
-   **Das stabile Präfix cachen.** Bei Modellen mit Cache-Preis kosten wiederholte System-Prompts und Dokumente weit weniger. [So funktioniert Caching](https://broadrouter.com/de/blog/cached-input-tokens-explained/).
-   **Um knappe Antworten bitten.** „Antworte in zwei Sätzen“ spart mehr als jeder Tokenizer-Trick.

Für arabische Sprache statt Text wird die Transkription pro Audiominute abgerechnet, nicht pro Token; die Tokenisierung wirkt sich auf diesen Teil der Rechnung also nicht aus. Siehe den [Ratgeber für arabisches Speech-to-Text](https://broadrouter.com/de/blog/arabic-speech-to-text-api-buyers-guide/).

Kostenlose Tools zum Thema (auf Englisch)

-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.
-   [Flat-rate vs per-token LLM cost calculator](https://broadrouter.com/tools/flat-rate-vs-per-token-calculator/) Break-even between an unlimited plan and paying per token, per agent.
-   [Prompt caching savings calculator](https://broadrouter.com/tools/prompt-caching-calculator/) Bill with and without caching, by prefix share and hit rate.
-   [Prompt token diff](https://broadrouter.com/tools/prompt-token-diff/) Two prompt versions side by side: changed lines, exact token delta and the monthly cost difference.

[Kostenlose Tools (auf Englisch)](https://broadrouter.com/tools/)

## Begriffe in diesem Artikel

[Token](https://broadrouter.com/de/glossary/token/)

Ein Token ist die Texteinheit, die ein Sprachmodell liest und schreibt: ein Wort, ein Wortteil, ein Satzzeichen oder eine Bytefolge, die der Tokenizer des Modells erzeugt. LLM-APIs zählen, begrenzen und berechnen die Nutzung meist in Tokens.

[Tokenizer](https://broadrouter.com/de/glossary/tokenizer/)

Ein Tokenizer ist die Komponente, die Text in die Folge ganzzahliger Token-IDs umwandelt, die ein Sprachmodell liest, und erzeugte IDs wieder in Text zurückverwandelt. Jedes Modell bringt seinen eigenen Tokenizer mit, daher kann derselbe Text bei verschiedenen Modellen unterschiedlich viele Tokens ergeben.

[Tool Calling (Function Calling)](https://broadrouter.com/de/glossary/tool-calling/)

Tool Calling, auch Function Calling genannt, ist eine Funktion von LLM-APIs, bei der das Modell eine strukturierte Anfrage zurückgibt, eine vom Entwickler definierte Funktion mit JSON-Argumenten auszuführen. Die Anwendung führt die Funktion aus und sendet das Ergebnis zurück; das Modell selbst führt nie Code aus.

[Arabizi (Franco-Arabisch)](https://broadrouter.com/de/glossary/arabizi/)

Arabizi ist informell in lateinischen Buchstaben geschriebenes Arabisch, bei dem Ziffern für arabische Laute ohne lateinische Entsprechung stehen, etwa 3 für ع. Es ist in Chats und sozialen Medien verbreitet, meist dialektal, hat keine feste Rechtschreibung und wird oft mit Englisch oder Französisch gemischt.

[Kontextfenster (Context Window)](https://broadrouter.com/de/glossary/context-window/)

Das Kontextfenster ist die maximale Anzahl an Tokens, mit der ein Sprachmodell in einer einzelnen Anfrage arbeiten kann. Es umfasst Prompt, Gesprächsverlauf, Tool-Definitionen, Bilder und den erzeugten Output einschließlich Reasoning-Tokens. Was nicht hineinpasst, muss gekürzt, zusammengefasst oder auf mehrere Anfragen verteilt werden.

[Modernes Hocharabisch (MSA)](https://broadrouter.com/de/glossary/msa/)

Modernes Hocharabisch (MSA) ist die standardisierte Form des Arabischen, die in der gesamten arabischen Welt für Schrift, Nachrichten, Bildung und formelle Rede genutzt wird. Niemand spricht es als Alltagsmuttersprache: Gesprochen werden regionale Dialekte wie Ägyptisch oder Golfarabisch, in formellen Situationen wechselt man ins MSA.

[Speech-to-Text (Spracherkennung)](https://broadrouter.com/de/glossary/speech-to-text/)

Speech-to-Text, auch automatische Spracherkennung (ASR), ist eine Technik, die gesprochenes Audio in geschriebenen Text umwandelt. Eine Speech-to-Text API nimmt eine Audiodatei oder einen Stream entgegen und liefert ein Transkript, meist abgerechnet pro Audiominute. Die Genauigkeit wird mit der Wortfehlerrate gemessen und hängt von Akzent, Dialekt und Aufnahmequalität ab.

[Arabische Textnormalisierung (text normalization)](https://broadrouter.com/de/glossary/arabic-text-normalization/)

Arabische Textnormalisierung ist der Schritt, der Schreibvarianten desselben Worts vor dem Abgleich auf eine Form abbildet: Diakritika und Tatweel entfernen, Alef-Formen vereinheitlichen und oft ى auf ي sowie ة auf ه abbilden. Sie wird auf Suchschlüssel und Evaluierung angewendet, nicht auf angezeigten Text.

## Häufige Fragen

### Wie viele Tokens hat ein arabisches Wort?

Das hängt vom Modell ab. Im Tokenizer-Datensatz von BroadRouter brauchte modernes Hocharabisch über fünf Tokenizer hinweg 183.0 (Qwen3.8 27B) bis 243.9 (GLM 5.3) Tokens pro 100 Wörter. Vergleichen Sie Paralleltexte statt einzelner Wörter, und messen Sie auf dem Modell, das Sie nutzen.

### Wie viele Tokens sind 1.000 englische Wörter?

Etwa 1,269 bis 1,320 Tokens schlichter englischer Prosa über die fünf Tokenizer im gemessenen Datensatz von BroadRouter (1,290 im Schnitt). Fachtext, Code und andere Sprachen brauchen mehr; zählen Sie also Ihren eigenen Text.

### Spart das Entfernen von Diakritika Tokens?

Meist ja, weil Diakritika zusätzliche Zeichen sind, die der Tokenizer kodieren muss. Entfernen Sie sie nur, wenn Ihre Aufgabe sie nicht braucht; bei Koran, Lyrik oder Aussprache tragen sie Bedeutung.

### Gilt die Faustregel von 4 Zeichen pro Token für Arabisch?

Nein. OpenAI nennt diese Faustregel für englischen Text auf den eigenen Tokenizern. Sie lässt sich weder auf Arabisch noch auf die Tokenizer anderer Modelle übertragen.

### Kosten arabische Tokens mehr pro Token?

Nein. Ein Token kostet gleich viel, egal welche Sprache es kodiert. Arabisch kostet nur dann mehr, wenn derselbe Inhalt in mehr Tokens zerfällt.

## Weiterlesen

-   [LLM-API für Arabisch auswählen: Was Sie testen sollten](https://broadrouter.com/de/blog/choosing-an-llm-for-arabic/)
-   [LLM-API-Preise erklärt: Input, gecachter Input, Output und Reasoning](https://broadrouter.com/de/blog/llm-api-pricing-explained/)
-   [Prompt Engineering auf Arabisch: Register, RTL, Ziffern, Mischtext](https://broadrouter.com/de/blog/arabic-prompt-engineering/)
-   [Arabizi und LLMs: Franco-Arabisch mit Ziffern wie 3 und 7 verarbeiten](https://broadrouter.com/de/blog/arabizi-llm-handling/)
-   [Arabischen Text per LLM vokalisieren: Prompt, Prüfung, DER](https://broadrouter.com/de/blog/arabic-diacritization-llm/)
-   [LLM-API-Preisänderungen im Oktober 2026: 3 Erhöhungen, keine Senkung](https://broadrouter.com/de/blog/llm-api-price-changes-october-2026/)
-   [Wie oft ändern sich LLM-API-Preise? 3 Jahre archivierte Preisseiten](https://broadrouter.com/de/blog/how-often-llm-api-prices-change/)
-   [Anleitung: OpenAI Python SDK mit BroadNet Inference nutzen](https://broadrouter.com/de/guides/openai-python-sdk/)

Testen Sie es mit Ihrem echten Workload. Neue Konten starten mit USD 5 Guthaben für Gemma und Transkription. DeepSeek, GLM und Qwen3.8 erfordern eine Aufladung.

[Loslegen](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-blog-tokens-per-word-arabic-english&utm_content=page-cta) ·

**Quellen**

-   [Petrov et al., Language Model Tokenizers Introduce Unfairness Between Languages (arXiv 2305.15425, geprüft am 2026-11-16)](https://arxiv.org/abs/2305.15425)
-   [Ahia et al., Do All Languages Cost the Same? Tokenization in the Era of Commercial Language Models (arXiv 2305.13707, geprüft am 2026-11-16)](https://arxiv.org/abs/2305.13707)
-   [Hugging Face Transformers, Tokenisierungsalgorithmen (geprüft am 2026-11-16)](https://huggingface.co/docs/transformers/tokenizer_summary)
-   [OpenAI Help Center, was Tokens sind und wie man sie zählt](https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them)
-   [Datensatz zur Tokenizer-Effizienz von BroadRouter, Version 4 (gemessen am 15.11.2026)](https://broadrouter.com/data/tokenizer-efficiency/)
-   [Benchmark FLORES-200 (Meta, CC BY-SA 4.0), die Parallelsätze hinter den MSA-Verhältnissen (fester Commit, geprüft am 2026-11-16)](https://github.com/facebookresearch/flores/tree/a6c830c6e1051fb4ac1a44b32358f00463f332bd/flores200)
-   [API-Referenz von BroadNet Inference, Usage-Felder (geprüft am 2026-11-16) (auf Englisch)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-blog-tokens-per-word-arabic-english&utm_content=sources)
