---
title: "¿Qué es el tamaño de vocabulario de un tokenizador LLM?"
description: "El tamaño de vocabulario es cuántos tokens distintos conoce un modelo. Medidas de DeepSeek, GLM, Qwen y Gemma, y por qué más grande no siempre da menos tokens."
url: https://broadrouter.com/es/glossary/vocabulary-size/
lang: es
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/glossary/vocabulary-size/) (actualizado el 2026-11-16).

# Tamaño de vocabulario (vocabulary size)

Actualizado 2026-11-16

El tamaño de vocabulario es el número de tokens distintos en el tokenizador de un modelo de lenguaje, cada uno con su propio ID y embedding. Un vocabulario más grande puede codificar texto común con menos tokens, pero agranda las capas de embedding y de salida, y solo ayuda con el texto con el que se entrenó el vocabulario.

También llamado: tamaño del vocabulario, vocabulario del tokenizador, vocabulario de tokens, número de tokens del vocabulario, vocabulary size, vocab size, vocab\_size, tokenizer vocabulary, token vocabulary

El tamaño de vocabulario le dice cuántos fragmentos de texto distintos puede representar un modelo con un solo [token](https://broadrouter.com/es/glossary/token/).

## Cómo funciona

El vocabulario de un tokenizador [BPE](https://broadrouter.com/es/glossary/bpe/) son sus símbolos base más cada fusión que aprendió. La documentación de Hugging Face pone como ejemplo el GPT original: 478 tokens base + 40,000 fusiones = 40,478. Quien construye el tokenizador elige el tamaño objetivo antes del entrenamiento.

Leímos los vocabularios del `tokenizer.json` fijado de cada modelo en Hugging Face el 2026-11-14:

| Tokenizador | Entradas del vocabulario | IDs totales incl. tokens especiales |
| --- | --- | --- |
| DeepSeek V4.1 Flash | 128,000 | 129,280 |
| GLM 5.3 | 154,820 | 154,856 |
| Qwen3.8 27B | 248,044 | 248,077 |
| Gemma 4 26B A4B (base de Google) | 262,144 | 262,144 |
| OpenAI o200k\_base (referencia) | 199,998 | 200,019 |

La ficha del modelo Gemma 4 indica un vocabulario de 262K, lo que coincide. La ficha de Qwen3.8 lista un tamaño de embedding de 248,320 “padded” (traducción: con relleno), mayor que los 248,077 IDs que realmente se usan.

## Por qué importa

Para quien usa una API, el tamaño de vocabulario es una pista indirecta del costo por palabra. Lo que cuenta es con qué texto se entrenaron las fusiones. Compare los tokens por cada 100 palabras para las mismas 39,037 palabras de árabe estándar moderno en nuestro [conjunto de datos de tokenizadores](https://broadrouter.com/data/tokenizer-efficiency/):

-   DeepSeek V4.1 Flash, 128,000 entradas: 86,690 / 39,037 x 100 = 222.1
-   GLM 5.3, 154,820 entradas: 95,230 / 39,037 x 100 = 243.9
-   Qwen3.8 27B, 248,044 entradas: 71,424 / 39,037 x 100 = 183.0
-   Gemma 4, 262,144 entradas: 79,120 / 39,037 x 100 = 202.7

GLM 5.3 tiene más entradas que DeepSeek, pero usa más tokens con este texto. Gemma tiene la mayor cantidad de entradas, pero no es el más compacto. Para prosa en inglés, los cinco quedan entre 127 y 132 tokens por cada 100 palabras, así que ahí el tamaño de vocabulario apenas importa.

La regla: mida su propio texto con el [tokenizador](https://broadrouter.com/es/glossary/tokenizer/) del modelo en lugar de deducir el costo a partir del número del vocabulario.

## En BroadNet Inference

BroadNet no publica tamaños de vocabulario; las cifras anteriores vienen de los repositorios públicos de los modelos. La fila de Gemma usa el tokenizador base de Google, que suponemos que conserva la versión Gemma 4 VL 26B de BroadNet. Para ver el efecto en sus propios prompts, use el [contador de tokens](https://broadrouter.com/tools/token-counter/), y para elegir modelo en árabe lea [cómo elegir un LLM para árabe](https://broadrouter.com/es/blog/choosing-an-llm-for-arabic/) junto con el [estudio de tokens por palabra](https://broadrouter.com/es/blog/tokens-per-word-arabic-english/).

## Preguntas frecuentes

### ¿Un vocabulario más grande significa menos tokens?

A menudo, pero no siempre. En nuestra prueba del 2026-11-14, Gemma 4 tiene el vocabulario más grande (262,144) y aun así usó 347 tokens para un texto en árabe que Qwen3.8 27B, con 248,044 entradas, codificó en 316.

### ¿Por qué no coinciden vocab\_size y el archivo del tokenizador?

Las configuraciones de los modelos suelen rellenar la tabla de embeddings hasta un número redondo y reservar IDs para tokens especiales. Qwen3.8 27B indica un tamaño con relleno de 248,320, mientras que su tokenizer.json usa IDs de 0 a 248,076 (los IDs empiezan en 0), es decir, 248,077 en total.

### ¿Dónde encuentro el tamaño de vocabulario de un modelo?

En el config.json del modelo como vocab\_size, o cargando su tokenizer.json y contando las entradas. El valor de la configuración suele llevar relleno, así que el archivo del tokenizador da el número exacto de tokens en uso.

## Vea también

-   [Tokenizador (tokenizer)](https://broadrouter.com/es/glossary/tokenizer/) (término)
-   [Byte pair encoding (BPE)](https://broadrouter.com/es/glossary/bpe/) (término)
-   [Token](https://broadrouter.com/es/glossary/token/) (término)
-   [Ventana de contexto (context window)](https://broadrouter.com/es/glossary/context-window/) (término)
-   [Tokens por palabra en árabe vs inglés: por qué el árabe cuesta más](https://broadrouter.com/es/blog/tokens-per-word-arabic-english/) (artículo)
-   [Cómo elegir una API de LLM para árabe: qué probar](https://broadrouter.com/es/blog/choosing-an-llm-for-arabic/) (artículo)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-vocabulary-size&utm_content=page-cta) ·

**Fuentes**

-   [Hugging Face Transformers, algoritmos de tokenización (tamaño de vocabulario = base más fusiones)](https://huggingface.co/docs/transformers/tokenizer_summary)
-   [Ficha del modelo en Hugging Face, google/gemma-4-26B-A4B-it (vocabulario de 262K)](https://huggingface.co/google/gemma-4-26B-A4B-it)
-   [Ficha del modelo en Hugging Face, Qwen/Qwen3.8-27B (embedding con relleno de 248,320)](https://huggingface.co/Qwen/Qwen3.8-27B)
-   [Repositorio del modelo en Hugging Face, zai-org/GLM-5.3 (origen del tokenizer.json de GLM)](https://huggingface.co/zai-org/GLM-5.3)
