AI语言公平研究联盟（Coalition for Language Equity in AI Research）上月发布的一项研究显示，主流AI模型在处理非英语提示时，所需token数量普遍高于英语，研究人员将这一现象称为隐性token税，即小语种用户在使用AI服务时承担了更高的成本。

研究覆盖互联网使用最广泛的20种语言，发现token消耗量存在明显差异：成本最高语言所需的token数量，是成本最低语言的1.5至5倍。当研究范围扩大至200种语言后，差距进一步拉大，某一AI模型的token成本差距最高扩大至17倍。

研究以具体场景说明这一差异：位于印度班加罗尔的初创企业，可能要为每次提示和补全支付额外费用，而其位于美国奥斯汀的竞争对手则无需承担这部分支出。token税的影响并不局限于账单金额。token数量越多，响应延迟越高，模型可用的有效上下文容量也相应减少。

研究指出，在计算资源与网络连接本就有限的地区，上述成本与性能惩罚最为突出。token层面的不公平，正在限制更多地区参与AI经济的范围。