---
title: "Cos’è la dimensione del vocabolario di un tokenizer LLM?"
description: "Quanti token distinti conosce un modello: valori misurati per DeepSeek, GLM, Qwen e Gemma, e perché più grande non vuol dire sempre meno token."
url: https://broadrouter.com/it/glossary/vocabulary-size/
lang: it
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Tradotto dall’inglese con l’aiuto dell’IA. [Leggi l’originale in inglese](https://broadrouter.com/glossary/vocabulary-size/) (aggiornato il 2026-11-16).

# Dimensione del vocabolario (vocabulary size)

Aggiornato 2026-11-16

La dimensione del vocabolario è il numero di token distinti nel tokenizer di un modello linguistico, ognuno con il proprio ID e il proprio embedding. Un vocabolario più grande può codificare il testo comune in meno token, ma ingrandisce i livelli di embedding e di output, e aiuta solo sul testo su cui è stato addestrato.

Detto anche: dimensione del vocabolario, vocabolario del tokenizer, vocabolario dei token, numero di token del vocabolario, vocab size, vocab\_size, tokenizer vocabulary, token vocabulary, vocabulary size

La dimensione del vocabolario ti dice quanti pezzi di testo diversi un modello può rappresentare con un singolo [token](https://broadrouter.com/it/glossary/token/).

## Come funziona

Il vocabolario di un tokenizer [BPE](https://broadrouter.com/it/glossary/bpe/) è formato dai simboli di base più ogni merge che ha imparato. La documentazione di Hugging Face porta come esempio il GPT originale: 478 token di base + 40.000 merge = 40.478. Chi costruisce il tokenizer sceglie la dimensione obiettivo prima dell’addestramento.

Abbiamo letto i vocabolari dal `tokenizer.json` fissato di ciascun modello su Hugging Face il 2026-11-14:

| Tokenizer | Voci del vocabolario | ID totali, token speciali inclusi |
| --- | --- | --- |
| 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 di Google) | 262.144 | 262.144 |
| OpenAI o200k\_base (riferimento) | 199.998 | 200.019 |

La model card di Gemma 4 dichiara un vocabolario da 262K, e il dato coincide. La card di Qwen3.8 indica una dimensione degli embedding di 248.320 “padded” (traduzione: con padding), più grande dei 248.077 ID effettivamente usati.

## Perché è importante

Per chi usa un’API, la dimensione del vocabolario è un indizio indiretto del costo per parola. Conta su quale testo sono stati addestrati i merge. Confronta i token ogni 100 parole per le stesse 39,037 parole di arabo standard moderno nel nostro [dataset sui tokenizer](https://broadrouter.com/data/tokenizer-efficiency/):

-   DeepSeek V4.1 Flash, 128.000 voci: 86,690 / 39,037 x 100 = 222.1
-   GLM 5.3, 154.820 voci: 95,230 / 39,037 x 100 = 243.9
-   Qwen3.8 27B, 248.044 voci: 71,424 / 39,037 x 100 = 183.0
-   Gemma 4, 262.144 voci: 79,120 / 39,037 x 100 = 202.7

GLM 5.3 ha più voci di DeepSeek ma usa più token su questo testo. Gemma ha più voci di tutti ma non è il più compatto. Per la prosa in inglese tutti e cinque stanno tra 127 e 132 token ogni 100 parole, quindi lì la dimensione del vocabolario conta poco.

La regola: misura il tuo testo con il [tokenizer](https://broadrouter.com/it/glossary/tokenizer/) del modello invece di dedurre il costo dal numero del vocabolario.

## Su BroadNet Inference

BroadNet non pubblica le dimensioni dei vocabolari; i valori sopra vengono dai repository pubblici dei modelli. La riga di Gemma usa il tokenizer base di Google, che presumiamo resti invariato nella build Gemma 4 VL 26B di BroadNet. Per vedere l’effetto sui tuoi prompt usa il [contatore di token](https://broadrouter.com/tools/token-counter/), e per scegliere un modello per l’arabo leggi [come scegliere un LLM per l’arabo](https://broadrouter.com/it/blog/choosing-an-llm-for-arabic/) insieme allo [studio sui token per parola](https://broadrouter.com/it/blog/tokens-per-word-arabic-english/).

## Domande frequenti

### Un vocabolario più grande significa meno token?

Spesso, ma non sempre. Nel nostro test del 2026-11-14 Gemma 4 ha il vocabolario più grande (262.144), eppure ha usato 347 token per un testo arabo che Qwen3.8 27B, con 248.044 voci, ha codificato in 316.

### Perché vocab\_size e il file del tokenizer non coincidono?

Le configurazioni dei modelli spesso portano la tabella degli embedding a un numero tondo con il padding e riservano ID ai token speciali. Qwen3.8 27B indica una dimensione con padding di 248.320, mentre il suo tokenizer.json usa gli ID da 0 a 248.076 (gli ID partono da 0), quindi 248.077 in tutto.

### Dove trovo la dimensione del vocabolario di un modello?

Nel config.json del modello, come vocab\_size, oppure caricando il suo tokenizer.json e contando le voci. Il valore del config è spesso con padding, quindi il file del tokenizer dà il numero esatto di token in uso.

## Vedi anche

-   [Tokenizer](https://broadrouter.com/it/glossary/tokenizer/) (termine)
-   [Byte pair encoding (BPE)](https://broadrouter.com/it/glossary/bpe/) (termine)
-   [Token](https://broadrouter.com/it/glossary/token/) (termine)
-   [Finestra di contesto (context window)](https://broadrouter.com/it/glossary/context-window/) (termine)
-   [Token per parola in arabo e in inglese: perché l’arabo costa di più](https://broadrouter.com/it/blog/tokens-per-word-arabic-english/) (articolo)
-   [Scegliere un’API LLM per l’arabo: cosa testare](https://broadrouter.com/it/blog/choosing-an-llm-for-arabic/) (articolo)

Provalo sul tuo carico di lavoro reale. I nuovi account partono con USD 5 di credito per Gemma e trascrizione. DeepSeek, GLM e Qwen3.8 richiedono una ricarica.

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

**Fonti**

-   [Hugging Face Transformers, algoritmi di tokenizzazione (dimensione del vocabolario come simboli base più merge)](https://huggingface.co/docs/transformers/tokenizer_summary)
-   [Model card su Hugging Face, google/gemma-4-26B-A4B-it (vocabolario da 262K)](https://huggingface.co/google/gemma-4-26B-A4B-it)
-   [Model card su Hugging Face, Qwen/Qwen3.8-27B (embedding con padding a 248.320)](https://huggingface.co/Qwen/Qwen3.8-27B)
-   [Repository del modello su Hugging Face, zai-org/GLM-5.3 (origine del tokenizer.json di GLM)](https://huggingface.co/zai-org/GLM-5.3)
