2026年3月24日，国家数据局首次正式将Token译名为“词元”，标志着中文人工智能领域术语标准化的确立。国家数据局局长刘烈宏在新闻发布会上透露，我国日均词元调用量已突破140万亿，较2024年初增长超千倍，并较2025年底增长40%以上。这一数据表明中国人工智能发展进入快速增长阶段，应用场景不断深化，产业竞争力显著增强。《人民日报》此前发布科普文章，定义词元为“处理文本的最小数据单元”，苹果中国官网、央视新闻等机构也统一采用此译名。词元可理解为人工智能模型处理数据时的最小信息载体，如“我爱中国！”可拆分为4个词元。随着人工智能时代的到来，词元已成为衡量信息处理的关键指标。

2025年9月6日，一项由清华、蚂蚁和南洋理工联合发布的研究揭示，大语言模型如GPT-4o存在严重的中文数据污染问题。研究发现，AI对“波多野结衣”等成人内容的熟悉度比日常用语“您好”高出2.6倍，超过23%的长中文词元与色情或网络赌博相关。这些“污染词元”源于高频垃圾信息，虽被算法收录，却因缺乏有效训练导致语义理解缺失。研究团队开发了POCDETECT和POCTRACE工具检测污染程度，结果显示GPT系列污染率高达46.6%，而其他模型如GLM4和DeepSeek-V3表现较好。论文指出，互联网语料中的灰色内容难以彻底清理，AI的智能仍基于统计概率，而非真正认知。这提醒我们，AI的缺陷映射了数字环境的现状。

如何让大模型感知知识图谱知识？蚂蚁联合实验室提出K-ON方法 大语言模型的发展打破了自然语言处理任务间的壁垒，但知识图谱与自然语言间存在粒度不匹配。为解决此问题，蚂蚁团队提出K-ON方法，利用多词元并行预测机制，实现语言模型实体层级的对比学习。 K-ON方法通过五个步骤完成知识图谱补全任务：将问题以...