这个坑值得记一笔。同一批 5 万条商品标题做向量化，中文标题平均 20 字，英文标题平均 10 个单词，账单里中文部分的费用是英文的两倍，按条数完全解释不了。
刚开始盯着「标题里的空格与符号也计入」，折腾了半个多小时，排掉了。
原因不止一个，得分开看。embedding 按输入 token 计费 不按条数；中文一个汉字常占 1 到 2 个 token；截断过长标题会悄悄丢内容。
先用对应 tokenizer 估算两批 token
python -c "import tiktoken;e=tiktoken.get_encoding('cl100k_base');print(len(e.encode('无线蓝牙耳机')))"接着按语言分组统计条数与 token
python emb_report.py --log emb.jsonl --by lang给中文标题设更小的批量
python emb_batch.py --file zh.txt --batch 64剩下的就是对比截断前后的召回效果
python eval_recall.py --before old.index --after new.index同事提醒我看一下最近一次发布，时间点确实对得上。
改完先别撤，确认这几项。两批的实际 token 与账单一致，中文单价不再被条数掩盖，召回率没有因为截断下降。
提醒一点。不同模型的 tokenizer 对中文差异很大，换模型前要用同一批文本重算，别沿用旧的估算系数。监控比日志更早给出信号，事后回看经常能提前半小时发现异常。