Token Optimization: Saving Cost, Time and Contextباشترینکردنی تۆکن: پاشەکەوتی پارە، کات و شوێن

Before mobile phones, people sent telegrams and paid for every word. So they wrote “ARRIVE ERBIL FRIDAY 10 AM”, not a polite letter. But a telegram that said only “ARRIVE FRIDAY” saved two coins and left the family guessing which city and what time.

پێش مۆبایل، خەڵک بروسکەیان دەنارد و پارەی هەموو وشەیەکیان دەدا. بۆیە دەیاننووسی «هەینی ⁦10⁩ی بەیانی دەگەمە هەولێر»، نەک نامەیەکی درێژی ڕێزدار. بەڵام بروسکەیەک کە تەنیا «هەینی دەگەم» بێت، دوو پارە پاشەکەوت دەکات و خێزانەکە لە مەزەندەدا دەهێڵێتەوە: کام شار و چ کاتێک؟

Language models are paid in the same way, in tokens (tokens). Token optimization means getting the same good answer with fewer tokens: tell the model everything it needs, and nothing more. Cutting what it needs is a false saving, because a wrong answer costs a second request, or worse.

پارەی مۆدێلەکانی زمان (Language model) بە هەمان شێوە دەدرێت، بە تۆکن (تۆکنەکان). باشترینکردنی تۆکن (Token optimization) واتە بەدەستهێنانی هەمان وەڵامی باش بە تۆکنی کەمتر: هەرچی مۆدێلەکە پێویستیەتی پێی بڵێ، نە زیاتر. بڕینی ئەوەی پێویستیەتی پاشەکەوتێکی درۆیینە، چونکە وەڵامێکی هەڵە داواکارییەکی (Request) دووەمی دەوێت، یان خراپتر.

Prices are given in US dollars per million tokens, separately for input and output. On the main models in November 2026, output costs five times as much as input (the families and their prices). Three kinds of tokens are easy to forget:

نرخەکان بە دۆلاری ئەمریکی بۆ هەر ملیۆن تۆکن دەدرێن، بە جیا بۆ نێوخستە و دەرخستە. لە مۆدێلە سەرەکییەکانی تشرینی دووەمی ⁦2026⁩دا، دەرخستە پێنج ئەوەندەی نێوخستە گرانە (خێزانەکان و نرخەکانیان). سێ جۆر تۆکن بە ئاسانی لەبیر دەچن:

Rules of thumb exist only for English and differ by company (as of November 2026): Google says a Gemini token is about 4 characters, and 100 tokens are about 60 to 80 English words; Anthropic says 1 million tokens are about 555,000 English words on Claude's current tokenizer. Tokenizers change between versions too: Anthropic notes that its newer tokenizer makes about 30% more tokens from the same text.

یاسای خێرای مەزەندە تەنیا بۆ ئینگلیزی هەیە و لە کۆمپانیایەکەوە بۆ یەکێکی تر جیاوازە (بەپێی تشرینی دووەمی ⁦2026): Google⁩ دەڵێت تۆکنێکی Gemini نزیکەی 4 پیتە و ⁦100⁩ تۆکن نزیکەی ⁦60⁩ تا ⁦80⁩ وشەی ئینگلیزییە؛ Anthropic دەڵێت 1 ملیۆن تۆکن لەسەر تۆکنکردنی (Tokenization) ئێستای Claude نزیکەی ⁦555,000⁩ وشەی ئینگلیزییە. تۆکنکردن لە نێوان وەشانەکانیشدا دەگۆڕێت: Anthropic دەڵێت تۆکنکردنی نوێترەکەی لە هەمان دەق نزیکەی ⁦30⁩٪ تۆکنی زیاتر دروست دەکات.

Kurdish needs many more, as the last lesson showed. How many? Petrov and colleagues (NeurIPS 2023) counted the same 2,000 sentences in many languages with GPT-4's tokenizer of that time: Central Kurdish needed about 4.8 times as many tokens as English, and Northern Kurdish about 2.2 times. Newer tokenizers may differ, so never budget Kurdish with English rules: count real texts with your provider's free token counter.

کوردی زۆر زیاتری دەوێت، وەک وانەی پێشوو پیشانی دا. چەند زیاتر؟ Petrov و هاوکارانی ⁦(NeurIPS 2023)⁩ هەمان ⁦2,000⁩ ڕستەیان بە زۆر زمان و بە تۆکنکردنی ئەو کاتەی ⁦GPT-4⁩ ژمارد: کوردیی ناوەندی نزیکەی ⁦4.8⁩ ئەوەندەی ئینگلیزی تۆکنی پێویست بوو و کوردیی باکووری نزیکەی ⁦2.2⁩ ئەوەندە. تۆکنکردنی نوێتر لەوانەیە جیاواز بن، بۆیە هەرگیز بودجەی کوردی بە یاسای ئینگلیزی دامەنێ: دەقی ڕاستەقینە بە ئامرازی بێبەرانبەری ژماردنی تۆکنی دابینکەرەکەت بژمێرە.

Karwan estimates the monthly bill for Shilan's helper before he builds it. Each question comes with the shop's rules (1,200 tokens) and part of the book list (2,500 tokens). The prices are the example ones from the bill: $2 and $10 per million.

کاروان پێش دروستکردنی یارمەتیدەرەکەی شیلان، پسوولەی مانگانەی مەزەندە دەکات. هەموو پرسیارێک لەگەڵ یاساکانی دوکان (⁦1,200⁩ تۆکن) و بەشێک لە لیستی کتێبەکان (⁦2,500⁩ تۆکن) دەنێردرێت. نرخەکان هەمان نرخی نموونەی پسوولەکەن: ⁦$2⁩ و ⁦$10⁩ بۆ هەر ملیۆنێک.

The questions cost the same in both rows, but the longer answers add $50 a month. The factor 3 is only an assumption here: measure your own answers.

پرسیارەکان لە هەردوو ڕیزدا هەمان نرخیان هەیە، بەڵام وەڵامە درێژترەکان مانگانە ⁦$50⁩ زیاد دەکەن. ژمارە 3 لێرەدا تەنیا مەزەندەیەکە: وەڵامەکانی خۆت بپێوە.

Always compare a new result with a rough hand estimate: 4,000 tokens at $2 per million is about one cent, not a millionth of one.

هەمیشە ئەنجامێکی نوێ لەگەڵ مەزەندەیەکی خێرای دەستیدا بەراورد بکە: ⁦4,000⁩ تۆکن بە ⁦$2⁩ بۆ هەر ملیۆنێک نزیکەی یەک سەنتە، نەک بەشێک لە ملیۆنی سەنتێک.

Greetings, thanks and repeated instructions cost tokens on every request but give the model nothing it needs. The estimate here uses about 4 characters per token, as for English:

سڵاو، سوپاس و ڕێنماییی دووپاتە لە هەموو داواکارییەکدا تۆکن دەخۆن، بەڵام هیچ شتێک نادەن بە مۆدێلەکە کە پێویستی بێت. مەزەندەکە لێرەدا نزیکەی 4 پیت بۆ هەر تۆکنێک بەکار دەهێنێت، وەک بۆ ئینگلیزی:

Keep everything that changes the answer: the facts, the examples, the format and the reason. Then check that the shorter prompt still passes your test cases (test your prompt).

هەموو ئەو شتانە بهێڵەوە کە وەڵامەکە دەگۆڕن: ڕاستییەکان، نموونەکان، شێوەکە و هۆکارەکە. پاشان بپشکنە کە هەوێنە کورترەکە هێشتا لە حاڵەتەکانی تاقیکردنەوەت (Test case) دەردەچێت (هەوێنەکەت تاقی بکەرەوە).

Output tokens cost the most, so ask for the length and form you need: “three bullet points, under 60 words”, a small table, or JSON with fixed keys (structured output). For reasoning models, a lower effort level means less thinking and fewer output tokens.

تۆکنی دەرخستە لە هەمووان گرانترن، بۆیە داوای ئەو درێژی و شێوەیە بکە کە پێویستتە: «سێ خاڵ، کەمتر لە ⁦60⁩ وشە»، خشتەیەکی بچووک، یان JSON بە کلیلی (Key) جێگیر (دەرخستەی ڕێکخراو). بۆ مۆدێلە بیرکەرەوەکان، ئاستی هەوڵـی نزمتر واتە بیرکردنەوەی کەمتر و تۆکنی دەرخستەی کەمتر.

max_tokens is different: it is a hard ceiling, not a length request. The model does not plan for it; the answer is simply cut off at the limit and stops with max_tokens, as the last lesson showed. Use it as a safety cap, and ask for short answers in the prompt itself.

max_tokens جیاوازە: سنوورێکی ڕەقە، نەک داواکردنی درێژییەک. مۆدێلەکە پلانی بۆ دانانێت؛ وەڵامەکە بە سادەیی لە سنوورەکەدا دەبڕدرێت و بە max_tokens دەوەستێت، وەک وانەی پێشوو پیشانی دا. وەک سنوورێکی سەلامەتی بەکاری بهێنە و لە خودی هەوێنەکەدا داوای وەڵامی کورت بکە.

Small models are fast and cheap, and good at sorting, extracting and short replies; big models are for hard reasoning (big, middle and small models). Anthropic's own advice is the same: a small model for simple tasks, a middle one for most work, the biggest for the most complex reasoning. Shilan's helper sorts 10,000 messages a month:

مۆدێلە بچووکەکانی زمان (Small language model) خێرا و هەرزانن و لە پۆلێنکردن (Classification)، دەرهێنانی زانیاری و وەڵامی کورتدا باشن؛ مۆدێلە گەورەکان بۆ بیرکردنەوەی قورسن (مۆدێلی گەورە، ناوەند و بچووک). ئامۆژگاریی خودی Anthropicـیش هەمانە: مۆدێلێکی بچووک بۆ کاری سادە، ناوەندییەک بۆ زۆربەی کارەکان و گەورەترینیان بۆ ئاڵۆزترین بیرکردنەوە. یارمەتیدەرەکەی شیلان مانگانە ⁦10,000⁩ پەیام پۆلێن دەکات:

Count the cost per finished task, not per request: a cheap model that is often wrong costs retries, unhappy customers or a person's time. Sending each job to the model that fits it, small first and big only when needed, gives most of the saving.

تێچوو بۆ هەر کارێکی تەواوکراو بژمێرە، نەک بۆ هەر داواکارییەک: مۆدێلێکی هەرزان کە زۆرجار هەڵە دەکات، دووپاتەکردنەوە، کڕیاری ناڕازی یان کاتی مرۆڤێکی دەوێت. ناردنی هەر کارێک بۆ مۆدێلی گونجاوی خۆی، سەرەتا بچووک و تەنیا کاتی پێویست گەورە، زۆربەی پاشەکەوتەکە دەدات.

Many requests start with the same long text: tools, the system prompt, a handbook. With prompt caching, the provider keeps that processed beginning for a few minutes; a request that starts with exactly the same text reads it from the cache, faster and cheaper. On Claude (November 2026), a 5-minute cache write costs 1.25 × the input price (2 × for 1 hour) and a read costs 0.1 × (0.05 × on Opus 5.5 and Sonnet 5.5), for a cached beginning of at least 512 tokens.

زۆر داواکاری بە هەمان دەقی درێژ دەست پێ دەکەن: ئامرازەکان، هەوێنی سیستەم، ڕێبەرێک. بە کاشکردنی هەوێن، دابینکەر ئەو سەرەتا ئامادەکراوە بۆ چەند خولەکێک هەڵدەگرێت و داواکارییەک کە ڕێک بە هەمان دەق دەست پێ بکات، لە کاشەوە (Cache) دەیخوێنێتەوە، خێراتر و هەرزانتر. لە Claude (تشرینی دووەمی ⁦2026⁩)، نووسین لە کاشی 5 خولەکیدا ⁦1.25⁩ × نرخی نێوخستە تێدەچێت (⁦2⁩ × بۆ 1 کاتژمێر) و خوێندنەوە ⁦0.1 × (0.05⁩ × لە ⁦Opus 5.5⁩ و ⁦Sonnet 5.5⁩دا)، بۆ سەرەتایەکی کاشکراو کە لانیکەم ⁦512⁩ تۆکن بێت.

The rule: fixed parts first, changing parts last. One changed character near the top, such as today's date and time, makes the whole beginning new again. OpenAI caches long prompts automatically from 1,024 tokens, and Gemini's newer models do it too; the same rule applies everywhere.

یاساکە: بەشە جێگیرەکان یەکەم، بەشە گۆڕاوەکان کۆتایی. گۆڕینی یەک پیت لە نزیک سەرەوە، وەک ڕێکەوت و کاتی ئەمڕۆ، هەموو سەرەتاکە دیسان نوێ دەکاتەوە. OpenAI هەوێنی درێژ لە ⁦1,024⁩ تۆکنەوە خۆکارانە کاش دەکات و مۆدێلە نوێترەکانی Geminiـیش وا دەکەن؛ هەمان یاسا لە هەموو شوێنێک ڕاستە.

Aram's college has a helper for its 50,000-token student handbook, and twenty questions arrive within a few minutes. Only input is counted here, because the answers cost the same either way:

کۆلێژەکەی ئارام یارمەتیدەرێکی بۆ ڕێبەرە ⁦50,000⁩ تۆکنییەکەی خوێندکاران هەیە و بیست پرسیار لە چەند خولەکێکدا دێن. لێرەدا تەنیا نێوخستە دەژمێردرێت، چونکە وەڵامەکان لە هەردوو حاڵەتدا هەمان نرخیان هەیە:

For the 5-minute cache, caching pays off from the first cache read. It saves money, not space: cached tokens still fill the context window. On Claude, cache reads also do not count against the per-minute input limit, so more requests get through. In code, you mark where the fixed part ends:

بۆ کاشی 5 خولەکی، کاشکردنی هەوێن لە یەکەم خوێندنەوەوە قازانج دەکات. پارە پاشەکەوت دەکات، نەک شوێن: تۆکنە کاشکراوەکان هێشتا پەنجەرەی کۆنتێکست پڕ دەکەنەوە. لە Claudeـدا خوێندنەوە لە کاشەوە لە سنووری نێوخستەی هەر خولەکێکیش ناژمێردرێت، بۆیە داواکاریی زیاتر تێدەپەڕن. لە کۆددا شوێنی کۆتایی بەشە جێگیرەکە دیاری دەکەیت:

The model keeps nothing between requests, so the app re-sends the whole conversation each turn (no memory between requests). If every turn adds 300 tokens, turn 10 sends 3,000, and the whole chat sends 16,500:

مۆدێلەکە لە نێوان داواکارییەکاندا هیچ ناهێڵێتەوە، بۆیە ئەپەکە (App) لە هەموو نۆرەیەکدا هەموو گفتوگۆکە دووپاتە دەنێرێتەوە (بێ بیرەوەری لە نێوان داواکارییەکاندا). ئەگەر هەر نۆرەیەک ⁦300⁩ تۆکن زیاد بکات، نۆرەی ⁦10 3,000⁩ دەنێرێت و هەموو گفتوگۆکە ⁦16,500⁩:

Fixes: context compaction, where older turns become a short summary (Claude's API offers server-side compaction, in beta for Claude 4.6 and later); a new chat for each new topic; and sending only the passages that matter instead of whole documents (RAG). Agents need this most (context in long loops).

چارەسەرەکان: پوختکردنەوەی کۆنتێکست، کە نۆرە کۆنەکان دەبنە پوختەیەکی کورت (APIـی Claude پوختکردنەوە لەسەر ڕاژەکار (Server) پێشکەش دەکات، بە شێوەی beta بۆ ⁦Claude 4.6⁩ و دواتر)؛ گفتوگۆیەکی نوێ بۆ هەر بابەتێکی نوێ؛ و ناردنی تەنیا ئەو بڕگانەی گرنگن لە جیاتی هەموو بەڵگەنامەکان (RAG). ئەیجێنتەکان (Agent) زیاتر لە هەمووان پێویستیان بەمەیە (کۆنتێکست لە خولەکان درێژدا).

Not every job needs an answer in seconds. Shilan wants new descriptions for 2,000 books by tomorrow. A Batch API takes all the requests at once and returns the results later for half the price: on Claude (November 2026), most batches finish within an hour, every batch within 24 hours, and one batch can hold up to 100,000 requests. OpenAI and Google also halve their batch prices. It is the old idea of batch processing, applied to models.

هەموو کارێک پێویستی بە وەڵام لە چەند چرکەیەکدا نییە. شیلان تا بەیانی وەسفی نوێی بۆ ⁦2,000⁩ کتێب دەوێت. Batch API هەموو داواکارییەکان پێکەوە وەردەگرێت و ئەنجامەکان دواتر بە نیوەی نرخ دەگەڕێنێتەوە: لە Claude (تشرینی دووەمی ⁦2026⁩)، زۆربەی کۆمەڵەکان لە ماوەی یەک کاتژمێردا تەواو دەبن، هەموو کۆمەڵەیەک لە ماوەی ⁦24⁩ کاتژمێردا و یەک کۆمەڵە دەتوانێت تا ⁦100,000⁩ داواکاری هەڵبگرێت. OpenAI و Googleـیش نرخی کۆمەڵە نیوە دەکەن. ئەمە هەمان بیرۆکە کۆنەکەی چارەسەرکردنی کۆمەڵەییـە، بۆ مۆدێلەکان بەکارهاتووە.

Providers also set rate limits: caps on requests per minute (RPM), input tokens per minute (ITPM) and output tokens per minute (OTPM). Over a limit, the API answers 429 with a retry-after header that says how many seconds to wait. A good program waits and tries again instead of hammering the server.

دابینکەران سنووردانانی داواکاریـیش دادەنێن: سنوور بۆ داواکارییەکان لە خولەکێکدا ⁦(RPM)⁩، تۆکنی نێوخستە لە خولەکێکدا ⁦(ITPM)⁩ و تۆکنی دەرخستە لە خولەکێکدا ⁦(OTPM)⁩. ئەگەر لە سنوورێک تێپەڕیت، APIـەکە بە 429 وەڵام دەداتەوە لەگەڵ سەردێڕێکی HTTP (HTTP header) retry-after کە دەڵێت چەند چرکە چاوەڕێ بکەیت. بەرنامەیەکی (Program) باش چاوەڕێ دەکات و دووپاتە هەوڵ دەداتەوە، لە جیاتی ئەوەی بەردەوام لە ڕاژەکارەکە بدات.

Every API response reports its usage: input tokens, output tokens, and tokens written to or read from the cache. Collect these numbers for a few days before you change anything. Then fix the biggest cost first, and after each change run your test cases again: a cheaper prompt that gives worse answers is not a saving.

هەموو وەڵامێکی API بەکارهێنانەکەی ڕادەگەیەنێت: تۆکنی نێوخستە، تۆکنی دەرخستە و ئەو تۆکنانەی لە کاشدا نووسراون یان لێی خوێندراونەتەوە. پێش ئەوەی هیچ شتێک بگۆڕیت، ئەم ژمارانە بۆ چەند ڕۆژێک کۆ بکەرەوە. پاشان سەرەتا گەورەترین تێچوو چاک بکە و دوای هەر گۆڕانکارییەک حاڵەتەکانی تاقیکردنەوەت دیسان تاقی بکەرەوە: هەوێنێکی هەرزانتر کە وەڵامی خراپتر بدات پاشەکەوت نییە.

Set limits as well: a monthly spend limit in the provider's console, and caps on steps, tokens and money per task in your own program. OWASP's Top 10 for LLM Applications (2025) lists unbounded consumption: an app without limits can be made to burn money (“denial of wallet”) or stop for everyone (stop conditions).

سنووریش دابنێ: سنووری خەرجیی مانگانە لە داشبۆردی (Dashboard) دابینکەرەکەدا و سنوور بۆ هەنگاو، تۆکن و پارە بۆ هەر کارێک لە بەرنامەکەی خۆتدا. لیستی ⁦Top 10⁩ـی OWASP بۆ ئەپەکانی ⁦LLM (2025)⁩ بەکارهێنانی بێسنوور دەژمێرێت: ئەپێک بێ سنوور دەکرێت وای لێ بکرێت پارە بسووتێنێت («denial of wallet») یان بۆ هەمووان بوەستێت (مەرجەکانی وەستان).

The provider's own counter is the only reliable count, because each model has its own tokenizer. On Claude, counting is free (it has its own rate limit), and the count is a close estimate:

ئامرازی ژماردنی خودی دابینکەر تەنیا ژماردنی جێی متمانەیە، چونکە هەر مۆدێلێک تۆکنکردنی خۆی هەیە. لە Claudeـدا ژماردن بێبەرانبەرە (سنووری داواکاریی تایبەت بە خۆی هەیە) و ژمارەکە مەزەندەیەکی نزیکە:

Every token is computed on GPUs in data centres that use electricity and cooling (inside a data centre). NIST's Generative AI Profile (NIST AI 600-1, July 2024) lists environmental impacts among the risks of generative AI: training and running models need a lot of energy, generative tasks such as summarising used more energy than simple classification in one study, and there is no agreed way to measure the impact yet.

هەموو تۆکنێک لەسەر یەکەکانی چارەسەرکردنی وێنەیی (GPU) لە ناوەندەکانی دراوەدا (Data centre) دەژمێردرێت کە کارەبا و ساردکردنەوە بەکار دەهێنن (ناو ناوەندێکی دراوە). پرۆفایلی ژیریی دەستکردی بەرهەمهێنەری (Generative AI) ⁦NIST (NIST AI 600-1⁩، تەمموزی ⁦2024⁩) کاریگەریی ژینگەیی لە ناو مەترسییەکانی (Risk) ژیریی دەستکردی بەرهەمهێنەردا دەژمێرێت: ڕاهێنان و کارپێکردنی مۆدێلەکان وزەیەکی زۆریان دەوێت، لە توێژینەوەیەکدا کاری بەرهەمهێنەر وەک پوختەکردن وزەی زیاتری لە پۆلێنکردنی سادە بەکار هێنا و هێشتا ڕێگەیەکی ڕێککەوتوو بۆ پێوانی ئەم کاریگەرییە نییە.

You cannot see the energy of one request, but the direction is clear: a smaller model, fewer tokens and no wasted retries mean less computing work, a smaller bill and a smaller carbon footprint (carbon footprint).

ناتوانیت وزەی یەک داواکاری ببینیت، بەڵام ئاڕاستەکە ڕوونە: مۆدێلێکی بچووکتر، تۆکنی کەمتر و دووپاتەکردنەوەی بێهودە نەبوون واتە کاری ژمێرکاریی کەمتر، پسوولەی بچووکتر و شوێنپێی کاربۆن (Carbon footprint)ـی بچووکتر (شوێنپێی کاربۆن).

Next: models that call tools and work in loops, where every turn adds tokens: AI agents and loop engineering.

داهاتوو: ئەو مۆدێلانەی ئامراز بانگ دەکەن و لە خولێکدا (Loop) کار دەکەن، کە هەموو نۆرەیەک تۆکن زیاد دەکات: ئەیجێنتەکان و ئەندازیاریی خول.