GPT (OpenAI)

中文留言板/评论表单中泛滥的样板句，含尾随空格。知乎社区将其列为 GPT 的脏 token。

疑似 GitHub 用户 japgolly（Scala 库作者）的用户名（cl100k id 70784）。

中文“百科”类样板词碎片。GPT-5 时代仍然生效的 o200k 故障 token，且不带典型 spam 污染特征，成因未知。

疑源自 Reddit 用户名的无意义字符串，o200k 词表中的故障 token。

约鲁巴语“总是”一词（带前导空格），与 `bagbogbo` 相邻的 o200k 故障 token。

中文留言板样板句（不带尾随空格的形态），o200k 故障 token。

中文色情 spam 标题碎片（带前导空格），GPT-4o 词表污染的代表案例；在 GPT-5 上已被“修复”。

阿布哈兹语“人口”一词。借 GPT-oss 开源权重的 embedding 范数定位的 o200k 欠训练 token。

日本成人影星的名字，PoC 论文（EMNLP 2025）的标志性中文污染 token。

字面是“青草”，实为色情软件名——PoC 论文定义的污染（PoC）token 典型。

C 函数名碎片，被作者称为“最怪的纯 ASCII token”。

C 转义序列碎片（反斜杠 + x 开头，形似十六进制转义 \x..）。

四个女性符号（♀）的重复序列，疑似天文/占星文本碎片。

AWS 的 TypeScript 多语言绑定工具链 jsii 的项目名，o200k 单 token（id 114318）——疑似 GitHub 语料残余、嵌入接近初始值的欠训练 token。

中文赌博 SEO spam 的高频标题词，o200k 词表污染 token；2026 年因 Codex 在工具调用输出中吐出赌博广告而出圈。