本不必要 的讨论

中文的基本单位可能不是汉字，而是词组，光四字成语可能就有几千个。

英文构词的基础，词缀词根，感觉就相当于汉字的字。就好比汉字继续拆解，构字法中的形声表意的元素，也就是汉字的部首，和部首搭配的非部首部分，在远古的时候，也是在组合使用的，排列组合渐渐固化，形成汉字。所以，汉字的字，主要还是相当于英文的单词，那些最基础的能作为构字元素使用的汉字，则相当于英文的词缀词根。因为形式上差异，中文要解决同音字太多的问题，英文要解决词缀词根太少的问题，中文的结果是字多了，常用汉字几千，然后组合构建常用词。英文是词缀词根不少，单词也不少。但本质是，在表意单元上，中文英文都是三层架构。

//成语是人们相沿习用并具有书面语色彩的固定短语。例如：阳奉阴违、阳春白雪、胸有成竹、闭门造车、舍己救人、舍生取义我们每个人都可以说出一大串成语来。现代汉语中大约有两万个成语，其中通用的六七千个，最常用的约三千个。

汉语的成语就基本上短语了，只是成语是既有构词特点，也有典故或者说约定俗成的引申意义，肯定不是基本语义单位。英语也有大量习语，成语。文化的文字积累够多，成语就会多。相信最近几百年英语的累计识字率更高，和文字创作人口量更大，积累的成语只会更多。
粗略理解，token应该是以能传达表意的最小单位来说的，不一定是中文的字和英文的单词，和语素也不是一个概念。但汉语构词法和英文的构词，也就是创建一个新的语意的时候，创新含量，感觉汉语更少。也就是汉语比英语更容易望文生义，这可能隐含着中文构词表意上规律性更强。

中文先有字，字再组成词，而英文基本上没有字，主要是词，火车汽车自行车7个字，对应英文就要十几个字母。那么中英文相同词汇量中文就可以用更少的token，计算规模就少很多，的确是一个优势，不过互联网上中文优质内容也比英文少，劣势也明显。