TokenCrunch em sala de aula

Um jogo de 20 a 25 minutos em que os alunos executam, com as próprias mãos, o algoritmo que os modelos de linguagem usam para transformar texto em números. Funciona no celular ou no computador, sem cadastro.

O que os alunos aprendem jogando

• Modelos de linguagem não leem letras nem palavras: leem tokens, convertidos em números (IDs).
• O BPE constrói o vocabulário juntando, repetidamente, o par de símbolos mais frequente.
• A janela de contexto tem limite e cada token tem custo computacional.
• Um tokenizador é treinado uma vez e depois congelado; o vocabulário precisa servir para textos novos.
• Por que modelos já erraram ao contar letras ("strawberry").
• A tokenização é desigual entre línguas: no mundo real, o português costuma custar mais tokens que o inglês.

Como aplicar

• Duração: 20 a 25 minutos para as 10 fases (os cards entre as fases podem ser pulados e relidos depois no mapa).
• Celular ou computador com navegador atualizado. Não há cadastro: o progresso fica salvo no navegador do aluno.
• Sugestão: deixe a turma jogar o Ato I sem explicação nenhuma e só depois conversem sobre o que é um token.
• Cada texto sorteado tem um título único. Alunos que pegaram o mesmo título podem comparar os tempos.
• O jogo funciona com teclado (setas e Enter) e com leitor de tela.

Conceito por fase

• Fase 1 — token e janela de contexto
• Fase 2 — BPE como compressão (Gage, 1994); sufixos que generalizam
• Fase 3 — pré-tokenização (fronteiras de palavra)
• Fase 4 — frequência de pares sem contagem explícita
• Fase 5 — palavras raras (Sennrich et al., 2016); maiúsculas
• Fase 6 — custo computacional e vocabulário limitado
• Fase 7 — cegueira de caracteres ("strawberry")
• Fase 8 — BPE em bytes (GPT-2, 2019); IDs e embeddings
• Fase 9 — treino em corpus e generalização
• Fase 10 — vocabulário congelado e viés linguístico (Petrov et al., 2023)

Perguntas para discussão

Se você já usa o CS Unplugged

A atividade de compressão de texto do CS Unplugged troca trechos repetidos por referências a ocorrências anteriores. O BPE parte da mesma intuição — repetição é informação que pode ser economizada — mas guarda o resultado num vocabulário: cada par fundido vira uma entrada nova, que serve para qualquer texto futuro. É essa diferença que transforma um algoritmo de compressão num tokenizador.

Alinhamento curricular

Referências internacionais

• UNESCO — AI Competency Framework for Students (2024): dimensões "Técnicas e aplicações de IA" e "Ética da IA", no nível "Compreender".
• AILit — framework de letramento em IA da Comissão Europeia e da OCDE para o ensino fundamental e médio: entender como os sistemas de IA funcionam e avaliar seus limites.

Brasil

• BNCC — Normas sobre Computação na Educação Básica, Complemento à BNCC (Resolução CNE/CEB nº 1/2022).
• Eixo Pensamento Computacional: abstração, decomposição e algoritmos (o BPE como algoritmo guloso).
• Eixo Mundo Digital: codificação e representação da informação (caracteres, bytes, IDs).
• Eixo Cultura Digital: impactos sociais da tecnologia (custo, acesso e desigualdade entre línguas).

Textos usados no jogo

Trava-línguas do folclore brasileiro (tradição oral), trechos em domínio público de Gonçalves Dias, Casimiro de Abreu, José de Alencar, Machado de Assis, Fernando Pessoa e Luís de Camões, e textos originais do TokenCrunch. O vocabulário congelado do boss foi treinado em cinco livros de Machado de Assis (Project Gutenberg, domínio público), na ortografia da época.

Como citar

ABNT: DIAS, Rodrigo Assirati. TokenCrunch: um jogo sobre tokenização em modelos de linguagem. 2026. Disponível em: https://tokencrunch.assirati.com. Acesso em: [data].

APA: Dias, R. A. (2026). TokenCrunch: um jogo sobre tokenização em modelos de linguagem [Jogo educativo]. https://tokencrunch.assirati.com