TOON ist ein innovatives Datenserialisierungsformat, das speziell zur Optimierung von Aufrufen großer Sprachmodelle entwickelt wurde. Im Gegensatz zu JSON, das eine ausführliche Syntax mit wiederholten Anführungszeichen und Klammern erfordert, reduziert TOON den Token-Verbrauch drastisch – eine direkt abrechenbare Ressource bei LLM-Interaktionen. Das Projekt zeigt Reduktionen von 30 bis 60 % bei den Token im Vergleich zu JSON, wobei einige Szenarien je nach strukturierten Daten Einsparungen von bis zu 65 % erreichen.

Die Architektur des Formats vereint Konzepte aus YAML (Einrückung für Hierarchien) mit CSV (Tabellenformat für einheitliche Daten). Dieser Hybridansatz erweist sich als besonders effektiv für repetitive Strukturen – Sammlungen identischer Objekte, bei denen jeder Datensatz dieselben Felder aufweist. Die minimalistische Syntax eliminiert redundante Trennzeichen und verwendet ausschließlich Leerzeichen zur Kennzeichnung von Verschachtelungen sowie Kommas für interne Trennungen.

Technisch kodiert TOON kritische Metadaten in Array-Headern: key[N]{field1,field2}: gibt N Elemente mit den angegebenen Feldern an. Dieser explizite Ansatz verbessert die Validierung durch LLMs und erleichtert das Parsen komplexer Strukturen. Benchmarks zeigen eine Datenabruf-Genauigkeit von 86,6 % gegenüber 83,2 % bei JSON, was belegt, dass die Kompaktheit nicht zu Lasten des Modellverständnisses geht.

Die Anwendungsfälle reichen von analytischen Datenexporten über GitHub-Repository-Listen bis hin zu verschachtelten E-Commerce-Bestellungen. Für Organisationen, die massive Mengen an LLM-Anfragen verwalten, generiert diese Optimierung erhebliche Einsparungen bei den API-Kosten, während Entwickler von einer Syntax profitieren, die lesbarer ist als herkömmliche Binärkompression.

Das am 22. Oktober 2025 von Johann Schopplich erstellte Projekt stellt eine pragmatische Antwort auf ein konkretes wirtschaftliches Problem dar: Jedes bei einer LLM-Interaktion verbrauchte Token verursacht direkte finanzielle Kosten. Indem es die Ausführlichkeit von JSON halbiert und dabei das Modellverständnis beibehält – oder sogar verbessert –, bietet TOON einen unmittelbaren Wettbewerbsvorteil für KI-intensive Anwendungen.

Die Innovation liegt in der Balance zwischen technischer Optimierung und menschlicher Lesbarkeit. Anders als binäre Kompressionsformate, die undurchsichtig werden, bleibt TOON interpretierbar, was Debugging und Wartung erleichtert. Diese Eigenschaft erweist sich in Produktionsumgebungen als entscheidend, in denen die Transparenz der mit LLMs ausgetauschten Daten zu einer Frage von Governance und Compliance wird.