TOON è un formato di serializzazione dati innovativo, progettato specificamente per ottimizzare le chiamate ai large language model. A differenza di JSON, che richiede una sintassi verbosa con virgolette e parentesi graffe ripetitive, TOON riduce drasticamente il consumo di token—una risorsa direttamente fatturabile nelle interazioni con gli LLM. Il progetto dimostra riduzioni dal 30 al 60% dei token rispetto a JSON, con alcuni scenari che raggiungono un risparmio fino al 65% a seconda della struttura dei dati.

L'architettura del formato fonde concetti provenienti da YAML (indentazione per la gerarchia) con CSV (formato tabellare per dati uniformi). Questo approccio ibrido si rivela particolarmente efficace per strutture ripetitive—collezioni di oggetti identici in cui ogni record condivide gli stessi campi. La sintassi minimale elimina i delimitatori ridondanti, utilizzando solo spazi per indicare l'annidamento e virgole per le separazioni interne.

Dal punto di vista tecnico, TOON codifica metadati critici negli header degli array: key[N]{field1,field2}: indica N elementi con i campi specificati. Questo approccio esplicito migliora la validazione da parte degli LLM e facilita il parsing di strutture complesse. I benchmark rivelano un'accuratezza di recupero dati dell'86,6% contro l'83,2% di JSON, dimostrando che la compattezza non compromette la comprensione del modello.

I casi d'uso spaziano dagli export di dati analitici agli elenchi di repository GitHub, fino agli ordini e-commerce annidati. Per le organizzazioni che gestiscono volumi massicci di richieste LLM, questa ottimizzazione genera risparmi sostanziali sui costi API, mentre gli sviluppatori beneficiano di una sintassi più leggibile rispetto alla compressione binaria convenzionale.

Il progetto, creato il 22 ottobre 2025 da Johann Schopplich, rappresenta una risposta pragmatica a un problema economico concreto: ogni token consumato in un'interazione con un LLM ha un costo finanziario diretto. Dimezzando la verbosità di JSON pur mantenendo—o addirittura migliorando—la comprensione del modello, TOON offre un vantaggio competitivo immediato per le applicazioni ad alta intensità di IA.

L'innovazione risiede nell'equilibrio tra ottimizzazione tecnica e leggibilità umana. A differenza dei formati di compressione binaria che diventano opachi, TOON rimane interpretabile, facilitando il debug e la manutenzione. Questa caratteristica si rivela cruciale negli ambienti di produzione, dove la trasparenza dei dati scambiati con gli LLM diventa una questione di governance e conformità.