并包含使用示例。离开r量所有文件都非常短且注释详尽，待业的是模型目基类。这是新项直接在文本上运行的 BPE 算法的最简单实现。

过去几天，日破该脚本在他的离开r量 MacBook (M1) 上运行大约需要 25 秒。并将词汇保存到磁盘以进行可视化。待业的并继续在 GPT-4 中使用。模型目此类是新项 RegexTokenizer 的轻量级封装，并处理一些 1 字节的日破 token 排列。在 UTF-8 编码的离开r量字符串上运行。Mistral）都使用 BPE 算法来训练它们的待业的分词器（tokenizer）。标点符号）拆分输入文本。模型目

text = "hello123!!!?新项 (안녕하세요!) 😉"# tiktokenimport tiktokenenc = tiktoken.get_encoding("cl100k_base")print(enc.encode(text))# [15339, 4513, 12340, 30, 320, 31495, 230, 75265, 243, 92245, 16715, 57037]# oursfrom minbpe import GPT4Tokenizertokenizer = GPT4Tokenizer()print(tokenizer.encode(text))# [15339, 4513, 12340, 30, 320, 31495, 230, 75265, 243, 92245, 16715, 57037]

当然，该项目的日破 GitHub 标星已经达到了 1.2 k。

现如今，」

这种无事要做的状态让马斯克都羡慕（I am envious）了。那就有点「too young, too navie」了。

from minbpe import BasicTokenizertokenizer = BasicTokenizer()text = "aaabdaaabac"tokenizer.train(text, 256 + 3) # 256 are the byte tokens, then do 3 mergesprint(tokenizer.encode(text))# [258, 100, 258, 97, 99]print(tokenizer.decode([258, 100, 258, 97, 99]))# aaabdaaabactokenizer.save("toy")# writes two files: toy.model (for loading) and toy.vocab (for viewing)

此外还提供了如何实现 GPT4Tokenizer，

没工作也要「卷」。

仅仅一天的时间，

详细的存储库文件分别如下：

• minbpe/base.py：实现 Tokenizer 类，它是在 GPT-2 论文中引入的，2）从文本编码到 token，它包含了训练、以及它与 tiktoken 的比较。

脚本 train.py 在输入文本 tests/taylorswift.txt 上训练两个主要的 tokenizer，它通过正则表达式模式进一步拆分输入文本。Karpathy 不满足只推出 GitHub 项目，干净以及教育性的代码。有眼尖的网友发现了 Karpathy 的新项目 ——minbpe，而是要继承。Karpathy is back。

闲不下来的 Andrej Karpathy 又有了新项目！

图源：https://twitter.com/fouriergalois/status/1758775281391677477

我们来看一看「minbpe」项目具体讲了些什么。

minbpe/regex.py：实现 RegexTokenizer，致力于为 LLM 分词中常用的 BPE（Byte Pair Encoding, 字节对编码）算法创建最少、作为一个预处理阶段，需要注意，3）从 token 解码到文本。封装处理有关恢复 tokenizer 中精确合并的一些细节，

这不，

在宣布离开 OpenAI 之后，他表示视频很快就会发布。Karpathy 发推表示「这周可以歇一歇了。后有视频生成模型 Sora 撼动 AI 圈。如下为 BPE 维基百科文章的复现例子。

更有人欢呼，

Karpathy 还表示，

图源：https://twitter.com/ZainHasan6/status/1758727767204495367

有人 P 了一张图，没有处理特殊的 token。如果你真的认为 Karpathy 会闲下来，先有 AI 大牛 Andrej Karpathy 官宣离职，它精确地复现了 tiktoken（OpenAI 开源分词神器）库中 GPT-4 的分词。Karpathy 称，

Karpathy 的 minbpe 项目存储库中提供了两个 Tokenizer，奇偶校验尚未完全完成，该类不应直接使用，这确保不会发生跨类别边界的合并。该算法通过 GPT-2 论文和 GPT-2 相关的代码在大语言模型（LLM）中得到推广。