离开OpenAI待业的Karpathy做了个大模型新项目，Star量一日破千
没工作也要「卷」。待业的所有现代的模型目 LLM（比如 GPT、
这不，新项
日破
from minbpe import BasicTokenizertokenizer = BasicTokenizer()text = "aaabdaaabac"tokenizer.train(text,日破 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，它在分词之前按类别（例如字母、离开r量
图源：https://twitter.com/ZainHasan6/status/1758727767204495367
有人 P 了一张图，待业的OpenAI 非常热闹，模型目干净以及教育性的新项代码。标点符号）拆分输入文本。日破这是直接在文本上运行的 BPE 算法的最简单实现。
Karpathy 还表示，
仅仅一天的时间，并处理一些 1 字节的 token 排列。没有处理特殊的 token。
现如今，它是在 GPT-2 论文中引入的，那就有点「too young, too navie」了。Karpathy is back。2）从文本编码到 token，Karpathy 称，并包含使用示例。
脚本 train.py 在输入文本 tests/taylorswift.txt 上训练两个主要的 tokenizer，而是要继承。作为一个预处理阶段，Karpathy 不满足只推出 GitHub 项目，编码和解码存根、封装处理有关恢复 tokenizer 中精确合并的一些细节，
minbpe/basic.py：实现 BasicTokenizer，该脚本在他的 MacBook (M1) 上运行大约需要 25 秒。BPE 算法是「字节级」的，
但是，」
这种无事要做的状态让马斯克都羡慕（I am envious）了。
minbpe/gpt4.py：实现 GPT4Tokenizer。这确保不会发生跨类别边界的合并。在 UTF-8 编码的字符串上运行。
图源：https://twitter.com/fouriergalois/status/1758775281391677477
我们来看一看「minbpe」项目具体讲了些什么。3）从 token 解码到文本。后有视频生成模型 Sora 撼动 AI 圈。
Karpathy 的 minbpe 项目存储库中提供了两个 Tokenizer，
详细的存储库文件分别如下：
minbpe/base.py：实现 Tokenizer 类，保存 / 加载功能，先有 AI 大牛 Andrej Karpathy 官宣离职，并将词汇保存到磁盘以进行可视化。该项目的 GitHub 标星已经达到了 1.2 k。它通过正则表达式模式进一步拆分输入文本。如果你真的认为 Karpathy 会闲下来，奇偶校验尚未完全完成，它精确地复现了 tiktoken（OpenAI 开源分词神器）库中 GPT-4 的分词。Mistral）都使用 BPE 算法来训练它们的分词器（tokenizer）。以及它与 tiktoken 的比较。所有文件都非常短且注释详尽，它们都可以执行分词器的 3 个主要功能：1）训练 tokenizer 词汇并合并给指定文本，
项目介绍
GitHub 地址：https://github.com/karpathy/minbpe
我们知道，
在宣布离开 OpenAI 之后，
过去几天，他表示视频很快就会发布。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。
text = "hello123!!!? (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，该类不应直接使用，Llama、不过，表示 Karpathy 为大家「烹制了一顿大餐」。还有一些常见的实用功能。它包含了训练、有眼尖的网友发现了 Karpathy 的新项目 ——minbpe，是基类。需要注意，
闲不下来的 Andrej Karpathy 又有了新项目！
更有人欢呼，
minbpe/regex.py：实现 RegexTokenizer，如下为 BPE 维基百科文章的复现例子。