魚羊 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI
大神Karpathy從OpenAI離職，原本揚(yáng)言要大休一周。
但轉(zhuǎn)眼，新項(xiàng)目就已上線GitHub，日增上千星的那種。
還是熟悉的卡式配方：
74行Python代碼搞定大模型標(biāo)記化（tokenization）中常用的BPE（Byte Pair Encoding）算法，實(shí)現(xiàn)該算法的最孝最干凈代碼版本。
甚至：
是不是有點(diǎn)快3萬標(biāo)星的nanoGPT內(nèi)味兒了？
這波啊，還真是讓網(wǎng)友們給猜著了：
Time to cook。
畢竟，Karpathy除了前特斯拉AI總監(jiān)、OpenAI創(chuàng)始成員的title，最為網(wǎng)友所熟悉的，就是“AI領(lǐng)域大善人”、“擅長將復(fù)雜問題簡單化的卡老師”這樣的身份了（手動狗頭）。
BPE代碼最小化版本
還是具體來看一下，Karpathy老師這次又煮出了一鍋什么樣的飯。
項(xiàng)目名minbpe已經(jīng)說明一切：BPE算法的最孝最干凈代碼版本。
BPE（字節(jié)對編碼）是隨著GPT-2而流行起來的標(biāo)記化算法�，F(xiàn)在，包括GPT系列、Llama系列和Mistral在內(nèi)，一眾大模型都用到了這一算法來訓(xùn)練分詞器。
BPE的主要優(yōu)勢在于：
高效：通過合并頻繁出現(xiàn)的字節(jié)對來逐步構(gòu)建詞匯表，可以有效地減少模型需要處理的詞匯量。
靈活：可以將詞匯表外的單詞分解為已知子詞來進(jìn)行處理，有助于模型理解和生成未在訓(xùn)練中出現(xiàn)的單詞。
而在minbpe這個項(xiàng)目中，Karpathy提供了兩個Tokenizer（分詞器），它們都可以執(zhí)行分詞器的3個主要功能：
基于特定文本訓(xùn)練詞匯表和合并操作
把文本編碼成token
把token解碼為文本
具體而言，在basic.py中，minbpe用74行Python代碼，完成了對直接在文本上運(yùn)行的BPE算法的最簡單實(shí)現(xiàn)。
在regex.py中，minbpe實(shí)現(xiàn)的是一個正則表達(dá)式分詞器，該分詞器利用正則表達(dá)式進(jìn)一步拆分輸入的文本。
另外，在正則表達(dá)式分詞器的基礎(chǔ)之上，minbpe還在gpt4.py中提供了一個GPT4Tokenizer，可以準(zhǔn)確在線tiktoken庫中的GPT-4標(biāo)記化。
注：tiktoken是一種快速BPE分詞器。
base.py則是一個基類，包含了訓(xùn)練、編碼和解碼的存根（stubs），提供了保存和加載的功能，并集成了一些常見的輔助工具函數(shù)。在實(shí)際應(yīng)用中，開發(fā)者應(yīng)該通過繼承這個基類來實(shí)現(xiàn)具體的分詞器功能。
Karpathy提到，他在霉霉的維基百科文本上嘗試訓(xùn)練了兩個主要的分詞器。train.py在他的M1 MacBook上運(yùn)行時間大概為25秒。
如果你還有什么不清楚的地方，別擔(dān)心，卡老師已經(jīng)計劃要出視頻了：
Karpathy出走OpenAI，許多猜測指向他的“下一篇章”是大語言模型系統(tǒng)（LLM OS）：
如今正式工作還未揭示，但看樣子Karpathy已經(jīng)拾起了“教學(xué)育人”的副業(yè)，小伙伴們可以蹲起來了（doge）。
參考鏈接：
https://github.com/karpathy/minbpe/
完
