鱼羊 发自 凹非寺
量子位 | 公众号 QbitAI
大神Karpathy从OpenAI离职，原本扬言要大休一周。
但转眼，新项目就已上线GitHub，日增上千星的那种。
还是熟悉的卡式配方：
74行Python代码搞定大模型标记化（tokenization）中常用的BPE（Byte Pair Encoding）算法，实现该算法的最孝最干净代码版本。
甚至：
是不是有点快3万标星的nanoGPT内味儿了？
这波啊，还真是让网友们给猜着了：
Time to cook。
毕竟，Karpathy除了前特斯拉AI总监、OpenAI创始成员的title，最为网友所熟悉的，就是“AI领域大善人”、“擅长将复杂问题简单化的卡老师”这样的身份了（手动狗头）。
BPE代码最小化版本
还是具体来看一下，Karpathy老师这次又煮出了一锅什么样的饭。
项目名minbpe已经说明一切：BPE算法的最孝最干净代码版本。
BPE（字节对编码）是随着GPT-2而流行起来的标记化算法。现在，包括GPT系列、Llama系列和Mistral在内，一众大模型都用到了这一算法来训练分词器。
BPE的主要优势在于：
高效：通过合并频繁出现的字节对来逐步构建词汇表，可以有效地减少模型需要处理的词汇量。
灵活：可以将词汇表外的单词分解为已知子词来进行处理，有助于模型理解和生成未在训练中出现的单词。
而在minbpe这个项目中，Karpathy提供了两个Tokenizer（分词器），它们都可以执行分词器的3个主要功能：
基于特定文本训练词汇表和合并操作
把文本编码成token
把token解码为文本
具体而言，在basic.py中，minbpe用74行Python代码，完成了对直接在文本上运行的BPE算法的最简单实现。
在regex.py中，minbpe实现的是一个正则表达式分词器，该分词器利用正则表达式进一步拆分输入的文本。
另外，在正则表达式分词器的基础之上，minbpe还在gpt4.py中提供了一个GPT4Tokenizer，可以准确在线tiktoken库中的GPT-4标记化。
注：tiktoken是一种快速BPE分词器。
base.py则是一个基类，包含了训练、编码和解码的存根（stubs），提供了保存和加载的功能，并集成了一些常见的辅助工具函数。在实际应用中，开发者应该通过继承这个基类来实现具体的分词器功能。
Karpathy提到，他在霉霉的维基百科文本上尝试训练了两个主要的分词器。train.py在他的M1 MacBook上运行时间大概为25秒。
如果你还有什么不清楚的地方，别担心，卡老师已经计划要出视频了：
Karpathy出走OpenAI，许多猜测指向他的“下一篇章”是大语言模型系统（LLM OS）：
如今正式工作还未揭示，但看样子Karpathy已经拾起了“教学育人”的副业，小伙伴们可以蹲起来了（doge）。
参考链接：
https://github.com/karpathy/minbpe/
完
相关文章
