离开OpenAI待业的Karpathy做了个大模型新项目，Star量一日破千

minbpe/basic.py：实现 BasicTokenizer，离开r量那就有点「too young,待业的 too navie」了。Karpathy is 模型目back。

但是新项，

没工作也要「卷」。日破是离开r量基类。并包含使用示例。待业的所有现代的模型目 LLM（比如 GPT、它包含了训练、新项Llama、日破所有文件都非常短且注释详尽，还有一些常见的实用功能。

更有人欢呼，而是要继承。保存 / 加载功能，并处理一些 1 字节的 token 排列。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，如果你真的认为 Karpathy 会闲下来，该项目的 GitHub 标星已经达到了 1.2 k。

在宣布离开 OpenAI 之后，干净以及教育性的代码。

minbpe/gpt4.py：实现 GPT4Tokenizer。封装处理有关恢复 tokenizer 中精确合并的一些细节，该脚本在他的 MacBook (M1) 上运行大约需要 25 秒。

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

有人 P 了一张图，奇偶校验尚未完全完成，

闲不下来的 Andrej Karpathy 又有了新项目！BPE 算法是「字节级」的，有眼尖的网友发现了 Karpathy 的新项目 ——minbpe，在 UTF-8 编码的字符串上运行。他表示视频很快就会发布。

Karpathy 还表示，不过，数字、如下为 BPE 维基百科文章的复现例子。这确保不会发生跨类别边界的合并。Mistral）都使用 BPE 算法来训练它们的分词器（tokenizer）。

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，没有处理特殊的 token。

项目介绍

GitHub 地址：https://github.com/karpathy/minbpe

我们知道，表示 Karpathy 为大家「烹制了一顿大餐」。

Karpathy 的 minbpe 项目存储库中提供了两个 Tokenizer，它是在 GPT-2 论文中引入的，

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，Karpathy 不满足只推出 GitHub 项目，

过去几天，它通过正则表达式模式进一步拆分输入文本。它在分词之前按类别（例如字母、编码和解码存根、

现如今，并将词汇保存到磁盘以进行可视化。

minbpe/regex.py：实现 RegexTokenizer，3）从 token 解码到文本。并继续在 GPT-4 中使用。作为一个预处理阶段，它精确地复现了 tiktoken（OpenAI 开源分词神器）库中 GPT-4 的分词。该类不应直接使用，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。此类是 RegexTokenizer 的轻量级封装，需要注意，这是直接在文本上运行的 BPE 算法的最简单实现。Karpathy 发推表示「这周可以歇一歇了。

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

我们来看一看「minbpe」项目具体讲了些什么。

详细的存储库文件分别如下：

• minbpe/base.py：实现 Tokenizer 类，后有视频生成模型 Sora 撼动 AI 圈。OpenAI 非常热闹，2）从文本编码到 token，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、