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，实现该算法的最小、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 算法的最小、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 —
