T
Tokenizer
Также известен как: Токенизатор, BPE
Основы AIОпределение
Tokenizer — компонент, преобразующий текст в последовательность токенов (чисел), которые понимает языковая модель.
Простое объяснение
Tokenizer — как переводчик человеческого языка в язык цифр, который понимает AI. Разбивает текст на кусочки и присваивает каждому номер.
Подробнее
Tokenizer — первый этап обработки текста в LLM. BPE (Byte Pair Encoding) — популярный алгоритм: начинает с символов и итеративно объединяет частые пары. GPT использует tiktoken, LLaMA — SentencePiece. Разные токенизаторы дают разное количество токенов для того же текста. "Tokenizer tax" — неэффективность для некоторых языков (русский требует больше токенов, чем английский). Выбор tokenizer влияет на vocabulary size, эффективность и поддержку языков.
Связанные термины
Человеко-машинное взаимодействие
HCI (Human-Computer Interaction) — область изучения и проектирования интерфейсов взаимодействия между людьми и AI-системами.
Top-p / Top-k
Top-p и Top-k — методы семплирования, ограничивающие выбор следующего токена наиболее вероятными вариантами.
Паттерн
Повторяющийся шаблон или закономерность в данных, которую AI-модели учатся распознавать и использовать для предсказаний.
Оптимизация
Оптимизация — процесс улучшения системы, модели или процесса для достижения лучших результатов при заданных ограничениях.