T

Tokenizer

Также известен как: Токенизатор, BPE
Основы AI

Определение

Tokenizer — компонент, преобразующий текст в последовательность токенов (чисел), которые понимает языковая модель.

Маршрут: Как устроен ChatGPT

шаг 1 из 10
Показать термин на карте связей

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.
Открыть карту связей
Дальше
Token