大神Karpathy從OpenAI離職，原本揚言要大休一周。

圖片

但轉眼，新項目就已上線GitHub，日增上千星的那種。

圖片

還是熟悉的卡式配方：

74行Python代碼搞定大模型標記化（tokenization）中常用的BPE（Byte Pair Encoding）算法，實現該算法的最小、最干凈代碼版本。

甚至：

圖片

是不是有點快3萬標星的nanoGPT內味兒了？

這波啊，還真是讓網友們給猜著了：

Time to cook。

畢竟，Karpathy除了前特斯拉AI總監、OpenAI創始成員的title，最為網友所熟悉的，就是“AI領域大善人”、“擅長將復雜問題簡單化的卡老師”這樣的身份了（手動狗頭）。

BPE代碼最小化版本

還是具體來看一下，Karpathy老師這次又煮出了一鍋什么樣的飯。

圖片

項目名minbpe已經說明一切：BPE算法的最小、最干凈代碼版本。

BPE（字節對編碼）是隨著GPT-2而流行起來的標記化算法。現在，包括GPT系列、Llama系列和Mistral在內，一眾大模型都用到了這一算法來訓練分詞器。

BPE的主要優勢在于：

• 高效：通過合并頻繁出現的字節對來逐步構建詞匯表，可以有效地減少模型需要處理的詞匯量。
• 靈活：可以將詞匯表外的單詞分解為已知子詞來進行處理，有助于模型理解和生成未在訓練中出現的單詞。

而在minbpe這個項目中，Karpathy提供了兩個Tokenizer（分詞器），它們都可以執行分詞器的3個主要功能：

• 基于特定文本訓練詞匯表和合并操作
• 把文本編碼成token
• 把token解碼為文本

具體而言，在basic.py中，minbpe用74行Python代碼，完成了對直接在文本上運行的BPE算法的最簡單實現。

圖片

在regex.py中，minbpe實現的是一個正則表達式分詞器，該分詞器利用正則表達式進一步拆分輸入的文本。

另外，在正則表達式分詞器的基礎之上，minbpe還在gpt4.py中提供了一個GPT4Tokenizer，可以準確在線tiktoken庫中的GPT-4標記化。

注：tiktoken是一種快速BPE分詞器。

圖片

base.py則是一個基類，包含了訓練、編碼和解碼的存根（stubs），提供了保存和加載的功能，并集成了一些常見的輔助工具函數。在實際應用中，開發者應該通過繼承這個基類來實現具體的分詞器功能。

Karpathy提到，他在霉霉的維基百科文本上嘗試訓練了兩個主要的分詞器。train.py在他的M1 MacBook上運行時間大概為25秒。

如果你還有什么不清楚的地方，別擔心，卡老師已經計劃要出視頻了：

圖片

Karpathy出走OpenAI，許多猜測指向他的“下一篇章”是大語言模型系統（LLM OS）：

圖片

如今正式工作還未揭示，但看樣子Karpathy已經拾起了“教學育人”的副業，小伙伴們可以蹲起來了。

參考鏈接：https://github.com/karpathy/minbpe/