BPE分词：大模型文本处理核心

大语言模型（LLM）中，将文本切分为Token（词元）的过程称为分词（Tokenization）。目前，主流大语言模型（如GPT系列、Claude、LLaMA等）主要采用基于统计的“子词”分词算法，其中字节对编码（Byte Pair Encoding, BPE）及其变体是应用最广泛的核心方法。核心分词方法：BPE及其变体BPE算法通过迭代合并高频字符对来构建一个固定大小的词表，从而在字符的精确性和单词的完整性之间取得平衡。其核心思想是将常见单词作为一个Token，而将罕见单词拆分为多个子词Token。BPE算法工作流程示例以下是一个简化的BPE分词过程：# 假设初始词表为所有字符，待编码文本为“low lower newest widest” from collections import Counter def get_stats(vocab): """统计相邻符号对的出现频率""" pairs = Counter() for word, freq in vocab.items(): symbols = word.split() for i in range(len(symbols)-1): pairs[symbols[i], symbols[i+1]] += freq return pairs def merge_vocab(pair, v_in): """合并最高频的符号对""" v_out = {} bigram = ' '