File size: 2,198 Bytes
280317b c73f11a bd5f181 280317b bd5f181 9db7c76 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 | ---
license: other
license_name: ul-lodl
license_link: LICENSE
language:
- en
- ru
- zh
tags:
- tokenizer
- bpe
- tinycynic
---
# TinyCyclic Tokenizer
Кастомный BPE-токенизатор на **64,000 токенов**, разработанный специально для экспериментальной архитектуры [TinyCyclic](https://huggingface.co/ExtraX1/TinyCyclic-0.4B-Base).
## 📊 Характеристики
* **Тип:** Byte-Level BPE (совместим с GPT-2 / Llama / Qwen).
* **Размер словаря:** 64,000 токенов.
* **Поддерживаемые языки:** Английский, Русский, Китайский и Код (Python).
* **Спецтокены:** Включает разметку ChatML и теги для Chain-of-Thought (размышлений).
### 🔠 Специальные токены
Токенизатор содержит следующие зарезервированные токены, каждый из которых занимает ровно 1 позицию в словаре:
* `<|im_start|>`, `<|im_end|>` — маркеры начала и конца реплики в диалоге.
* `<|think|>`, `<|/think|>` — маркеры для скрытого процесса размышлений (Chain of Thought).
## 🚀 Использование
Вы можете легко загрузить этот токенизатор с помощью библиотеки `tokenizers` от Hugging Face:
```python
from tokenizers import Tokenizer
tokenizer = Tokenizer.from_pretrained("ExtraX1/TinyCyclic-Tokenizer")
text = "Привет, у меня аллергия на мандарины"
encoded = tokenizer.encode(text)
print("Токены:", encoded.tokens)
print("Количество токенов:", len(encoded.tokens))
```
🛠️ Обучение
Исходный код для обучения этого токенизатора доступен в файле train_tokenizer.py.
Скрипт использует датасеты wikimedia/wikipedia и codeparrot/codeparrot-clean для балансировки 4 доменов (EN, RU, ZH, Code). |