metadata
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.
📊 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:
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).