---
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).