免费网站建设建议免费自媒体网站
GPT 不是适用于某一门语言的大型语言模型，它适用于几乎所有流行的自然语言。所以 GPT 的 token 需要 兼容 几乎人类的所有自然语言，那意味着 GPT 有一个非常全的 token 词汇表，它能表达出所有人类的自然语言。如何实现这个目的呢？
答案是通过 unicode 编码。
Unicode（统一码、万国码、单一码）是一种在计算机上使用的字符编码。Unicode 是为了解决传统的字符编码方案的局限而产生的，它为每种语言中的每个字符设定了统一并且唯一的二进制编码，以满足跨语言、跨平台进行文本转换、处理的要求。
以下的网址可以计算一个语料的tokens数目：
https://platform.openai.com/tokenizer
https://platform.openai.com/tokenizer
有两个问题：
- 汉字是怎么编码的？
- 编码和模型是否相关？
虽然 GPT-3.5 的代码和模型权重并未开源，但是 tokenizer 部分是开源到 GitHub - openai/tiktoken: tiktoken is a fast BPE tokeniser for use with OpenAI's models.tiktoken is a fast BPE tokeniser for use with OpenAI's models. - GitHub - openai/tiktoken: tiktoken is a fast BPE tokeniser for use with OpenAI's models.https://github.com/openai/tiktoken 的，这是一个 BPE（Byte-Pair Encoding tokenization）方法的 tokenizer。
关于第一个问题，ChatGPT 是一个多语言模型，因此编码的问题不局限于汉字。tiktoken 的词表绝大多数是英文子词，并包含少量 unicode token 和表示字节的 token，以 UTF-8 的形式表示多语言。
关于第二个问题，不同的 OpenAI 模型采用了不同的编码方式。
- GPT-4、GPT-3.5-turbo 等模型采用的是 cl100k_base，词表 100k 大小。
- text-davinci 系列采用的是 p50k_base，词表大小 50k。
- 还有一些其他模型采用了 r50k_base。
- 更早的 GPT-2 有单独的编码方式，也开源在 HuggingFace。
https://github.com/openai/tiktoken/blob/main/tiktoken/model.pyhttps://github.com/openai/tiktoken/blob/main/tiktoken/model.py作用：
用tiktoken进行token计数
OpenAI的模型都有token限制。有时在将文本传递给API之前，需要计算字符串中的token数量，以确保不超过该限制。其中，一个需要计算token数量的技术是“检索增强生成（Retrieval Augmented Generation）”，通过对文档语料库运行搜索（或嵌入搜索）来回答用户的问题，提取最有可能的内容，并将其作为上下文涵盖在prompt中。成功实现这种模式的关键是，在token限制内包含尽可能多的相关上下文，因此需要能够计算token数量。OpenAI提供了一个名为tiktoken（https://github.com/openai/tiktoken）的Python库来实现这一功能。如果你深入研究这个库，就会发现它目前包括五种不同的切分方案：r50k_base、p50k_base、p50k_edit、cl100k_base和gpt2。其中，cl100k_base是最相关的，它是GPT-4和当前ChatGPT使用的经济型gpt-3.5-turbo模型的tokenizer。text-davinci-003 使用的是p50k_base 。在tiktoken/model.py 的MODEL_TO_ENCODING 词典中可以找到模型与tokenizer的完整映射。