分词器（Tokenizer） 是一种将文本拆分为 token（标记） 的工具。在自然语言处理（NLP）和大语言模型（LLM）中，分词器负责把输入文本转换成 模型可以理解的最小单元，通常是单词、子词或字符。
为什么需要分词器？
计算机无法直接理解人类语言，它只能处理数字。所以在训练和使用 AI 模型时，我们需要：
- 把文本拆成 token（比如单词、子词或字符）。
- 给每个 token 编号（token ID）。
- 输入模型，让它进行计算。
比如，GPT-4 这样的模型不会直接处理"今天天气很好"这样的文本，而是会先经过分词器转换成 token ID，例如：
"今天" → 12034
"天气" → 8942
"很" → 104
"好" → 67
然后模型就可以用这些 token ID 进行计算。
分词器的类型
不同的 NLP 任务和模型会使用不同的分词方法，常见的分词器包括：
1. 空格分词（Whitespace Tokenization）
最简单的方法，按照空格拆分单词。例如：
"The weather is nice today."
会变成：
["The", "weather", "is", "nice", "today", "."]
适用于 英文 这样的有空格的语言，但 对中文无效（因为中文没有空格）。
2. 规则分词（Rule-based Tokenization）
使用词典或规则进行分词，适用于中文。例如：
"我喜欢自然语言处理"
可以拆成：
["我", "喜欢", "自然语言处理"]
但问题是：
- 规则太死板，遇到 新词（比如 "大模型"）可能无法正确分词。
3. 子词分词（Subword Tokenization）
现代 NLP 模型（如 GPT-4、BERT）通常使用 子词分词，它会：
- 保留常见的词（如 "weather"）。
- 拆分不常见的词（如 "unhappiness" → ["un", "happiness"]）。
- 减少词汇量，提高泛化能力。
常见的子词分词算法：
- BPE（Byte Pair Encoding）：GPT-4、GPT-3、CLIP 使用的分词方式。
- WordPiece：BERT、ALBERT、DistilBERT 使用的分词方式。
- Unigram Language Model：T5、SentencePiece 使用的分词方式。
GPT-4 使用的分词器（BPE）
GPT-4 和 GPT-3.5 使用 BPE（Byte Pair Encoding） 分词器，它的特点是：
- 可以处理多种语言（包括英文、中文、日文等）。
- 会把罕见单词拆成多个子词，但高频单词不会拆。
- 对中文的处理方式 是以「子词」为单位，不会按单个字符拆分。
示例
以 OpenAI 的 tiktoken 分词器为例：
import tiktoken
enc = tiktoken.get_encoding("cl100k_base") # GPT-4 使用的分词器
text = "今天天气很好"
tokens = enc.encode(text)
print(tokens) # 输出 token ID
print(enc.decode(tokens)) # 还能还原回去
可能会输出：
[12034, 8942, 104, 67]
模型内部只处理这些 token ID，而不是原始文本。
总结
- 分词器 负责把文本转换成 token，让模型能理解。
- 不同的分词方法 适用于不同的语言（空格、规则、子词等）。
- GPT-4 使用 BPE 分词器，能高效处理多种语言。
