Tokenizer

Tokenizer — первый этап обработки текста в LLM. BPE (Byte Pair Encoding) — популярный алгоритм: начинает с символов и итеративно объединяет частые пары. GPT использует tiktoken, LLaMA — SentencePiece. Разные токенизаторы дают разное количество токенов для того же текста. "Tokenizer tax" — неэффективность для некоторых языков (русский требует больше токенов, чем английский). Выбор tokenizer влияет на vocabulary size, эффективность и поддержку языков.