LLM-jp Tokenizer

LLM勉強会（LLM-jp）で開発しているLLM用のトークナイザー関連をまとめたリポジトリです．

What's New

Release ver3.0b1

Hugging Face Fast Tokenizerで使う場合 (FIXME)

（作業中）

SentencePieceで使う場合

• 必須ライブラリ
  • sentencepiece>=0.1.99
  • protobuf<3.21.0
• 使い方

from sentencepiece import SentencePieceProcessor
sp = SentencePieceProcessor("models/ver3.0/llm-jp-tokenizer-100k.ver3.0b1.model")

特徴

SentencePiece (Unigramモード)をベースに，以下のような工夫を盛り込んでいます．

1. 既存の大規模言語モデル（Mistral）を日本語・中国語・韓国語を対象に拡張した語彙
2. 言語ごとに含めるべき「必須語彙」を指定した段階的な語彙の拡張
3. 多言語設定に拡張しやすいスケーラブルな学習枠組み

モデル

各モデルは/models以下に配置してあります． v3.0b1とv2.2の各モデルの語彙の規模は以下の通りです．

v3.0b1のコードと英語の語彙は，Mistralの語彙を借用しています．

モデル名	語彙の規模	対応言語
code10K_en20K_ja30K.ver2.2	48,588	コード，英語，日本語
code20K_en40K_ja60K.ver2.2	96,869	コード，英語，日本語
llm-jp-tokenizer-100k.ver3.0b1	99,574	コード，英語，日本語，中国語，韓国語

v3.0a2とv2.2の各モデルの分割性能を以下にまとめました． 値は 文字数/分割後のトークン数 で，値が大きいほど圧縮率が高く分割性能が高いと言えます． 後述の各言語のテキストデータに対して分割を行った結果を表示しています．

モデル名	コード	英語	日本語	中国語	韓国語
code10K_en20K_ja30K.ver2.2	2.5742	3.6677	1.4782	0.8757	0.4689
code20K_en40K_ja60K.ver2.2	2.6715	3.8826	1.5263	0.8845	0.4697
llm-jp-tokenizer-100k.ver3.0b1	2.7450	3.9467	2.0186	1.2370	2.0428

作成方法

データ

LLM-jpで構築している以下のデータより，一部をサンプリングしたデータを利用しています． 括弧内はサンプリング後のデータサイズです． 現時点ではいずれのデータも未公開ですので，再現を行う場合はデータの公開をお待ちください．

• コード (0.5GB)
  • Stack
• 英語（1GB）
  • Wikipedia
  • Falcon RefinedWeb
• 日本語 (1.5GB)
  • Wikipedia
  • SlimPajama (Books, Github以外)
  • Common Crawl
• 中国語 (0.5GB)
  • Wikipedia
• 韓国語 (0.5GB)
  • Wikipedia

Tokenizerモデルの作成手順

（追記予定）