我们平时和大模型聊天，输入的是一句话、一段文字，甚至是一篇文章。但模型真正看到的，并不是这些文字本身。在进入大模型之前，文本通常要先经过一个步骤：

Tokenize，也就是分词。

简单来说，tokenize的作用就是把一整段文本，切成一个个模型能够处理的小片段。这些小片段就叫token。

比如一句话：

我喜欢大语言模型

在人看来，这是一句话。但对模型来说，它可能会被切成：

我 / 喜欢 / 大语言 / 模型

也可能被切成：

我 / 喜 / 欢 / 大 / 语言 / 模型

甚至在不同模型里，切法还不一样。这就引出一个问题：

大模型到底是怎么切词的？

为什么大模型不能直接读文字？

因为模型本质上处理的是数字。文字进入模型之前，一般要经历三个步骤：

文本 → token → token ID → embedding 向量

也就是说，模型不是直接理解“我喜欢大语言模型”这些文字，而是先把它们变成token，再把token映射成数字编号，最后查表得到向量。这个切成token的过程，就叫tokenizer。

tokenizer切得好不好，会影响很多事情：

• 序列长度

• 词表大小

• 计算成本

• 模型理解能力

• 新词处理能力

所以，分词不是一个小细节，而是大模型输入系统里非常重要的一环。

最基础的三种切分粒度

大模型分词，最基础可以分成三种粒度：

• word：按词切

• char：按字符切

• subword：按子词切

1、按词切：最符合人类习惯，但词表太大

按词切是最自然的方式。比如：

I like language models

可以切成：

I / like / language / models

中文也可以切成：

我 / 喜欢 / 大语言模型

这种方式的优点是很好理解，每个token往往具有比较完整的语义。

但问题也很明显：

词太多了。

自然语言里有大量长尾词、专有名词、缩写、拼写变化、生僻表达。

比如：

ChatGPTTransformerbioconcentrationnon-targeted......

如果每个词都放进词表，词表会变得非常大。词表越大，embedding表也越大，占用的显存和内存也越多。所以，单纯按词切，在大模型里并不是最理想的方案。

2、按字符切：词表小，但句子会变长

另一种方法是按字符切。

比如英文：

hello

切成：

h / e / l / l / o

中文：

大语言模型

切成：

大 / 语 / 言 / 模 / 型

这种方法的优点是词表很小。英文就是字母、数字、符号；中文虽然字符更多，但也比完整词表小很多。它还有一个好处：

几乎不会遇到完全没见过的词。

但缺点也很明显：

句子会被切得很碎，序列长度变长，计算成本增加。更重要的是，每个字符本身包含的信息有限。比如“模”“型”分开看，语义并不完整；只有组合成“模型”，意思才更清楚。

所以，按字符切虽然简单，但表达能力有限。

3、按子词切：现代大模型最常用的折中方案

现在很多大模型采用的是第三种方式：

subword，子词切分。

它介于“词”和“字符”之间。核心思想可以用一句话概括：

常见词尽量保留，生僻词拆成更小的片段。

比如：

Transformers

可能会被切成：

Transform / ers

再比如：

unbelievable

可能切成：

un / believe / able

这样做的好处是既不会像按词切那样导致词表爆炸，也不会像按字符切那样把句子切得太碎。所以，子词切分是目前大模型tokenizer的主流思路。

常见tokenizer方法有哪些？

常见的大模型词表构建方法主要有四类：

• BPE

• WordPiece

• Unigram

• SentencePiece

它们的目标都差不多，构建一套合适的token词表，让文本既能被稳定表示，又不会让词表过大。

但它们的做法不一样。

1、BPE：从字符开始，不断合并高频组合

BPE，全称是Byte-Pair Encoding，字节对编码。它最早来自数据压缩思想，后来被用到NLP分词中。BPE的核心逻辑很简单：

谁经常挨在一起，就把谁合并。

举个简单例子。假设语料里有这些词：

lowlowernewestwidest

一开始，BPE会先把它们拆成字符：

l / o / wl / o / w / e / rn / e / w / e / s / tw / i / d / e / s / t

然后统计相邻字符组合出现的频率。如果发现：

e + s

经常一起出现，就把它们合并成：

es

接着继续统计。如果发现：

es + t

经常一起出现，就继续合并成：

est

不断重复这个过程，直到词表达到预设大小。最后，词表里可能会有：

lowerestwidenew

这样新来一个词：

lowest

就可以被切成：

low / est

BPE的优点是：

• 简单

• 高效

• 能处理未知词

• 词表大小可控

很多GPT系列模型、RoBERTa等模型，都使用过BPE或类似BPE的方法。

2、WordPiece：不只看频率，还看组合是否更合理

WordPiece也属于子词切分方法。它和BPE很像，也会从小片段开始，逐步合并成更大的子词。但它和BPE的关键区别在于：

BPE更关注出现频率，WordPiece更关注合并后对语言模型概率的提升。

简单理解就是BPE会问：

哪两个片段最常一起出现？

WordPiece会问：

哪两个片段合并以后，更能提高语料的整体表示概率？

比如两个片段A和B，如果A和B各自出现很多，但它们并不是强绑定关系，那么WordPiece不一定优先合并它们。

WordPiece更倾向于合并那些经常一起出现，并且彼此关联很强的组合。例如：

playing

可能会切成：

play / ##ing

这里的##ing表示它不是一个独立开头的词，而是接在前面的子词后面。BERT、DistilBERT、ELECTRA 等模型中，常见tokenizer就是 WordPiece。

一句话理解WordPiece，它也是合并子词，但不是单纯看谁出现次数多，而是看合并后是否更有利于建模。

• 那么问题来了，啥叫更有利于建模？

3、Unigram：先给很多候选，再逐步删掉不重要的

Unigram 的思路和BPE、WordPiece不太一样。BPE和WordPiece大体是从小到大，不断合并。而Unigram更像是先准备一个很大的候选词表，再慢慢删。比如一开始，它可能准备很多候选token：

大语言模型大语言语言模型大语言模型

然后根据概率模型判断哪些token更有用，哪些token删除后对整体损失影响较小。每次删除一批影响最小的token，最后保留一个大小合适的词表。

Unigram的特点是同一个句子可能有多种切分方式，模型会根据概率选择更合适的一种。比如：

大语言模型

可能有几种切法：

大 / 语言 / 模型大语言 / 模型大语言模型

Unigram会根据训练得到的概率，选择更合理的切分。

4、SentencePiece：不是单一算法，而是一套分词工具

SentencePiece容易被误解成一种具体的分词算法。更准确地说，它不是单独的一种算法，而是一套tokenizer训练工具。它可以用来训练BPE，也可以用来训练Unigram。它最大的特点是：

不需要先按空格把句子切成词，而是直接从原始文本中学习怎么切分。

这点对中文、日文、韩文等语言很重要。因为英文句子里通常有空格：

I love AI


人和程序都很容易先切成：
I / love / AI


但中文没有天然空格：
我喜欢人工智能


如果分词器过度依赖空格，就很难同时处理英文、中文、日文等多种语言。SentencePiece的做法是把整句话看成一串字符，空格也不丢掉，而是用一个特殊符号表示。比如：
I love AI


在 SentencePiece 里，空格可能会被表示成：
▁I / ▁love / ▁AI


这里的 ▁ 可以简单理解为：
这个token前面原来有一个空格，或者它是一个新词/新片段的开始。
这样做有一个好处：即使文本被切成token，模型也还能知道原文中哪里有空格。所以，SentencePiece特别适合多语言场景。它不强依赖英文那样的空格分词，而是把空格、汉字、字母、标点都统一放进同一套切分体系里。一句话理解：
SentencePiece不是一种单独的切词规则，而是一套tokenizer工具。它把原始句子整体处理，连空格也一起建模，因此更适合中文、英文等多语言混合场景。

这几种方法有什么区别？
可以简单对比一下：




方法


核心思路


特点


常见模型






BPE


高频相邻片段不断合并


简单高效，应用广


GPT-2、RoBERTa




WordPiece


选择更能提升语言模型概率的合并


更关注子词组合的建模价值


BERT




Unigram


从大候选词表中逐步删除


可基于概率选择切分方式


XLM、SentencePiece 系列




SentencePiece


工具框架，可结合 BPE或Unigram


不依赖空格，适合多语言


T5、ALBERT、XLNet




不过要注意一点：这些方法不是互相完全割裂的。实际模型中，tokenizer的实现常常会结合具体工程需求进行调整。
比如GPT系列常用byte-level BPE思路，SentencePiece也可以训练BPE 或Unigram类型的tokenizer。