从 Bytes 到 Tokens：我在 CS336 中实现 BPE TokenizerAug 23, 2026·8149 words·17 minsMooc CS336 Tokenizer BPE NLP LLM最近在做 Stanford CS336（Language Modeling from Scratch）的 Assignment 1，实现了一个 BPE Tokenizer。最初的 trainer 跑 TinyStories 要约 8 分钟，改完后降到约 36 秒。
unicode 汉字表示不唯一的问题 (cjk字符集)Dec 5, 2017·181 words·1 min工程 NLP Unicodeupdate: 遇到的汉字： 丹：63838 李：63969 昨天写的正则发现死活识别不了 “年"字…