从 Bytes 到 Tokens：我在 CS336 中实现 BPE TokenizerAug 23, 2026·8329 words·17 minsMooc CS336 Tokenizer BPE NLP LLM最近在做 Stanford CS336（Language Modeling from Scratch）的 Assignment 1，其中有一个完整的 BPE Tokenizer 实现——从训练到编解码。做完之后，我意识到 BPE 本身并不复杂，更值得琢磨的是它背后的 设计动机和 trade-off——这两点经常被一笔带过。
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…