大模型“读“懂你的秘密：Tokenize分词技术全解析！

本文深入探讨了大模型如何处理文本输入。核心流程为文本经过Tokenize分词，转为token，再映射为token ID并转化为embedding向量。介绍了三种基础分词粒度：按词切、按字符切、按子词切，并详细解析了四种常见tokenizer方法：BPE、WordPiece、Unigram、SentencePiece，分析了它们的原理、优缺点及适用场景，强调分词对模型理解能力的重要性。

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：

ChatGPT Transformer bioconcentration non-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：

low lower newest widest

一开始，BPE会先把它们拆成字符：

l / o / w l / o / w / e / r n / e / w / e / s / t w / 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：

low er est wide new

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：

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。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

最后

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

  👇👇扫码免费领取全部内容👇👇

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】