文本子词分词算法是大语言模型的一项关键技术，负责将文本转换为模型可处理的 token 序列。那为什么不能直接以”字符”或”单词”作为模型的输入单元？BPE（Byte Pair Encoding）算法解决了什么问题？

我们可以把“字符”、“单词”和“子词（Subword）”看作是文本切分的三种不同粒度。下面我们逐一拆解为什么前两者不行，以及 BPE 算法是如何精妙地解决这一痛点的。

一、 为什么不能直接用“单词（Word-based）”作为输入单元？

在英文等天然有空格分隔的语言中，按词切分（如把 Datawhale Agent learns 切分为 ['Datawhale', 'Agent', 'learns']）最符合人类的直觉，但对计算机来说，它有两个致命灾难：

1. 词表爆炸（Vocabulary Explosion）：

   人类语言的词汇量是无限的。如果每个独立的单词都要占用一个词表格子，词表轻松就会突破几百万、甚至上千万（比如各种专业术语、网络热词、人名）。在模型中，词表越大，最后的线性输出层（Softmax）参数量就越恐怖，导致显存爆炸，模型根本存不下。

2. 未登录词困境（Out-of-Vocabulary, OOV）：

   无论你的词表多大，总会有模型在训练时没见过的词。比如训练集里有 learn 和 learning，但有一天用户输入了 learned 或拼接词 DatawhaleAgent。如果按单词切分，模型只能把它们统一标记为 [UNK]（Unknown，未知词），导致模型直接变成“文盲”，完全无法理解这些词的含义。

3. 语义关联割裂：

   在纯按词切分的模型眼里，look、looks、looking 是三个没有任何关系的孤立符号，模型必须分别去学习它们的含义，这极大地浪费了学习效率。

二、 为什么不能直接用“字符（Character-based）”作为输入单元？

既然按单词切分词表太大，那直接按英文字母 $A,B,C\dots$ 或中文的单个汉字切分，词表不就缩减到几百或几千个了吗？这样确实没有 [UNK] 未知词的问题了，但它带来了另外两个极端问题：

1. 序列长度爆炸：

   一个短句 Artificial Intelligence 只有 2 个单词，但如果按字符切分就会变成 23 个字符（包含空格）。这会导致输入的序列变得极长。别忘了 Transformer 的自注意力机制计算复杂度是序列长度的平方级别（$O(L^2)$），序列变长 10 倍，计算量和显存开销直接飙升 100 倍！

2. 缺乏独立语义，学习效率极低：

   单个字母（如 a, p, p, l, e 中的 a）没有任何实际意义。模型不得不花费大量的网络容量和计算资源，去学习如何把这些字母组合在一起拼成有意义的词，属于典型的“捡了芝麻丢了西瓜”。

三、 BPE（Byte Pair Encoding）算法解决了什么问题？

为了在“单词”的饱满语义和“字符”的超小词表之间找到折中方案，现代大模型普遍引入了子词分词（Subword Tokenization），而 BPE 就是其中最璀璨的代表。

1. BPE 解决的核心问题

BPE 完美地用“动态合并”的贪心思想，跨越了词表大小与未登录词的鸿沟。它的核心策略是：常用的词保留为完整单词，不常用的词拆分成有意义的“子词（Subword）”片段。

• 如果 agent 在语料里出现了一万次，BPE 就会把它合成一个完整的 Token：['agent']（保留高频词的完整语义）。

• 如果 Tokenization 是个低频词，BPE 不会把它当成未知词，而是会把它拆成两个高频的子词：['Token', 'ization']。

2. BPE 是如何精妙运作的？

它的训练过程像是一个“滚雪球”的贪心游戏：

1. 底线初始化：把词表初始化为所有最基础的“字符”（如英文字母和标点），确保绝对不会出现 [UNK]（大不了退化为字符切分）。

2. 疯狂数对对：统计语料库里，哪两个相邻的符号在一起出现的次数最多。

3. 融合升级：把这个最高频的“符号对”整合成一个新词元，加进词表。

4. 循环往复：重复这个过程，直到词表大小达到预设的上限（比如 GPT-4 的 100K 左右）。

例如，在遇到从未见过的生僻词 bug 时，分词器发现词表里没有整个 bug，但有高频子词 b 和 ug，于是它会将其切分为 ['b', 'ug']。模型可以通过 b 和 ug 的向量组合，隐式地推理出 bug 的含义。

💡 总结对比

正是因为 BPE 算法在效率、成本和语义理解之间找到了黄金分割点，它才成为了 GPT 系列等现代大语言模型不可或缺的文本前处理基石。