登录 注册
AI 模型与开发框架 bertgptlanguage-modelnatural-language-processingnatural-language-understandingnlp
11,253
Stars
1,256
Forks
119
Watchers
182
Open Issues
Apache-2.0
许可证
Rust
语言
2019-11-01
创建时间
2026-11-12
最近更新

项目能做什么

针对研究和生产环境优化的高性能前沿 Tokenizer 库。
来源:AI 基于仓库事实生成 · 内容以仓库实际 README 为准

使用说明 查看原始 README 原仓库文档

中文使用说明暂未生成。下面保留原仓库 README 摘录,命令与配置均以原文为准。
原始 README 摘录(英文原文,节选前 3000 字符)
<p align="center">
    <br>
    <img src="https://huggingface.co/landing/assets/tokenizers/tokenizers-logo.png" width="600"/>
    <br>
<p>
<p align="center">
    <a href="https://github.com/huggingface/tokenizers/actions"><img alt="Build" src="https://github.com/huggingface/tokenizers/workflows/Rust/badge.svg"></a>
    <a href="https://crates.io/crates/tokenizers"><img alt="Crates.io" src="https://img.shields.io/crates/v/tokenizers.svg"></a>
    <a href="https://docs.rs/tokenizers/"><img alt="Docs" src="https://docs.rs/tokenizers/badge.svg"></a>
    <a href="#footprint"><img alt="Size" src="https://img.shields.io/badge/gzipped-325%20KB-brightgreen"></a>
    <a href="https://github.com/huggingface/tokenizers/blob/main/LICENSE"><img alt="License" src="https://img.shields.io/github/license/huggingface/tokenizers.svg?color=blue&cachedrop"></a>
</p>

The SOTA tokenization library on all languages, all models, all hardwares. 

Our goal with `tokenizers` is to develop and maintain the industry's standard tokenization engine, making it the defacto place for everyone to contribute to the whole ecosystem.

<picture>
  <source media="(prefers-color-scheme: dark)" srcset="https://huggingface.co/spaces/sbrandeis/tokenizers-v1-compat/resolve/main/banner-dark.png">
  <img alt="tokenizers v1.0.0 progress" src="https://huggingface.co/spaces/sbrandeis/tokenizers-v1-compat/resolve/main/banner-light.png">
</picture>

### Release candidate: v1.0.0.rc.x

As we are switching from 0.23 to v1.0.0, the current library does not ship all features. If you are worried, check the [v1 features](#v1-features) section for more details of what we are bringing back.
We will publish a blog about what breaking changes we introduced. We strived to keep them as small as possible.


# Installation

```bash
pip install --pre tokenizers
```

For Rust, add the crate to your `Cargo.toml`:

```toml
[dependencies]
tokenizers = "1.0.0"
```

Training (`train`) and downloading from the Hub (`http`) are opt-in features. The crate's
[Using the crate](tokenizers/README.md#using-the-crate) section lists every feature and how to
build a smaller binary.

# Usage

```python
>>> from tokenizers import Tokenizer
>>> tokenizer = Tokenizer.from_pretrained("meta-llama/Llama-3.1-8B")   # or .from_file(path)
>>> compiled = tokenizer.compile()
>>> compiled.encode("Hello, y'all! How are you 😁 ?")
Encoding(ids=[128000, 9906, 11, 379, 65948, 0, 2650, 527, 499, 27623, 223, 949], type_ids=[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], attention_mask=[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1])
>>> compiled.encode(("What is this?", "A pair.")).type_ids
[0, 0, 0, 0, 0, 1, 1, 1, 1]
>>> compiled.tokenize("Hello")
['<|begin_of_text|>', 'Hello']
>>> compiled.decode([15339, 1917])
'hello world'
>>> compiled.decode_tokens(compiled.encode("Hello"))
['<|begin_of_text|>', 'Hello']
```

`Tokenizer` holds the `tokenizer.json` config and can be edited (e.g. `tokenizer.truncation = ...`);
`compile()` builds the `CompiledTokenizer` that encodes a
阅读完整原文

项目深度分析 AI 生成

跨平台端侧轻量化分词引擎与 SDK (基于 WebAssembly / C FFI)

产品构想利用 tokenizers 的 Rust 内核及 WASM/FFI 支持,封装一套面向浏览器端本地 LLM 推理、移动端(iOS/Android)、桌面端应用的轻量级无依赖分词 SDK,提供开箱即用的分词与流式解码工具包。
核心功能针对端侧优化的轻量静态二进制体积;支持浏览器端流式 Token 解码与展示;内存极低占用设计;与常见端侧推理引擎(ONNX Runtime Web, Wasm-Edge 等)标准化集成示例。
目标用户前端 Web AI 开发者、移动端离线 LLM 应用开发者、边缘计算开发者。
难度/周期中等 · 1-2 个月 · 成本:开发机器、静态文档站点及少额测试设备成本
收费模式核心库开源(双许可),针对商业闭源移动应用或高支持要求的客户按应用/开发者席位收取商业商业授权费与技术支持费。
竞争风险开源社区自带 npm/wasm 绑定且在持续演进;单纯 SDK 变现空间狭窄。
依据 已验证事实

高吞吐 LLM API 网关与 Token 实时计费审计代理

产品构想结合 tokenizers 的 Rust 超高性能编码能力,构建一个极低开销的代理网关,在请求到达商业 LLM 或本地集群前进行精确的 Token 计数、成本预估、截断、流式 Token 流量整形与敏感词拦截。
核心功能极低延迟(<1ms)请求预检;多模型精确 Token 计算(支持 LLaMA/GPT/Qwen 等主流 tokenizer.json);多租户 Token 配额与预算熔断;流式响应即时 Token 计费与审计日志。
目标用户搭建企业级大模型中台的架构师、提供多租户 API 计费管理的企业。
难度/周期中等偏高 · 2-3 个月 · 成本:云服务器测试环境、微基准性能测试集群
收费模式企业版私有化部署授权、托管 SaaS 代理服务费(按月度路由的 Token 总量阶梯计费)。
竞争风险面对成熟 API 网关(如 Kong、Envoy 插件或已有的 LiteLLM 生态)的直接竞争,需要极强的吞吐与低时延壁垒。
依据 数据支持的判断

特定领域专用分词器定制与语料压缩增效服务

产品构想利用库提供的自定义训练能力与 bitnorm 等核心优化,针对特定行业(代码、法律、医疗、东南亚小语种等)重新构建并压缩 Vocabulary,提升 LLM 推理与训练吞吐,直接降低商业 API 计费成本。
核心功能行业语料 Token 压缩率基准评估分析;专有分词词表合并与二次训练;兼容主流模型架构权重对齐方案;推理端吞吐提升分析报告与配套分词运行时插件。
目标用户需要微调/自研垂直领域大模型的中大型企业、高吞吐垂直 AI SaaS 厂商。
难度/周期高 · 1-3 个月(咨询及定制服务交付型) · 成本:算法专家人力时间成本,少量语料清洗机器算力
收费模式高客单价的企业咨询服务费、按定制模型/项目的工程交付费用。
竞争风险依赖深度算法与模型训练认知,难以规模化复制,商业转化周期长。
依据 AI推测
AI 基于仓库公开数据分析生成,含推测成分,不构成收益承诺。
报告会保存到 个人中心

竞品与相似项目 GitHub Search 真实检索

项目中文简介Stars语言
fighting41love/funNLP 中文介绍暂未生成
中英文敏感词、语言检测、中外手机/电话归属地/运营商查询、名字推断性别、手机号抽取、身份证抽取、邮箱抽取、中日文人名库、
84,528 Python
google-research/bert 中文介绍暂未生成
TensorFlow code and pre-trained models for BERT
40,029 Python
graykode/nlp-tutorial 中文介绍暂未生成
Natural Language Processing Tutorial for Deep Learning Resea
14,933 Jupyter Notebook
PaddlePaddle/PaddleNLP 中文介绍暂未生成
Easy-to-use and powerful LLM and SLM library with awesome mo
12,989 Python
以上为通过 GitHub 官方 Search API 检索的相似项目,功能差异与优劣势需进一步人工确认,配置 AI 后可生成对比分析。

项目优势与风险

技术成熟度创建于 2019-11-01,近 30 天仍在推送,发布过 100 个 Release
社区活跃Star 11,253 / Fork 1,256 / Issue 182(数据支持,可自行核实)
许可证Apache-2.0
主要风险上游项目方向可能变化;同赛道竞争者较多(见竞品表);热度与需求不完全等价

安装与使用

此项目未提供 Docker 镜像,安装步骤以原仓库 README 为准(涉及依赖安装与环境配置,对新手门槛较高)。