File size: 10,245 Bytes
94fd0b0
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
"""
霜云(Shimokumo) - 分词器模块

基于sentencepiece实现的中英文分词器,支持特殊token定义。
"""

import os
import re
from typing import Dict, List, Optional, Tuple


class ShimokumoTokenizer:
    """霜云专用分词器

    支持中英文分词,内置特殊token定义。
    可使用sentencepiece后端或纯Python回退方案。

    特殊Token定义:
        <BOS>: 句子开始
        <EOS>: 句子结束
        <PAD>: 填充
        <UNK>: 未知
        <user>: 用户角色标记
        <assistant>: 助手角色标记
        <narration>: 旁白标记
        <action>: 动作描述标记
        <emotion>: 情感标记
    """

    # 特殊token定义
    SPECIAL_TOKENS = {
        "<BOS>": 0,
        "<EOS>": 1,
        "<PAD>": 2,
        "<UNK>": 3,
        "<user>": 4,
        "<assistant>": 5,
        "<narration>": 6,
        "<action>": 7,
        "<emotion>": 8,
        "<think_start>": 9,
        "<think_end>": 10,
    }

    # 特殊token的id到token的映射
    SPECIAL_TOKEN_IDS = {v: k for k, v in SPECIAL_TOKENS.items()}

    def __init__(self, model_path: Optional[str] = None, vocab_size: int = 32000):
        """
        初始化分词器。

        Args:
            model_path: sentencepiece模型文件路径,为None则使用纯Python回退
            vocab_size: 词表大小
        """
        self.vocab_size = vocab_size
        self.model_path = model_path
        self._sp_model = None
        self._use_sentencepiece = False

        # BPE词表(回退方案使用)
        self._bpe_vocab: Dict[str, int] = {}
        self._bpe_vocab_inv: Dict[int, str] = {}

        if model_path and os.path.exists(model_path):
            self._load_sentencepiece(model_path)
        else:
            self._init_fallback_tokenizer()

    def _load_sentencepiece(self, model_path: str) -> None:
        """加载sentencepiece模型"""
        try:
            import sentencepiece as spm
            self._sp_model = spm.SentencePieceProcessor()
            self._sp_model.load(model_path)
            self._use_sentencepiece = True
            # 更新vocab_size为实际值
            self.vocab_size = self._sp_model.get_piece_size()
        except ImportError:
            self._init_fallback_tokenizer()
        except Exception:
            self._init_fallback_tokenizer()

    def _init_fallback_tokenizer(self) -> None:
        """初始化纯Python回退分词器(基于字符和字节对编码)"""
        self._use_sentencepiece = False

        # 基础字符集(ASCII + 常用中文字符)
        base_chars = list("abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789")
        base_chars += list(" \t\n\r",)
        base_chars += list("!\"#$%&'()*+,-./:;<=>?@[\\]^_`{|}~")

        # 构建基础词表
        token_id = len(self.SPECIAL_TOKENS)  # 从特殊token之后开始
        for char in base_chars:
            if char not in self._bpe_vocab:
                self._bpe_vocab[char] = token_id
                self._bpe_vocab_inv[token_id] = char
                token_id += 1

        # 添加常见中文词和子词
        common_tokens = [
            "的", "了", "是", "我", "你", "他", "她", "它", "们", "这",
            "那", "有", "不", "在", "和", "人", "都", "一", "上", "下",
            "大", "小", "中", "来", "去", "到", "说", "会", "能", "好",
            "就", "对", "被", "把", "让", "给", "从", "用", "过", "也",
            "很", "最", "已", "还", "为", "与", "而", "但", "或", "如",
            "霜", "云", "巫", "女", "网", "络", "运", "营", "商", "模",
            "嗯", "啊", "呢", "吧", "呀", "呜", "诶", "嘻", "哈", "哦",
        ]
        for token in common_tokens:
            if token not in self._bpe_vocab:
                self._bpe_vocab[token] = token_id
                self._bpe_vocab_inv[token_id] = token
                token_id += 1

        # 填充剩余词表(用字节标记)
        for byte_val in range(256):
            token_str = f"<0x{byte_val:02X}>"
            if token_str not in self._bpe_vocab and token_id < self.vocab_size:
                self._bpe_vocab[token_str] = token_id
                self._bpe_vocab_inv[token_id] = token_str
                token_id += 1

        self.vocab_size = max(token_id, self.vocab_size)

    def encode(
        self,
        text: str,
        add_bos: bool = True,
        add_eos: bool = False,
    ) -> List[int]:
        """
        将文本编码为token ID序列。

        Args:
            text: 输入文本
            add_bos: 是否添加句子开始标记
            add_eos: 是否添加句子结束标记

        Returns:
            token ID列表
        """
        if not text:
            tokens = []
        elif self._use_sentencepiece and self._sp_model:
            tokens = self._sp_model.encode(text)
        else:
            tokens = self._fallback_encode(text)

        # 添加特殊token
        result: List[int] = []
        if add_bos:
            result.append(self.SPECIAL_TOKENS["<BOS>"])
        result.extend(tokens)
        if add_eos:
            result.append(self.SPECIAL_TOKENS["<EOS>"])

        return result

    def decode(
        self,
        token_ids: List[int],
        skip_special: bool = True,
    ) -> str:
        """
        将token ID序列解码为文本。

        Args:
            token_ids: token ID列表
            skip_special: 是否跳过特殊token

        Returns:
            解码后的文本
        """
        if self._use_sentencepiece and self._sp_model:
            return self._sp_model.decode(token_ids)
        else:
            return self._fallback_decode(token_ids, skip_special)

    def _fallback_encode(self, text: str) -> List[int]:
        """
        回退编码方案:字符级 + 最大匹配分词。

        Args:
            text: 输入文本

        Returns:
            token ID列表
        """
        tokens: List[int] = []
        i = 0

        while i < len(text):
            # 尝试最大长度匹配
            matched = False
            for length in range(min(4, len(text) - i), 0, -1):
                substr = text[i : i + length]
                if substr in self._bpe_vocab:
                    tokens.append(self._bpe_vocab[substr])
                    i += length
                    matched = True
                    break

            if not matched:
                # 未知字符,使用字节编码
                byte_val = ord(text[i])
                byte_token = f"<0x{byte_val:02X}>"
                if byte_token in self._bpe_vocab:
                    tokens.append(self._bpe_vocab[byte_token])
                else:
                    tokens.append(self.SPECIAL_TOKENS["<UNK>"])
                i += 1

        return tokens

    def _fallback_decode(
        self,
        token_ids: List[int],
        skip_special: bool = True,
    ) -> str:
        """
        回退解码方案。

        Args:
            token_ids: token ID列表
            skip_special: 是否跳过特殊token

        Returns:
            解码后的文本
        """
        text_parts: List[str] = []
        for token_id in token_ids:
            # 检查是否是特殊token
            if skip_special and token_id in self.SPECIAL_TOKEN_IDS:
                if token_id in self.SPECIAL_TOKEN_IDS:
                    continue
                text_parts.append(self.SPECIAL_TOKEN_IDS[token_id])
                continue

            # 检查是否在词表中
            if token_id in self._bpe_vocab_inv:
                token_str = self._bpe_vocab_inv[token_id]
                # 处理字节标记
                if token_str.startswith("<0x") and token_str.endswith(">"):
                    try:
                        byte_val = int(token_str[3:-1], 16)
                        text_parts.append(chr(byte_val))
                    except ValueError:
                        text_parts.append(token_str)
                else:
                    text_parts.append(token_str)
            else:
                text_parts.append(f"<UNK:{token_id}>")

        return "".join(text_parts)

    def encode_chat(
        self,
        messages: List[Dict[str, str]],
        add_bos: bool = True,
        add_eos: bool = True,
    ) -> List[int]:
        """
        将对话消息列表编码为token ID序列。

        Args:
            messages: 对话消息列表,每个元素为 {"role": "user/assistant/system", "content": "..."}
            add_bos: 是否添加BOS
            add_eos: 是否添加EOS

        Returns:
            编码后的token ID序列
        """
        all_tokens: List[int] = []

        if add_bos:
            all_tokens.append(self.SPECIAL_TOKENS["<BOS>"])

        for msg in messages:
            role = msg.get("role", "user").lower()
            content = msg.get("content", "")

            # 添加角色标记
            if role == "user":
                all_tokens.append(self.SPECIAL_TOKENS["<user>"])
            elif role == "assistant":
                all_tokens.append(self.SPECIAL_TOKENS["<assistant>"])
            elif role == "narration":
                all_tokens.append(self.SPECIAL_TOKENS["<narration>"])

            # 编码内容
            content_tokens = self.encode(content, add_bos=False, add_eos=False)
            all_tokens.extend(content_tokens)

        if add_eos:
            all_tokens.append(self.SPECIAL_TOKENS["<EOS>"])

        return all_tokens

    def tokenize(self, text: str) -> List[str]:
        """
        将文本分词为token字符串列表(不转换为ID)。

        Args:
            text: 输入文本

        Returns:
            token字符串列表
        """
        token_ids = self.encode(text, add_bos=False, add_eos=False)
        return [self.decode([tid], skip_special=False) for tid in token_ids]

    def __len__(self) -> int:
        """返回词表大小"""
        return self.vocab_size

    def __repr__(self) -> str:
        backend = "sentencepiece" if self._use_sentencepiece else "fallback"
        return f"ShimokumoTokenizer(backend={backend}, vocab_size={self.vocab_size})"