Spaces:
Running
Running
File size: 13,545 Bytes
4bd8362 | 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 | // SPDX-License-Identifier: Apache-2.0
// Copyright (c) 2026 UtopiaIA
// Elffuss Runtime · tokenizador BPE a nivel de byte, leído del propio GGUF.
// ─────────────────────────────────────────────────────────────────────────────
// El modelo no ve texto, ve enteros. Si el tokenizador difiere del que se usó
// para entrenar, el modelo recibe una secuencia que nunca ha visto y responde
// peor sin que nada falle: no hay excepción, no hay warning, solo calidad que
// baja. Es el mismo patrón de fallo silencioso que el resto del motor, así que
// se valida igual — contra el tokenizador de llama.cpp, caso por caso.
//
// Tres piezas, y las tres tienen su trampa:
// 1. PRE-TOKENIZADOR: un regex parte el texto en trozos ANTES del BPE. Es lo
// que impide que un merge cruce la frontera entre una palabra y la
// puntuación siguiente. Cada familia de modelos usa el suyo; usar el que
// no es da tokenizaciones casi correctas.
// 2. MAPA BYTE→UNICODE de GPT-2: el BPE opera sobre texto, pero el vocabulario
// cubre los 256 bytes. La tabla de OpenAI mueve los bytes no imprimibles a
// un hueco de Unicode para que nunca aparezca un carácter de control. El
// espacio se convierte en «Ġ», que es por qué el vocabulario está lleno de
// ellas.
// 3. MERGES: el rango es el ORDEN en el array del GGUF. Siempre se aplica el
// par de menor rango de toda la palabra, no el primero que se encuentre.
//
// Licencia: código propio, Apache-2.0 (ver SPDX arriba y LICENSE). Sin dependencias externas.
// Tipos de token de GGUF (llama_token_type).
const TYPE_NORMAL = 1, TYPE_CONTROL = 3, TYPE_USER_DEFINED = 4, TYPE_BYTE = 6;
// Tabla bytes→unicode de GPT-2. Los 188 bytes imprimibles se quedan donde
// están; los otros 68 se desplazan a partir de U+0100, donde no colisionan con
// nada real. Así una secuencia de bytes cualquiera es siempre texto válido.
function byteMaps() {
const bs = [];
for (let b = 33; b <= 126; b++) bs.push(b);
for (let b = 161; b <= 172; b++) bs.push(b);
for (let b = 174; b <= 255; b++) bs.push(b);
const direct = new Set(bs);
const cs = bs.slice();
let n = 0;
for (let b = 0; b < 256; b++) {
if (!direct.has(b)) { bs.push(b); cs.push(256 + n); n++; }
}
const b2u = new Array(256);
const u2b = new Map();
for (let i = 0; i < bs.length; i++) {
const ch = String.fromCodePoint(cs[i]);
b2u[bs[i]] = ch;
u2b.set(ch, bs[i]);
}
return { b2u, u2b };
}
const { b2u: BYTE_TO_UNI, u2b: UNI_TO_BYTE } = byteMaps();
// El conjunto de espacios de llama.cpp NO es el `\s` de JavaScript. Barriendo
// los 0x110000 code points difieren en DOS: U+0085 (NEL), que llama.cpp cuenta
// como espacio y JS no, y U+FEFF (BOM), al revés. Parece anecdótico y no lo es:
// un BOM al principio de un fichero cambia la tokenización de todo el trozo
// inicial. Por eso la clase va explícita y `\S` se emula negándola.
const WS = '\\t\\n\\u000B\\f\\r \\u0085\\u00A0\\u1680\\u2000-\\u200A\\u2028\\u2029\\u202F\\u205F\\u3000';
// Pre-tokenizadores por valor de `tokenizer.ggml.pre`. Parten el texto ANTES del
// BPE para que ningún merge cruce de una palabra a la puntuación siguiente.
//
// Detalles que separan «funciona» de «casi funciona»:
// · `\p{N}` es UN dígito, no `\p{N}{1,3}`. Con el de Llama-3 todo el texto
// normal sale bien y solo se descuadran los números — el síntoma clásico.
// · qwen35 consume marcas combinantes junto a las letras (`[\p{L}\p{M}]+`);
// qwen2 no. Copiar el de qwen2 da resultados idénticos en inglés y ASCII y
// divergentes en hindi, tailandés, vietnamita o árabe vocalizado.
// · `(?i:…)` no existe en JS y la flag `i` global NO sirve: haría insensible
// todo el patrón. La expansión a mano es la del propio llama.cpp.
// · El orden de las 7 alternativas es semántico (leftmost-first con
// retroceso, no leftmost-longest). Consecuencia contraintuitiva: el prefijo
// opcional acepta puntuación, así que «!a» es UN token, y « a» también.
const CONTRACTIONS = "(?:'[sS]|'[tT]|'[rR][eE]|'[vV][eE]|'[mM]|'[lL][lL]|'[dD])";
const TAIL = `|\\p{N}| ?[^${WS}\\p{L}%M%\\p{N}]+[\\r\\n]*|[${WS}]*[\\r\\n]+|[${WS}]+(?![^${WS}])|[${WS}]+`;
const PRE_PATTERNS = {
qwen35: CONTRACTIONS + '|[^\\r\\n\\p{L}\\p{N}]?[\\p{L}\\p{M}]+' + TAIL.replace('%M%', '\\p{M}'),
qwen2: CONTRACTIONS + '|[^\\r\\n\\p{L}\\p{N}]?\\p{L}+' + TAIL.replace('%M%', ''),
};
// El de Llama-3, que es el que llama.cpp asigna a `lfm2` (LFM3 lo declara así):
// aquí los números SÍ van en grupos de hasta tres cifras, `\p{N}{1,3}`.
PRE_PATTERNS.llama3 = CONTRACTIONS + '|[^\\r\\n\\p{L}\\p{N}]?\\p{L}+' +
TAIL.replace('|\\p{N}|', '|\\p{N}{1,3}|').replace('%M%', '');
PRE_PATTERNS.lfm2 = PRE_PATTERNS.llama3;
PRE_PATTERNS.default = PRE_PATTERNS.qwen2;
// `ignore_merges` de llama.cpp: si el trozo del pre-tokenizador ENTERO ya es un
// token, se emite tal cual sin pasar por los merges. Casi siempre da lo mismo;
// cuando no, gana el token entero, que es como se entrenó.
const IGNORA_MERGES = new Set(['llama3', 'llama-v3', 'llama-bpe', 'lfm2']);
export function createTokenizer(meta, opts = {}) {
const tokens = meta['tokenizer.ggml.tokens'];
const merges = meta['tokenizer.ggml.merges'];
if (!tokens) throw new Error('el GGUF no trae tokenizer.ggml.tokens');
const model = meta['tokenizer.ggml.model'];
if (model !== 'gpt2') throw new Error('tokenizador no soportado: ' + model);
const types = meta['tokenizer.ggml.token_type'];
const preName = meta['tokenizer.ggml.pre'] || 'default';
const pattern = opts.pattern || PRE_PATTERNS[preName] || PRE_PATTERNS.default;
// La flag `u` es OBLIGATORIA y su ausencia no da error: sin ella `\p{L}` se
// lee como la letra «p» seguida de «{L}», falla en silencio y produce una
// tokenización distinta que en textos cortos parece casi bien.
const re = new RegExp(pattern, 'gu');
const ignoraMerges = IGNORA_MERGES.has(preName);
const bosId = meta['tokenizer.ggml.bos_token_id'];
const eosId = meta['tokenizer.ggml.eos_token_id'];
const addBosDefault = meta['tokenizer.ggml.add_bos_token'] ?? false;
const addEosDefault = meta['tokenizer.ggml.add_eos_token'] ?? false;
// Índices perezosos: materializar 248.320 strings cuesta memoria y tiempo, y
// para DECODIFICAR no hacen falta — el array del GGUF ya indexa por posición.
let vocab = null; // string → id
let ranks = null; // "a\u0000b" → rango
let specials = null; // [{text, id}] ordenados por longitud descendente
function buildEncode() {
if (vocab) return;
vocab = new Map();
for (let i = 0; i < tokens.length; i++) vocab.set(tokens.at(i), i);
ranks = new Map();
if (merges) {
for (let i = 0; i < merges.length; i++) {
const m = merges.at(i);
// Se parte por el PRIMER espacio: las piezas no pueden contenerlo
// (el espacio real viaja como «Ġ»), así que esto no es ambiguo.
const sp = m.indexOf(' ');
if (sp < 0) continue;
ranks.set(m.slice(0, sp) + '\u0000' + m.slice(sp + 1), i);
}
}
// Índice de tokens especiales por PRIMER CARÁCTER. Este vocabulario tiene
// cientos de «[PADnnnnnn]», y recorrerlos todos en cada posición del texto
// convertiría la codificación en cuadrática.
specials = new Map();
if (types) {
for (let i = 0; i < types.length; i++) {
const t = types[i];
if (t !== TYPE_CONTROL && t !== TYPE_USER_DEFINED) continue;
const text = tokens.at(i);
if (!text) continue;
const k = text[0];
if (!specials.has(k)) specials.set(k, []);
specials.get(k).push({ text, id: i });
}
// De mayor a menor longitud: si existieran «<|im_start|>» y «<|im|>», hay
// que probar el largo primero o se parte el otro por la mitad.
for (const list of specials.values()) list.sort((a, b) => b.text.length - a.text.length);
}
}
// Parte el texto en trozos normales y tokens especiales literales.
function splitSpecials(text) {
const out = [];
let i = 0, start = 0;
while (i < text.length) {
const cands = specials.get(text[i]);
let hit = null;
if (cands) { for (const s of cands) if (text.startsWith(s.text, i)) { hit = s; break; } }
if (hit) {
if (i > start) out.push({ text: text.slice(start, i) });
out.push({ id: hit.id });
i += hit.text.length;
start = i;
} else i++;
}
if (start < text.length) out.push({ text: text.slice(start) });
return out;
}
// BPE sobre una palabra ya pasada por el mapa de bytes. Se aplica SIEMPRE el
// par de menor rango de toda la palabra; coger el primero que se encuentre da
// resultados distintos y plausibles.
function bpe(word) {
if (word.length < 2) return word;
let parts = word.slice();
for (;;) {
let best = Infinity, at = -1;
for (let i = 0; i < parts.length - 1; i++) {
const r = ranks.get(parts[i] + '\u0000' + parts[i + 1]);
if (r !== undefined && r < best) { best = r; at = i; }
}
if (at < 0) break;
parts = parts.slice(0, at).concat(parts[at] + parts[at + 1], parts.slice(at + 2));
if (parts.length === 1) break;
}
return parts;
}
const enc = new TextEncoder();
const dec = new TextDecoder('utf-8');
// Trozos del pre-tokenizador, CONSERVANDO los huecos entre coincidencias:
// llama.cpp también los conserva, y descartarlos perdería texto en silencio.
function preSplit(text) {
const out = [];
re.lastIndex = 0;
let last = 0, m;
while ((m = re.exec(text)) !== null) {
if (m.index > last) out.push(text.slice(last, m.index));
if (m[0].length === 0) { re.lastIndex++; continue; }
out.push(m[0]);
last = m.index + m[0].length;
}
if (last < text.length) out.push(text.slice(last));
return out;
}
function encodeChunk(text, out) {
for (const piece of preSplit(text)) {
if (!piece) continue;
// Texto → bytes UTF-8 → caracteres del mapa de GPT-2.
const bytes = enc.encode(piece);
const chars = new Array(bytes.length);
for (let i = 0; i < bytes.length; i++) chars[i] = BYTE_TO_UNI[bytes[i]];
if (ignoraMerges) {
const entero = vocab.get(chars.join(''));
if (entero !== undefined) { out.push(entero); continue; }
}
for (const p of bpe(chars)) {
const id = vocab.get(p);
if (id !== undefined) { out.push(id); continue; }
// Un trozo sin entrada en el vocabulario se parte carácter a carácter:
// el vocabulario cubre los 256 bytes, así que siempre hay salida.
for (const ch of p) {
const single = vocab.get(ch);
if (single !== undefined) out.push(single);
}
}
}
}
return {
vocabSize: tokens.length,
bosId, eosId, preName,
// `special: false` desactiva el reconocimiento de tokens de control en el
// texto de entrada — útil para no dejar que un usuario inyecte «<|im_end|>»
// escribiéndolo a mano.
encode(text, { addBos = addBosDefault, addEos = addEosDefault, special = true } = {}) {
buildEncode();
const out = [];
if (addBos && bosId !== undefined) out.push(bosId);
if (special && specials.size) {
for (const part of splitSpecials(text)) {
if (part.id !== undefined) out.push(part.id);
else encodeChunk(part.text, out);
}
} else {
encodeChunk(text, out);
}
if (addEos && eosId !== undefined) out.push(eosId);
return out;
},
// ids → texto. No necesita el índice de codificación, así que decodificar
// un modelo recién cargado no paga la construcción del mapa de 248k.
decode(ids) {
let s = '';
for (const id of ids) {
if (id < 0 || id >= tokens.length) continue;
s += tokens.at(id);
}
const bytes = new Uint8Array(s.length * 4);
let n = 0;
for (const ch of s) {
const b = UNI_TO_BYTE.get(ch);
if (b !== undefined) { bytes[n++] = b; continue; }
// Un carácter fuera del mapa (token especial escrito literal) se
// devuelve tal cual en UTF-8.
for (const x of enc.encode(ch)) bytes[n++] = x;
}
return dec.decode(bytes.subarray(0, n));
},
// Los BYTES de un token (lo que `decode` concatena antes de pasar a UTF-8).
// Para decodificar en streaming sin redecodificar toda la salida en cada paso.
bytesDe(id) {
if (id < 0 || id >= tokens.length) return new Uint8Array(0);
const s = tokens.at(id);
const out = [];
for (const ch of s) {
const b = UNI_TO_BYTE.get(ch);
if (b !== undefined) out.push(b); else for (const x of enc.encode(ch)) out.push(x);
}
return Uint8Array.from(out);
},
// El texto de UN token, para emitir en streaming. Ojo: un token puede
// cortar un carácter multibyte por la mitad, así que quien haga streaming
// tiene que acumular bytes, no strings.
tokenText(id) { return tokens.at(id); },
tokenType(id) { return types ? types[id] : TYPE_NORMAL; },
isControl(id) { return types ? types[id] === TYPE_CONTROL : false; },
};
}
export { TYPE_NORMAL, TYPE_CONTROL, TYPE_USER_DEFINED, TYPE_BYTE };
|