ocisd4/mistral-7b-ffm-36k-0410

Mistral擴充詞表只包含與教育部常用4808字的交集

後面補了25個dummy token,補到64的倍數可以增加訓練效率 未來可以作為special token的預留空間

• 移除dummy token
• 增加<|func_start|>, <|func_end|>

from transformers import AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained(  
        'ocisd4/mistral_tokenizer_ext',  
        pad_token='<unk>',  
        add_bos_token=True,  
        add_eos_token=False  
)  

print('vocab size:', tokenizer.vocab_size)   
#vocab size: 35686

print(tokenizer.tokenize('今天天氣真好！'))   
#['▁', '今', '天', '天', '氣', '真', '好', '！']

print(tokenizer.encode('今天天氣真好！'))  
#[1, 28705, 30316, 29354, 29354, 32004, 29974, 29530, 29267]

print(tokenizer.decode(tokenizer.encode('今天天氣真好！')))  
#<s> 今天天氣真好！