marcelroed/gigatoken 来源：https://github.com/marcelroed/gigatoken # Gigatoken — 速度比 HuggingFace tokenizers 快约 1000 倍，可直接替代。以 GB/s 的速度对文本数据进行分词！ GPT-2 加速情况 请注意，HF tokenizers 和 tiktoken 本身已运行于多线程 Rust 环境！ ## Gigatoken 是什么？ Gigatoken 是目前最快的语言模型分词器。它支持广泛的 CPU 硬件，以及几乎所有常用的分词器。 ## 安装 bash pip install gigatoken ## 使用方法 Gigatoken 可使用自己的 API，也可通过兼容模式对接 HuggingFace Tokenizers 或 Tiktoken。 ### 兼容模式（最简单） python import gigatoken as gt # 只需最小改动即可替代现有 HuggingFace tokenizers 用法（兼容模式） hf_tokenizer = ... tokenizer = gt.Tokenizer(hf_tokenizer).as_hf() # tokenizer 可在与 hf_tokenizer 相同的上下文中使用 tokens = tokenizer.encode_batch(["This is a test string", "And here is another"]) # 或者配合 tiktoken tiktokenizer = ... tokenizer = gt.Tokenizer(tiktokenizer).as_tiktoken() # 现在可以像现有 tiktoken 分词器一样使用 tokens = tokenizer.encode_batch(["This is a test string", "And here is another"]) 在此模式下，我们投入了大量精力确保输出与 HuggingFace Tokenizers 的结果完全一致，但这会带来不容忽视的性能损失。尽管如此，整体速度仍远快于原版，但远不及 Gigatoken API 能达到的 1000 倍提升。 ### Gigatoken API（最快） python import gigatoken as gt tokenizer = gt.Tokenizer("Qwen/Qwen3-8B") # 接受 HF 模型名称 file_source = gt.TextFileSource(["owt_train.txt"], separator=b"<|endoftext|>") tokens = tokenizer.encode_files(file_source) 使用 Gigatoken API 可让 Rust 实现直接读取数据，最大限度跳过开销，同时实现最大并行度。请注意，通过此 API 传递 Python 数据结构仍会产生从 Python 读取的开销。 ## 常见问题 ### 问：你是不是只为特定 CPU 和分词器过度优化了？为什么这么快？ 不，我为所有这些组合都进行了过度优化！结果在不同 CPU（现代 x86 和 ARM）以及不同分词器上高度一致。主要改进包括：使用 SIMD 和其他技巧，对通常交由正则引擎处理的预分词实现进行深度优化；同时大力优化预分词映射的缓存（如果某个词之前出现过，则高效查找其编码后的 token）。此外，与 Python 的交互被最小化，线程间的相互干扰也降到最低。 ### 问：如何快速检查我的分词器是否受支持？ 无需安装即可试用！以下命令可验证并计时指定 HuggingFace 模型仓库的分词速度： bash # 下载数据 wget https://huggingface.co/datasets/stanford-cs336/owt-sample/resolve/main/owt_train.txt.gz # 仅为示例！ gunzip owt_train.txt.gz bash uvx --with tokenizers gigatoken bench 'openai-community/gpt2' owt_train.txt \ --validate --doc-separator "<|endoftext|>" bash cpu: Apple M4 Max, 16 cores gigatoken: 1.432 s | 11920.51 MB at 8327.05 MB/s | 2701.65 Mtok at 1887.23 Mtok/s hf: 16.250 s | 100.00 MB at 6.15 MB/s | 22.76 Mtok at 1.40 Mtok/s gigatoken is 1353.13x faster than hf validation OK: 20401 documents match bash cpu: AMD EPYC 9565 72-Core Processor, 144 cores, 2 sockets gigatoken: 0.486 s | 11920.51 MB at 24532.45 MB/s | 2701.65 Mtok at 5564.94 Mtok/s hf: 4.033 s | 100.00 MB at 24.80 MB/s | 22.76 Mtok at 5.63 Mtok/s gigatoken is 989.21x faster than hf validation OK: 20401 documents match 按照 EPYC CPU 上的速度，您可以在不到 6.5 小时内完成对整个 Common Crawl（https://arxiv.org/pdf/2211.04325，常被视为整个互联网，130 万亿 token）的分词！ 本示例使用了该数据集（https://huggingface.co/datasets/stanford-cs336/owt-sample）的训练样本，CLI 默认只取文件前 100MB 用于验证和与 HF 对比。可以通过 uvx gigatoken bench --help 查看这些标志的帮助信息。在 macOS 上可能需要运行两次命令才能获得稳定读数，因为第一次运行会进行安全扫描，减慢 Rust 代码速度。 ### 问：我发现结果不匹配/速度慢的情况，正常吗？ 通常不是！尽管已经进行了相当广泛的测试，但我手头没有所有的使用场景，请通过 GitHub Issue（https://github.com/marcelroed/gigatoken/issues）报告任何发现，以便我尽快处理。 ## 基准测试 在 owt_train.txt（11.9 GB）上的编码吞吐量 — AMD EPYC 9565 72-Core Processor x 2 sockets（144 核） | 分词器 | gigatoken | HF tokenizers | tiktoken | 对比 HF | 对比 tiktoken | |—|—:|—:|—:|—:|—:| | GPT-2 | 24.53 GB/s | 24.8 MB/s | 36.0 MB/s | 989× | 681× | | Phi-4 | 24.00 GB/s | 29.9 MB/s | — | 801× | — | | GPT-OSS | 23.96 GB/s | 49.7 MB/s | 42.8 MB/s | 482× | 560× | | OLMo 2 / 3 | 23.06 GB/s | 27.7 MB/s | — | 833× | — | | Nemotron 3 | 22.79 GB/s | 49.4 MB/s | — | 462× | — | | Qwen 3 | 22.16 GB/s | 34.2 MB/s | — | 648× | — | | Llama 3 / 3.1 / 3.2 | 22.15 GB/s | 48.5 MB/s | — | 457× | — | | GLM 5 | 20.97 GB/s | 74.8 MB/s | — | 280× | — | | Llama 3.3 | 20.82 GB/s | 48.3 MB/s | — | 431× | — | | Llama 4 | 20.77 GB/s | 72.7 MB/s | — | 286× | — | | GLM 4 | 20.61 GB/s | 72.3 MB/s | — | 285× | — | | Phi-4-mini | 20.05 GB/s | 27.6 MB/s | — | 726× | — | | DeepSeek V3 / R1 / V4 | 19.69 GB/s | 26.2 MB/s | — | 750× | — | | Qwen 2 / 2.5 | 19.12 GB/s | 27.7 MB/s | — | 691× | — | | Kimi K2 | 18.85 GB/s | — | — | — | — | | Qwen 3.5 / 3.6 | 15.49 GB/s | 27.7 MB/s | — | 558× | — | | Gemma 4 | 4.82 GB/s | 334.1 MB/s | — | 14× | — | | ModernBERT | 4.18 GB/s | 26.9 MB/s | — | 155× | — | | Mistral 7B v0.3 | 3.57 GB/s | 354.7 MB/s | — | 10× | — | | TinyLlama / Phi-3 (Llama 2) | 3.48 GB/s | 323.6 MB/s | — | 11× | — | | CodeLlama | 3.47 GB/s | 347.4 MB/s | — | 10.0× | — | | Gemma 3 | 3.43 GB/s | 357.2 MB/s | — | 9.6× | — | | Gemma 1 | 2.51 GB/s | 342.2 MB/s | — | 7.3× | — | 在 owt_train.txt（11.9 GB）上的编码吞吐量 — Apple M4 Max（16 核） | 分词器 | gigatoken | HF tokenizers | tiktoken | 对比 HF | 对比 tiktoken | |—|—:|—:|—:|—:|—:| | GPT-2 | 8.79 GB/s | 6.9 MB/s | 62.8 MB/s | 1,268× | 140× | | Nemotron 3 | 7.82 GB/s | 10.9 MB/s | — | 715× | — | | Phi-4 | 7.76 GB/s | 7.7 MB/s | — | 1,012× | — | | Llama 3 / 3.1 / 3.2 | 7.60 GB/s | 11.2 MB/s | — | 676× | — | | OLMo 2 / 3 | 7.56 GB/s | 5.8 MB/s | — | 1,299× | — | | Llama 3.3 | 7.50 GB/s | 15.7 MB/s | — | 479× | — | | Phi-4-mini | 6.97 GB/s | 7.2 MB/s | — | 964× | — | | Kimi K2 | 6.88 GB/s | — | — | — | — | | Llama 4 | 6.81 GB/s | 11.6 MB/s | — | 590× | — | | Qwen 2 / 2.5 | 6.37 GB/s | 5.8 MB/s | — | 1,105× | — | | Qwen 3 | 6.36 GB/s | 6.9 MB/s | — | 918× | — | | Qwen 3.5 / 3.6 | 6.31 GB/s | 6.3 MB/s | — | 994× | — | | GPT-OSS | 6.20 GB/s | 20.2 MB/s | 87.2 MB/s | 306× | 71× | | GLM 4 | 6.17 GB/s | 15.8 MB/s | — | 392× | — | | DeepSeek V3 / R1 / V4 | 5.68 GB/s | 7.2 MB/s | — | 788× | — | | GLM 5 | 5.55 GB/s | 12.2 MB/s | — | 456× | — | | ModernBERT | 2.64 GB/s | 5.8 MB/s | — | 452× | — | | Mistral 7B v0.3 | 1.99 GB/s | 95.1 MB/s | — | 21× | — | | Gemma 4 | 1.82 GB/s | 85.2 MB/s | — | 21× | — | | CodeLlama | 1.73 GB/s | 80.2 MB/s | — | 22× | — | | TinyLlama / Phi-3 (Llama 2) | 1.69 GB/s | 80.1 MB/s | — | 21× | — | | Gemma 1 | 1.42 GB/s | 85.7 MB/s | — | 17× | — | | Gemma 3 | 1.38 GB/s | 82.2 MB/s | — | 17× | — | 在 owt_train.txt（11.9 GB）上的编码吞吐量 — AMD Ryzen 7 9800X3D 8-Core Processor（16 核） | 分词器 | gigatoken | HF tokenizers | tiktoken | 对比 HF | 对比 tiktoken | |—|—:|—:|—:|—:|—:| | GPT-2 | 6.27 GB/s | 59.0 MB/s | 92.1 MB/s | 106× | 68× | | Phi-4 | 6.09 GB/s | 55.4 MB/s | — | 110× | — | | OLMo 2 / 3 | 6.06 GB/s | 55.4 MB/s | — | 109× | — | | Phi-4-mini | 5.80 GB/s | 54.6 MB/s | — | 106× | — | | GPT-OSS | 5.68 GB/s | 79.6 MB/s | 112.7 MB/s | 71× | 50× | | Qwen 3 | 5.34 GB/s | 54.4 MB/s | — | 98× | — | | Qwen 2 / 2.5 | 5.30 GB/s | 51.7 MB/s | — | 103× | — | | Llama 3.3 | 5.26 GB/s | 79.9 MB/s | — | 66× | — | | Llama 3 / 3.1 / 3.2 | 5.24 GB/s | 79.5 MB/s | — | 66× | — | | Kimi K2 | 5.23 GB/s | — | — | — | — | | Qwen 3.5 / 3.6 | 5.22 GB/s | 51.6 MB/s | — | 101× | — | | Nemotron 3 | 5.20 GB/s | 79.0 MB/s | — | 66× | — | | GLM 5 | 5.05 GB/s | 79.5 MB/s | — | 63× | — | | GLM 4 | 5.04 GB/s | 79.5 MB/s | — | 63× | — | | Llama 4 | 5.03 GB/s | 78.2 MB/s | — | 64× | — | | DeepSeek V3 / R1 / V4 | 4.21 GB/s | 51.6 MB/s | — | 82× | — | | ModernBERT | 2.84 GB/s | 52.1 MB/s | — | 54× | — | | Mistral 7B v0.3 | 1.47 GB/s | 91.6 MB/s | — | 16× | — | | Gemma 4 | 1.45 GB/s | 78.8 MB/s | — | 18× | — | | CodeLlama | 1.38 GB/s | 85.2 MB/s | — | 16× | — | | TinyLlama / Phi-3 (Llama 2) | 1.37 GB/s | 84.9 MB/s | — | 16× | — | | Gemma 1 | 1.14 GB/s | 84.9 MB/s | — | 13× | — | | Gemma 3 | 1.12 GB/s | 83.0 MB/s | — | 13× | — | 基准测试细节 选择 OWT（OpenWebText）是因为它大致代表了从 CommonCrawl 文档中提取后的文本。Gigatoken 对整个文件进行不分割的编码，因此比其他分词器需要更多工作来查找分割边界并自动并行化。HuggingFace tokenizers（encode_batch_fast）处理前 100 MB，tiktoken（encode_ordinary_batch）处理前 1 GB，两者都预先按 <|endoftext|> 分割。这是公平的，因为被比较的两个分词器都不做缓存，因此速度在处理过程中大致均匀。Tiktoken 行目前仅针对官方支持的分词器填写。最慢的行是基于 SentencePiece 的分词器，这些在 Gigatoken 中未得到充分优化。每一行对应一个独特的分词器（相同的词汇表/合并/预分词器），在代表性仓库上测量。如果您在此处未看到自己的分词器，它很可能基于某个现有的分词器。例如： - Llama 3 / 3.1 / 3.2 — Llama 3 / 3.1 / 3.2、DeepSeek-R1-Distill-Llama、Hermes 3、Saiga 以及其他 Llama-3 微调模型 - Llama 3.3 — Llama 3.3、Llama-3.1-Nemotron-Nano-VL、SmolLM3、Kanana 1.5、jina-embeddings-v5、Ultravox - Qwen 2 / 2.5 — Qwen 2 和 2.5（包括 Coder 和 VL）、Qwen3-Coder、Qwen3-VL、DeepSeek-R1 Qwen distills、MiMo V2.5、MiniCPM-o 2.6、InternVL3 - Qwen 3 — Qwen 3（包括 Embedding 和 Reranker）、Qwen2.5-Omni、Qwen3-VL-Embedding、MiMo V2.5 Pro、jina-reranker-m0、pplx-embed、MOSS-TTS、Zeta - DeepSeek V3 / R1 / V4 — DeepSeek V3 / V3.1 / V3.2、R1、V4 Flash 和 Pro、DeepSeek-VL2 - GLM 4 — GLM 4.1V、4.5 和 4.7 - GLM 5 — GLM 5 / 5.2 和 GLM-4.7-Flash - Nemotron 3 — Nemotron 3 Nano、Super 和 Ultra - Kimi K2 — Kimi K2 / K2.5 / K2.6 / K2.7、Kimi-Linear、Kimi-VL、Moonlight - Phi-4-mini — Phi-4-mini 和 Phi-4-multimodal - TinyLlama / Phi-3 (Llama 2) — TinyLlama、Phi-3-mini、Phi-3.5-mini 和 Phi-3.5-vision（Llama 2 词汇表） - Gemma 3 — Gemma 3（270M–27B）和 EmbeddingGemma - Gemma 4 — Gemma 4（密集、MoE 和 E 系列）和 DiffusionGemma ## 引用 如果您在研究中使用 Gigatoken，请按如下方式引用： bibtex @software{roed2026gigatoken, author = {Marcel R{\o}d}, title = {{G}igatoken: SIMD and Cache Hierarchies for 1000x Faster Byte-Pair Encoding Tokenization on Modern CPUs}, url = {https://github.com/marcelroed/gigatoken}, year = {2026}, } ## 已知问题 * Python 迭代在 Rust 中处理，但使用了 ABI3，这比使用内部版本特定的 CPython API 慢。未来我打算针对每个 Python 版本进行专门优化以减少此开销。早期实验显示，对于受开销限制的场景，速度可提升 2 倍。 * Gigatoken API 尚未实现文件输出（file sinks）。 * 尚不支持 WordPiece。 * 基于 SentencePiece 的分词优化程度远不如更常见的 BPE 分词器。目前优先级较低，因为主要是 Google 模型/BERT 风格模型使用 SentencePiece。 * Windows 尚未经过充分测试，因此现阶段建议使用 WSL。 — AI 使用声明 本代码库的大部分是手工编写，未使用任何 AI（可从项目的 Git 历史看出）。在项目的最后阶段，AI 被用于辅助： * 实现面向用户的 API * 扩大兼容性，例如泛化和移植预分词器实现以支持更多分词器，以及不那么有趣的功能如填充/截断/Unicode 规范化 * 在 AVX512/AVX2/NEON 之间移植 SIMD 策略 * 最终性能分析阶段，以及通过消除分支和改善预分词缓存层次结构带来的最后约 4 倍性能提升 * 重构和代码复用