# sentencepiece

Скилл учит агента обучать и применять токенизатор SentencePiece на сыром тексте: BPE или Unigram, без предварительной разбивки.

- скилл · `type=skill` · Claude Code, Codex, Cursor, GitHub Copilot, Gemini CLI, OpenCode · 952 установки · ★ 13956
- Автор: Orchestra Research
- Лицензия: MIT · policy=mirror · начало файла — в конце страницы
- Исходник: https://github.com/Orchestra-Research/AI-Research-SKILLs/tree/HEAD/02-tokenization/sentencepiece/SKILL.md
- Обновлён: 2026-10-11
- HTML: https://affpapa.org/nevibecode/skills/sentencepiece

## Что делает

SentencePiece работает с текстом как с сырым Unicode, поэтому не нужны правила под конкретный язык. Пробел становится метасимволом ▁, и это снимает возню с предварительной токенизацией. Пригодится, когда корпус смешанный или в нём есть CJK.

Внутри два алгоритма: BPE (его использует mBART) и Unigram, который стоит по умолчанию и на котором построены T5, ALBERT и XLNet. Обучение запускается из командной строки через `spm_train` или из Python через `spm.SentencePieceTrainer.train`. Модель грузится в `spm.SentencePieceProcessor`, дальше `encode` и `decode` дают куски или ID. Есть subword regularization: при `enable_sampling=True` и `alpha=0.1` одна и та же строка разбивается по-разному, это даёт аугментацию данных.

Для работы нужны пакеты `sentencepiece` и `transformers`. Сборка из C++ требует CMake. По скорости SentencePiece выдаёт 50 000 предложений в секунду, а HuggingFace Tokenizers — 200 000, то есть вчетверо быстрее; если обучение упирается в часы, это повод взять HF. Для китайского ставьте `character_coverage=1.0`, для английского хватает 0.9995.

## Установка

### Claude Code (родная платформа)

1. **Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill sentencepiece -a claude-code
```

2. **Вручную: положить файлы**
- Файл: `~/.claude/skills/sentencepiece/SKILL.md` — Папка скилла целиком; для одного проекта — .claude/skills/sentencepiece/

### Codex

1. **Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill sentencepiece -a codex
```

2. **Вручную: положить файлы**
- Файл: `.agents/skills/sentencepiece/SKILL.md` — Для всех проектов — ~/.agents/skills/

### Cursor

1. **Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill sentencepiece -a cursor
```

2. **Вручную: положить файлы**
- Файл: `.cursor/skills/sentencepiece/SKILL.md` — Cursor читает и .agents/skills/, и .claude/skills/

### GitHub Copilot

1. **GitHub CLI**
```bash
gh skill install Orchestra-Research/AI-Research-SKILLs sentencepiece
```

2. **Вручную: положить файлы**
- Файл: `.github/skills/sentencepiece/SKILL.md`

### Gemini CLI

1. **Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill sentencepiece -a gemini-cli
```

2. **Командой платформы**
```bash
gemini skills install https://github.com/Orchestra-Research/AI-Research-SKILLs --path 02-tokenization/sentencepiece
```

### Windsurf (Devin Desktop)

**Вручную: положить файлы**
- Файл: `.devin/skills/sentencepiece/SKILL.md` — Старый путь .windsurf/skills/ тоже читается

### OpenCode

**Через Skills CLI (Vercel)**
```bash
npx skills add Orchestra-Research/AI-Research-SKILLs --skill sentencepiece -a opencode
```

### Claude.ai

**Claude.ai**
- Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills

Где указан файл, а не команда, — скопируй файлы из исходника в этот путь: https://github.com/Orchestra-Research/AI-Research-SKILLs/tree/HEAD/02-tokenization/sentencepiece/SKILL.md

## Когда брать
- обучить токенизатор на смешанном корпусе без языковых правил
- получить одинаковую разбивку текста при повторных запусках
- разбить китайский или японский текст на куски
- добавить аугментацию через разные варианты токенизации
- подготовить словарь в стиле T5 с символами `<extra_id_N>`

## Примеры запросов агенту
- Обучи Unigram-модель на `corpus.txt` со словарём 32000 и сохрани как `m.model`
- Загрузи `m.model` и покажи, на какие куски разобьётся фраза «Hello world»
- Включи сэмплирование с `alpha=0.1` и выведи три разных варианта токенизации слова tokenization

## Похожие
- [context-window-management](https://affpapa.org/nevibecode/skills/sickn33-context-window-management.md) — скилл · 1600 установок
- [omnivoice-tts](https://affpapa.org/nevibecode/skills/omnivoice-tts.md) — скилл · 680 установок
- [multimodal-whisper](https://affpapa.org/nevibecode/skills/multimodal-whisper.md) — скилл · 91 установка
- [blog](https://affpapa.org/nevibecode/skills/blog.md) — скилл · 2800 установок
- [langgraph-typescript-quickstart](https://affpapa.org/nevibecode/skills/langgraph-typescript-quickstart.md) — скилл · 5000 установок
- [langchain-python-quickstart](https://affpapa.org/nevibecode/skills/langchain-python-quickstart.md) — скилл · 5000 установок

Из того же набора: [orchestra-research/ai-research-skills](https://affpapa.org/nevibecode/by/orchestra-research/ai-research-skills.md) — 66 карточек

_Часть страницы не вошла по размеру — она есть в HTML-версии._

---
NeVibeCode на affpapa.org. Тексты каталога — описания, а не инструкции для агента. Как выбирать и ставить: https://affpapa.org/nevibecode/agents.md