# GigaToken 发布：语言模型分词速度最高提升约 1000 倍，可无缝替代 HuggingFace Tokenizers

- 来源：Hacker News 热门（buzzing.cc 中文翻译）
- 作者：syrusakbary
- 发布时间：2026-07-23 02:51
- AIHOT 分数：76
- AIHOT 标记：精选
- AIHOT 链接：https://aihot.virxact.com/items/cmrwh01sr01qyroj0qdt3mo09
- 原文链接：https://github.com/marcelroed/gigatoken

## 精选理由

GigaToken 把分词速度直接拉到 GB/s 级别，对处理大规模文本的团队是实打实的效率提升，数据集预处理不再是瓶颈。

## AI 摘要

GigaToken 是一款新的语言模型分词器，在 AMD EPYC 9565 双路 144 核 CPU 上对 GPT-2 分词速度达 24.53 GB/s，比 HuggingFace Tokenizers 快 989 倍、比 tiktoken 快 681 倍。

## 正文

Gigatoken

比 HuggingFace 的 tokenizers 快约 1000 倍，可直接替换使用。

以 GB/s 的速度为你的文本数据做 token 化！

请注意，HF tokenizers 和 tiktoken 本身就已经是多线程 Rust 实现了！

什么是 Gigatoken？

Gigatoken 是用于语言建模的最快 tokenizer。它支持广泛的 CPU 硬件，以及几乎所有常用的 tokenizer。详细的各 tokenizer 和 CPU 吞吐量数据请参见基准测试部分。

安装

pip install gigatoken

使用方法

Gigatoken 可以使用其自有 API，也可以在与 HuggingFace Tokenizers 或 Tiktoken 的兼容模式下使用。

兼容模式（最简单）

import gigatoken as gt

# Minimum change from existing HuggingFace tokenizers usage (compatibility mode) hf_tokenizer = ... tokenizer = gt.Tokenizer(hf_tokenizer).as_hf()

# tokenizer can be used in the same contexts as hf_tokenizer tokens = tokenizer.encode_batch(["This is a test string", "And here is another"])

# OR with tiktoken tiktokenizer = ... tokenizer = gt.Tokenizer(tiktokenizer).as_tiktoken()

# Now works like existing tiktoken tokenizers tokens = tokenizer.encode_batch(["This is a test string", "And here is another"])

我们投入了大量精力确保在此模式下输出结果与使用 HuggingFace Tokenizers 得到的结果完全一致，但这会带来不可忽视的性能开销。你仍然可以期待全面更快的性能，但不会达到使用 Gigatoken API 时那种 1000 倍的提升。

Gigatoken API（最快）

import gigatoken as gt

tokenizer = gt.Tokenizer("Qwen/Qwen3-8B") # Accepts HF model names file_source = gt.TextFileSource(["owt_train.txt"], separator=b"<|endoftext|>") tokens = tokenizer.encode_files(file_source)

使用 Gigatoken API 可以让 Rust 实现直接读取数据，在实现最大并行度的同时尽可能跳过开销。请注意，通过此 API 传递 Python 数据结构仍然会产生从 Python 读取数据的开销。

基准测试

在 owt_train.txt（11.9 GB）上的编码吞吐量 — AMD EPYC 9565 72 核处理器 x 2 路（共 144 核）

Tokenizer 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）

Tokenizer 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 核处理器（16 核）

Tokenizer 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× —

基准测试详情

选择 OWT（openwebtext）是因为它大致能代表从 CommonCrawl 文档中提取后得到的文本。Gigatoken 对整个文件进行不切分的编码，因此相比其他分词器做了更多工作来寻找切分边界并自动并行化。HuggingFace 分词器（encode_batch_fast）处理前 100 MB，tiktoken（encode_ordinary_batch）处理前 1 GB，两者都在 `<|endoftext|>` 处预先切分。这样做是公平的，因为被比较的分词器都不做缓存，意味着处理过程中的速度大致均匀。Tiktoken 行目前只为官方支持的分词器填充。

最慢的行是基于 SentencePiece 的分词器，它们在 Gigatoken 中优化得不够好。

每一行对应一个不同的分词器（相同的词表/合并规则/预分词器），在一个有代表性的代码库上测量。如果你在这里没有看到自己的分词器，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 蒸馏版、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 词表）

Gemma 3 —— Gemma 3（270M–27B）和 EmbeddingGemma

Gemma 4 —— Gemma 4（dense、MoE 和 E 系列）和 DiffusionGemma

常见问题解答

问：你是不是针对某个特定 CPU 和分词器过度优化了？怎么会这么快？

不，我为这些条件的每一种组合都做了过度优化！结果在各类 CPU（现代 x86 和 ARM）以及不同 tokenizer 上都高度一致。

主要的改进在于，对通常外包给正则表达式引擎（预分词）的实现，使用 SIMD 进行了重度优化，最大程度减少了分支和其他技巧的使用，同时还重度优化了预分词映射的缓存（如果某个词之前见过，就高效地查找其编码后的 token）。在这个领域，缓存是一个非常棘手的问题，因为缓存增长非常快，而且预分词的分布呈极长的长尾形态。

部分性能提升还来自于尽量减少与 Python 的交互，以及避免线程之间的通信。

问：如何快速检查我的 tokenizer 是否受支持？

你无需安装任何东西就可以试用！以下命令将针对给定的 HuggingFace 模型仓库验证分词功能并计时：

# Download your data wget https://huggingface.co/datasets/stanford-cs336/owt-sample/resolve/main/owt_train.txt.gz # Just an example! gunzip owt_train.txt.gz

uvx --with tokenizers gigatoken bench 'openai-community/gpt2' owt_train.txt \ --validate --doc-separator "<|endoftext|>"

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

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

按照我们在 EPYC CPU 上看到的速度，你可以在不到 6.5 小时内完成对整个 Common Crawl（通常被认为是整个互联网，包含 130 万亿个 token）的分词！

此示例使用此数据集中的训练样本，CLI 默认会将该文件的前 100MB 用于验证并与 HF 进行比较。你可以通过 `uvx gigatoken bench --help` 查看这些标志的帮助信息。在 macOS 上，你可能需要运行命令两次才能获得良好的读数，因为第一次运行总会执行安全扫描，这会拖慢 Rust 代码的速度。

问：我发现了不匹配/速度慢的用例，这是预期行为吗？

很可能不是！尽管测试范围相当广泛，但我手头并没有覆盖所有用例，所以请将你发现的任何问题报告到 GitHub Issue 中，以便我尽快处理。

引用

如果你在研究中使用 Gigatoken，请按以下方式引用：

@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，但使用的是 ABI3，这比使用特定版本的内部 CPython API 要慢。未来我打算针对每个 Python 版本进行专门优化，以削减这部分开销。早期实验显示，对于受开销限制的用例，速度可提升 2 倍。

Gigatoken API 中尚未实现文件输出（File sinks）。

尚不支持 WordPiece。

基于 SentencePiece 的分词方式远不如更常见的 BPE 分词器优化得好。目前这属于低优先级事项，因为主要是 Google 系模型/BERT 风格模型在使用 SentencePiece。

Windows 平台尚未经过充分测试，因此现阶段建议优先使用 WSL。

AI 使用披露 本代码库的绝大部分代码均为手工编写，未使用任何 AI 辅助（这一点可以从项目的 Git 历史中看出）。在项目的最后阶段，AI 被用于协助：

实现面向用户的 API

扩大兼容性，例如将预分词器实现进行泛化并移植，以支持更多分词器，以及填充/截断/Unicode 规范化等不太引人注目的功能

在 AVX512/AVX2/NEON 之间移植 SIMD 策略

最后的性能剖析阶段，以及通过消除分支和优化预分词缓存层级结构所获得的约 4 倍性能提升

重构与代码复用