Hacktoberfest 2026: những issue maintainer đã đánh dấu cho tháng Mười, đang mở và phù hợp người mới. Xem issue Hacktoberfest

[Lane 4 · numerics] tokenizer.json parity — golden encode fixtures from Hugging Face tokenizers for the ModernBERT and mmBERT files

Đã đóng
  • Có gì không ổn?
#1,327 0 bình luận 0 reaction 0 người được giao Xem trên GitHub

Maintainer thường phản hồi trong vòng 1 ngày

Chưa có ai nhận issue này.

Đánh giá

Độ khó
3/5
Thời gian dự kiến
1-2 ngày
Mức phù hợp với người mới
76/100
Loại issue
Tính năng
Độ rõ ràng
Đặc tả rõ ràng
Mức độ hoạt động
Sôi nổi
Công nghệ
python
Lĩnh vực
machine-learning, testing

Hướng nghiên cứu

Create scripts/tokenizer_goldens.py; use the five reference texts from #1321 and the listed edge cases, then generate goldens for both Laya tokenizer paths at the specified revision. Start by checking #1321 for its five expected rows and the Qwen fixture test header for the command and pip pin format. Done means deterministic JSON outputs with source SHA-256 and tokenizers version committed under the stated resources directory.

Do mô hình lập chỉ mục viết ra từ nội dung của issue.

Mô tả

coding good first issue size:xs skill:numerics sub-issue

Sub-issue of #1321 (HF tokenizer.json parity for BPE encoders).

Lane: 4 · Ground truth / CI
Skill needed: Python (tokenizers, huggingface_hub). No Kotlin, no SKaiNET knowledge.
Size: xs–s (an hour or two)
Blocked by: nothing

What to do

  1. Write scripts/tokenizer_goldens.py (new file) that, given a Hub repo id, a revision and a path to a tokenizer.json, downloads the file, computes its SHA-256, and encodes a fixed list of texts with Tokenizer.from_file(...).encode(text, add_special_tokens=False). Output one JSON per tokenizer: 
    {"repo": "convaiinnovations/laya", "revision": "7b928d82…", "path": "tokenizer/tokenizer.json",
 "sha256": "…", "tokenizers_version": "0.23.3", "vocab_size_with_added": 50368,
 "cases": [{"text": "Bitte die doppelte Rechnung prüfen.", "ids": [12871, 442, …], "tokens": ["Bit", "te", …]}]}
  2. Texts: the five fixture texts from #1321 plus ~15 more that each target one feature — a lone special token (<|endoftext|>, <bos>), a non-special added token, tabs and newlines, a run of 24 spaces (ModernBERT has an added token for it), CJK, Arabic, an emoji with skin-tone modifier, decomposed vs composed accents, digits (1234567890), the empty string, a single space.
  3. Generate goldens for both Laya files: tokenizer/tokenizer.json and multilingual/tokenizer/tokenizer.json at revision 7b928d828b7b0e022f929d9bd2e44165aa270148 of https://huggingface.co/convaiinnovations/laya (Apache-2.0).
  4. Commit the two JSON files under skainet-io/skainet-io-core/src/jvmTest/resources/tokenizer-goldens/ (they are a few KB; the tokenizer files themselves are not committed — the Kotlin lane downloads them like the existing Qwen fixtures).
  5. Put the exact command line and the pip pin in the script header, in the style of the header comment of QwenByteLevelBpeTokenizerFixtureTest.kt.

Acceptance

  • Script reproduces the five reference rows quoted in #1321 byte-for-byte
  • Two golden JSON files committed, each with sha256 of the source tokenizer.json and the tokenizers version
  • Running the script twice gives identical output (deterministic ordering)
  • Result reported back on #1321

Notes

Keep the script free of SKaiNET-specific logic so the sibling repository (SKaiNET-transformers) can reuse it for its own model families. If a text makes tokenizers itself warn or behave oddly, keep the text and note it in the JSON ("note" field) — surprising oracle behaviour is exactly what the Kotlin side must match.

Ngôn ngữ chính
Kotlin
Star
52
Fork
15
Merge trung bình
1 ngày 8 giờ
Pull request đã merge (30 ngày)
37

Chuẩn bị môi trường

Bắt đầu từ đâu

  1. Đọc hết issue, rồi đọc hướng dẫn đóng góp của dự án.
  2. Bình luận trên issue rằng bạn sẽ nhận — tránh hai người làm cùng một việc.
  3. Fork repository và làm thay đổi trên một nhánh.
  4. Mở pull request có tham chiếu số hiệu của issue.

Issue khác của SKaiNET-developers/SKaiNET

Tất cả issue của SKaiNET-developers/SKaiNET

Issue tương tự

Thêm issue về Kotlin

Nhận issue mới trong hộp thư của bạn

Bản tóm tắt ngắn những issue GitHub phù hợp với người mới.