（来源：上观新闻）
如果你天天看🈺友商在发布会上🏘🚑吊打iPhone🇦🇩🇳🇴，看博主🇦🇱们天天说乔☯🐤布斯被气活，很容🌲易产生一种👷🇬🇮“这公司快凉了”🌥🌪的错觉🚆。正如 K🆖arpath🇵🇦y 所言，♊在这个🕓时代，分享想🤽♂️法比分享代码更有👎意义🈳🇲🇫。为阻止代🇨🇲码扩散，Anth👟ropic向🌄🌶GitHub😍🇦🇲发出紧急下架🥡☣请求，🙉👓却因范📎🇵🇳围判断的“🔒暴力操作⚙”，误🕟💰删了约8🛩🇭🇺100个无辜仓🐊库，甚至波及🇧🇳其自身开源项目🛋的正常分支🎨。
这对阿里的意🇵🇱义，比单纯做👩👦👦🐖一个视🚚频生成工具要大🦹♂️。让我们用一😜🍡个简化示⚠例说明，假设训练🕦🔙语料包含以🇹🇹下词汇及出现频率👉💷： “h😞🚄ug”：10次🚆 “pug🤝”：5次🤸♂️ “pu🍱🐏n”：🍵12次 “bun◻👨👨👦👦”：4次 “hu🇪🇨🕧gs”：5次🔰🇵🇲 第一步：🏖将所有词拆分为字🔞符，添加结束符 👛“hug📆✴” →🕣💊 “h🦋 u g🎳 ” “pug”🇵🇸👨🔬 → 🧧🚝“p u🇾🇹🏴 g ” “p🤚🧵un” → “👨👨👧👧👨🚀p u n ” 👩🔧“bun” →🐞🐕 “b 🐹👽午夜福利片一区二区三区u n ” 👩🦲“hugs”☯㊗ → “h🤸♂️🐸 u g s🧶 ” 初始词汇🇮🇸表仅包含基📓午夜福利片一区二区三区础字符：{b, 😒♿g, h,🙀💞 n, p, 🎸s, u, } 🌘第二步：统计相邻📜字符对的出现频🤧🦞率 “u g🇦🇽”：15次（来自🧡🔐“hug”的1🐡0次 + “hu🧹gs”的5🇧🇦次） “u 🥛💬n”：16🇸🇪次（来自🇵🇱😨“pun”的12🐗⏬次 + “bun🇳🇨🧘♂️”的4次）🚒🏣 “p u”：1🇸🇯7次（🍾来自“pug”📩🐕的5次🛐 + 🧦🔽“pun”的1🇺🇬🚄2次） 🚎第三步：合并最高⛏😝频字符对 假设🇬🇾🏴“p u”👩🎨频率最高（1🇧🇪7次），🈲创建新符🗺📠号“pu”⛳👨👩👧👦午夜福利片一区二区三区， 词汇表💓扩展为🥗：{b, g,🇦🇮 h, n⚙, p, 🌀s, 🇩🇿u, , pu⚙🌅} 第🎿四步：迭代😐重复 继🎶续统计新🎭语料中的字符🌰对频率，合并下🌇一个最👈🦎高频对，直到达🎿到预设的词🇨🇵🥝汇表大🎳🚉小（如G🥥🇨🇽PT-2🦶🉐为50,2👉🚫57个t🇹🇭🔚oken）🦢🇧🇼。
