关于使用SentencePiece进行词表合并的问题

[awmthink]

提交前必须检查以下项目

• [X] 请确保使用的是仓库最新代码（git pull），一些问题已被解决和修复。
• [X] 由于相关依赖频繁更新，请确保按照Wiki中的相关步骤执行
• [X] 我已阅读FAQ章节并且已在Issue中对问题进行了搜索，没有找到相似问题和解决方案
• [X] 第三方插件问题：例如llama.cpp、text-generation-webui、LlamaChat等，同时建议到对应的项目中查找解决方案
• [X] 模型正确性检查：务必检查模型的SHA256.md，模型不对的情况下无法保证效果和正常运行

问题类型

其他问题

基础模型

LLaMA-7B

操作系统

Linux

详细描述问题

中文社区下大部分关于扩充词表的描述好像都来自本仓库，但对于merge_tokenizers.py中的实现不太理解。

如果我们使用bpe子词合并算法，从算法原理上理解，BPE的核心是合并规则，也就是merges信息。 但代码实现中，只是将新的piece扩充到pieces列表后面，并且所有的score都为0，这样的实现是否符合BPE的算法原理呢？我注意到SentencePiece中在encode阶段，并不是简单的按最长子序列进行贪婪匹配。

如果作者有一些进一步的参考资料，希望给予指导，谢谢！

依赖情况（代码类问题务必提供）

No response

运行日志或截图

No response

[github-actions[bot]]

This issue has been automatically marked as stale because it has not had recent activity. It will be closed if no further activity occurs. Thank you for your consideration.

[github-actions[bot]]

Closing the issue, since no updates observed. Feel free to re-open if you need any further assistance.