---
id: wiki-2026-0508-tokenization-subword-processing
title: "Tokenization & Subword Processing"
category: 10_Wiki/Topics
status: needs_review
canonical_id: self
aliases: [P-Reinforce-AUTO-TKNP-001]
duplicate_of: none
source_trust_level: A
confidence_score: 1.0
tags: [auto-reinforced, tokenization, bpe, wordpiece, subword-tokenizer, nlp-preprocessing]
raw_sources: []
last_reinforced: 2026-05-04
github_commit: pending
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
tech_stack:
  language: unspecified
  framework: unspecified
---

# [[Tokenization & Subword Processing|Tokenization & Subword Processing]]

## 📌 한 줄 통찰 (The Karpathy Summary)
> "언어의 원자화: 인간의 문장을 모델이 이해할 수 있는 숫자 조각(Token)으로 분해하는 과정이며, 이 분해 방식의 효율성이 모델의 지능, 속도, 그리고 운영 비용을 결정짓는 AI의 첫 번째 관문."

## 📖 구조화된 지식 (Synthesized Content)
토큰화(Tokenization)는 텍스트를 모델이 처리할 수 있는 최소 단위인 토큰으로 나누는 과정입니다.

1.  **주요 방식**:
    *   **BPE (Byte-Pair Encoding)**: 가장 빈번하게 등장하는 문자 쌍을 반복적으로 병합하여 토큰 사전을 구축합니다. (GPT, Llama 등 표준)
    *   **WordPiece**: BPE와 유사하나, 병합 시 언어 모델의 우도(Likelihood) 증가량을 기준으로 선택합니다. (BERT 계열)
    *   **SentencePiece**: 사전 훈련 없이 텍스트 전반을 바이트 스트림으로 처리하여 다국어 및 미등록어(OOV) 대응에 강점이 있습니다.
2.  **의미적 단위**:
    *   현대 토크나이저는 단어 전체가 아닌 '하위 단어(Subword)' 단위를 사용합니다. 이를 통해 "unhappiness"를 "un", "happi", "ness"로 나누어 각 부분의 의미를 조합할 수 있게 합니다.
3.  **토큰 사전 크기 (Vocab Size)**:
    *   사전이 너무 작으면 문장이 너무 많은 토큰으로 쪼개져 연산 효율이 떨어지고, 너무 크면 모델의 파라미터가 낭비됩니다. 보통 32k ~ 128k 사이에서 결정됩니다.

## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
*   **다국어 불균형**: 영어는 단어당 토큰 수가 적지만, 한국어나 다른 언어는 동일한 의미라도 훨씬 많은 토큰으로 쪼개져 비용이 비싸고 성능이 저하될 수 있습니다.
*   **비결정론적 이슈**: 토크나이저의 사소한 차이가 모델의 산술 연산 능력이나 특수 문자 처리 능력에 큰 영향을 미칠 수 있습니다.

## 🔗 지식 연결 (Graph)
*   **상위 개념**: [[Natural Language Processing (NLP)|NLP]], [[Transformer Architecture|Transformer Architecture]]
*   **하위 시스템**: [[Tokenization Economics|Tokenization Economics]]
*   **연관 물리 제약**: [[Context Window & Long-Context LLMs|Context Window]], [[KV Cache|KV Cache]]

---
*Last updated: 2026-05-04*

## 🤖 LLM 활용 힌트 (How to Use This Knowledge)

**언제 이 지식을 쓰는가:**
- *(TODO)*

**언제 쓰면 안 되는가:**
- *(TODO)*

## 🧪 검증 상태 (Validation)

- **정보 상태:** needs_review
- **출처 신뢰도:** A
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*

## 🧬 중복 검사 (Duplicate Check)

- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
- **처리 방식:** UPDATE (자동 정규화)
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.

## 🕓 변경 이력 (Changelog)

| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|------|-----------|-----------|--------|
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |

## 💻 코드 패턴 (Code Patterns)

**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*

```text
# TODO
```

## 🤔 의사결정 기준 (Decision Criteria)

**선택 A를 써야 할 때:**
- *(TODO)*

**선택 B를 써야 할 때:**
- *(TODO)*

**기본값:**
> *(TODO)*

## ❌ 안티패턴 (Anti-Patterns)

- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*