HPLT v2.0 BERT for Japaneseは『雪国』の冒頭をどうトークナイズするのか

HPLTから「HPLT v2.0 BERT for Japanese」がリリースされたので、とりあえずトークナイザを試してみることにした。

>>> from transformers import AutoTokenizer
>>> tkz=AutoTokenizer.from_pretrained("HPLT/hplt_bert_base_2_0_jpn-Jpan")
>>> print(tkz.convert_ids_to_tokens(tkz("国境の長いトンネルを抜けると雪国であった。","夜の底が白くなった。")["input_ids"]))
['[CLS]', 'âĸģåĽ½å¢ĥ', 'ãģ®', 'éķ·', 'ãģĦ', 'ãĥĪãĥ³', 'ãĥįãĥ«', 'ãĤ', 'Ĵ', 'æĬľãģijãĤĭ', 'ãģ¨', 'éĽª', 'åĽ½', 'ãģ§', 'ãģĤãģ£', 'ãģŁ', 'ãĢĤ', '[SEP]', 'âĸģå¤ľ', 'ãģ®', 'åºķ', 'ãģĮ', 'çĻ½', 'ãģı', 'ãģªãģ£', 'ãģŁ', 'ãĢĤ', '[SEP]']

うーん、かなりマズイ気がする。

>>> text="国境の長いトンネルを抜けると雪国であった。夜の底が白くなった。"
>>> x=tkz(text,return_offsets_mapping=True)
>>> for i,(s,e) in zip(x["input_ids"],x["offset_mapping"]):
...   print(text[s:e],text[s:e].encode("utf-8"),ascii(tkz.convert_ids_to_tokens(i)))
...
 b'' '[CLS]'
国境 b'\xe5\x9b\xbd\xe5\xa2\x83' '\xe2\u0138\u0123\xe5\u013d\xbd\xe5\xa2\u0125'
の b'\xe3\x81\xae' '\xe3\u0123\xae'
長 b'\xe9\x95\xb7' '\xe9\u0137\xb7'
い b'\xe3\x81\x84' '\xe3\u0123\u0126'
トン b'\xe3\x83\x88\xe3\x83\xb3' '\xe3\u0125\u012a\xe3\u0125\xb3'
ネル b'\xe3\x83\x8d\xe3\x83\xab' '\xe3\u0125\u012f\xe3\u0125\xab'
を b'\xe3\x82\x92' '\xe3\u0124'
を b'\xe3\x82\x92' '\u0134'
抜ける b'\xe6\x8a\x9c\xe3\x81\x91\xe3\x82\x8b' '\xe6\u012c\u013e\xe3\u0123\u0133\xe3\u0124\u012d'
と b'\xe3\x81\xa8' '\xe3\u0123\xa8'
雪 b'\xe9\x9b\xaa' '\xe9\u013d\xaa'
国 b'\xe5\x9b\xbd' '\xe5\u013d\xbd'
で b'\xe3\x81\xa7' '\xe3\u0123\xa7'
あっ b'\xe3\x81\x82\xe3\x81\xa3' '\xe3\u0123\u0124\xe3\u0123\xa3'
た b'\xe3\x81\x9f' '\xe3\u0123\u0141'
。 b'\xe3\x80\x82' '\xe3\u0122\u0124'
夜 b'\xe5\xa4\x9c' '\xe5\xa4\u013e'
の b'\xe3\x81\xae' '\xe3\u0123\xae'
底 b'\xe5\xba\x95' '\xe5\xba\u0137'
が b'\xe3\x81\x8c' '\xe3\u0123\u012e'
白 b'\xe7\x99\xbd' '\xe7\u013b\xbd'
く b'\xe3\x81\x8f' '\xe3\u0123\u0131'
なっ b'\xe3\x81\xaa\xe3\x81\xa3' '\xe3\u0123\xaa\xe3\u0123\xa3'
た b'\xe3\x81\x9f' '\xe3\u0123\u0141'
。 b'\xe3\x80\x82' '\xe3\u0122\u0124'
 b'' '[SEP]'

やはり、UTF-8のByte-Pair Encodingがナマで使われてる(ただし0x00～0x20・0x7f～0x9fはU+0100～U+0120・U+0121～U+0141へマッピング)。文頭のmetaspace「âĸģ」は何とか捌くとしても、助詞の「を」が2バイト・1バイトで泣き別れになってて、すこぶる使いにくい。内蔵のmodel_ltgbert.pyにはバグが残ってるみたいだし、日本語モデルとして使うのは無理があるかな。