bert-chunker-Chinese-2

GitHub

bert-chunker-Chinese-2 （中文分段器） is a text chunker based on BertForTokenClassification to predict the start token of chunks (for use in RAG, etc), and using a sliding window it cuts documents of any size into chunks. We see it as an alternative of semantic chunker, but specially, it not only works for the structured texts, but also the unstructured and messy texts. It is a new version of bc-chinese, for which we change our data labeling and train pipeline to make it more stable and useful.

Updates :

• 2025.5.12: an experimental script that supports specifying the maximum tokens per chunk is available now below.

Usage

Run the following:

# -*- coding: utf-8 -*-
import torch
from transformers import AutoTokenizer, BertForTokenClassification
import math

model_path = "tim1900/bert-chunker-Chinese-2"

tokenizer = AutoTokenizer.from_pretrained(
    model_path,
    padding_side="right",
    model_max_length=512,
    trust_remote_code=True,
)

device = "cpu"  # or 'cuda'

model = BertForTokenClassification.from_pretrained(
    model_path,
).to(device)

def chunk_text(model, text, tokenizer, prob_threshold=0.5):
    # slide context window chunking
    MAX_TOKENS = 512
    tokens = tokenizer(text, return_tensors="pt", truncation=False)
    input_ids = tokens["input_ids"]
    attention_mask = tokens["attention_mask"][:, 0:MAX_TOKENS]
    attention_mask = attention_mask.to(model.device)
    CLS = input_ids[:, 0].unsqueeze(0)
    SEP = input_ids[:, -1].unsqueeze(0)
    input_ids = input_ids[:, 1:-1]
    model.eval()
    split_str_poses = []
    token_pos = []
    windows_start = 0
    windows_end = 0
    logits_threshold = math.log(1 / prob_threshold - 1)
    print(f"Processing {input_ids.shape[1]} tokens...")
    while windows_end <= input_ids.shape[1]:
        windows_end = windows_start + MAX_TOKENS - 2

        ids = torch.cat((CLS, input_ids[:, windows_start:windows_end], SEP), 1)

        ids = ids.to(model.device)

        output = model(
            input_ids=ids,
            attention_mask=torch.ones(1, ids.shape[1], device=model.device),
        )
        logits = output["logits"][:, 1:-1, :]
        chunk_decision = logits[:, :, 1] > (logits[:, :, 0] - logits_threshold)
        greater_rows_indices = torch.where(chunk_decision)[1].tolist()

        # null or not
        if len(greater_rows_indices) > 0 and (
            not (greater_rows_indices[0] == 0 and len(greater_rows_indices) == 1)
        ):

            split_str_pos = [
                tokens.token_to_chars(sp + windows_start + 1).start
                for sp in greater_rows_indices
                if sp > 0
            ]
            token_pos += [
                sp + windows_start + 1 for sp in greater_rows_indices if sp > 0
            ]
            split_str_poses += split_str_pos

            windows_start = greater_rows_indices[-1] + windows_start

        else:

            windows_start = windows_end

    substrings = [
        text[i:j] for i, j in zip([0] + split_str_poses, split_str_poses + [len(text)])
    ]
    token_pos = [0] + token_pos
    return substrings, token_pos


# chunking
print("\n>>>>>>>>> Chunking...")
doc = r'''经典中式家常菜：红烧肉 详尽版食谱

红烧肉，作为中华美食殿堂中一颗璀璨的明珠，以其色泽红亮、肥而不腻、入口即化的独特风味，征服了无数食客的味蕾。它不仅仅是一道菜，更是一种情怀，是记忆中妈妈厨房里飘出的诱人香气，是团圆饭桌上最温暖的慰藉。要烹制出一盘完美的红烧肉，需要耐心、技巧以及对细节的专注。以下将为您详尽分解从选材到成品的每一个步骤，力求让您在家也能复刻出餐厅级别的美味。本食谱旨在深入剖析，故篇幅较长，以确保每个环节都清晰透彻。

一、 精选主料：奠定美味的基石

•   猪肉选择。

    ◦   首选带皮的五花肉。

    ◦   层次分明为佳。

    ◦   肥瘦相间是关键。

    ◦   厚度约三指左右。

    ◦   重量约一斤半为宜。

    ◦   确保猪皮完整无缺。

    ◦   新鲜肉品呈鲜红色。

    ◦   脂肪部分应洁白细腻。

•   预处理工作。

    ◦   用镊子拔除残留猪毛。

    ◦   将肉块置于冷水中浸泡。

    ◦   浸泡时间约三十分钟。

    ◦   中途可换水一至两次。

    ◦   目的是泡出部分血水。

    ◦   然后用刀刮洗猪皮表面。

    ◦   彻底清除污物和杂质。

    ◦   最后用流动水冲洗干净。

二、 准备辅料：调配灵魂之味

•   主要调味品。

    ◦   老抽：负责上色。

    ◦   用量需谨慎控制。

    ◦   过多会导致发黑发苦。

    ◦   生抽：提供咸鲜底味。

    ◦   与老抽比例约二比一。

    ◦   优质花雕酒是精髓。

    ◦   去腥增香效果显著。

    ◦   冰糖：首选黄冰糖。

    ◦   炒出的糖色更红亮。

    ◦   风味也比白糖醇和。

•   香辛料组合。

    ◦   生姜一大块，切片。

    ◦   大葱一根，切成长段。

    ◦   蒜头数瓣，轻轻拍松。

    ◦   八角两至三颗，增香。

    ◦   桂皮一小段，勿过多。

    ◦   香叶两片，增添风味。

    ◦   草果一颗，可拍裂开。

    ◦   干辣椒依个人口味添加。

•   其他基础材料。

    ◦   食用油适量，需耐高温。

    ◦   最好使用菜籽油或花生油。

    ◦   食盐少许，用于最后调味。

    ◦   因为酱油已有咸度。

    ◦   准备足量的开水备用。

    ◦   切记不可使用冷水。

    ◦   冷水会使肉质收缩变柴。

三、 精细加工：关键步骤解析

•   肉块改刀。

    ◦   将洗净的五花肉捞出。

    ◦   用厨房纸彻底吸干水分。

    ◦   这一步非常重要。

    ◦   能有效防止后续溅油。

    ◦   将肉切成三厘米见方块。

    ◦   大小尽量保持均匀一致。

    ◦   以确保受热和入味均匀。

    ◦   切面应能看到完美层次。

•   焯水去腥。

    ◦   冷水下锅，放入切好的肉。

    ◦   同时加入几片生姜。

    ◦   倒入一汤匙花雕酒。

    ◦   开大火煮沸，撇净浮沫。

    ◦   浮沫是血水和杂质所致。

    ◦   务必撇除干净直至汤清。

    ◦   焯水时间约五到八分钟。

    ◦   煮至肉块变色定型即可。

•   捞出与冲洗。

    ◦   用漏勺将肉块捞出。

    ◦   立即放入温水中冲洗。

    ◦   洗去表面残留的浮沫。

    ◦   注意水温不宜过低。

    ◦   再次用厨房纸吸干水分。

    ◦   防止入锅时油花四溅。

    ◦   此时肉块呈灰白色。

    ◦   经过焯水已无肉腥味。

四、 核心工艺：炒糖色与煸炒

•   炒制糖色。

    ◦   锅烧热，倒入少量底油。

    ◦   放入准备好的冰糖。

    ◦   开中小火慢慢搅动。

    ◦   观察冰糖融化的过程。

    ◦   先从固体变为液态。

    ◦   再从小泡转为密集大泡。

    ◦   当大泡逐渐回落消失时。

    ◦   糖液颜色开始加深。

•   观察颜色变化。

    ◦   从浅黄色变为枣红色。

    ◦   这个瞬间非常关键。

    ◦   枣红色时立即下入肉块。

    ◦   过早则甜腻，过晚则发苦。

    ◦   动作务必迅速而准确。

    ◦   糖色是红亮色泽的来源。

    ◦   也是风味层次的基础。

•   煸炒肉块。

    ◦   快速颠锅，使每块肉均匀裹上糖色。

    ◦   持续翻炒约三到五分钟。

    ◦   直到肉块表面微微焦黄。

    ◦   部分油脂被煸炒出来。

    ◦   这样吃起来肥而不腻。

    ◦   同时香味物质充分释放。

    ◦   煸出的猪油可倒出部分。

    ◦   留作炒青菜风味极佳。

五、 炖煮入味：时间与火候的艺术

•   加入调料。

    ◦   沿着锅边烹入花雕酒。

    ◦   瞬间激发出浓郁酒香。

    ◦   接着倒入适量生抽。

    ◦   再加入少许老抽上色。

    ◦   放入所有香料：姜、葱、蒜等。

    ◦   与肉块一起翻炒均匀。

    ◦   让酱香与肉香充分融合。

    ◦   翻炒约两分钟至香气扑鼻。

•   注入开水。

    ◦   务必一次性加足开水。

    ◦   水量要完全没过肉块。

    ◦   甚至可以略多一些。

    ◦   避免中途再次加水。

    ◦   大火烧开后转小火。

    ◦   盖上锅盖，慢火焖炖。

    ◦   这是“入口即化”的关键。

    ◦   时间至少需要一小时。

•   慢炖过程。

    ◦   保持汤面微沸即可。

    ◦   火候切忌过大过急。

    ◦   否则容易烧干且肉不烂。

    ◦   期间可偶尔开盖查看。

    ◦   用勺子轻轻推动一下。

    ◦   防止粘锅底的情况发生。

    ◦   但尽量不要频繁翻动。

    ◦   以免影响肉块的完整。

六、 收汁与装盘：成就最终美味

•   大火收汁。

    ◦   炖煮一小时后。

    ◦   用筷子戳一下瘦肉部分。

    ◦   若能轻松戳透即表示已软烂。

    ◦   此时根据汤汁咸度加盐。

    ◦   开大火，将汤汁收浓。

    ◦   用锅铲不停搅动。

    ◦   防止糊底，并让汤汁变稠。

    ◦   均匀包裹在每一块肉上。

•   收汁技巧。

    ◦   收到汤汁浓稠如蜜。

    ◦   油亮红润的汤汁紧裹肉块。

    ◦   锅中泛起密集的大泡。

    ◦   即可准备关火出锅。

    ◦   收汁程度依个人喜好。

    ◦   喜欢拌饭可多留些汤汁。

    ◦   整个过程需密切留意。

    ◦   最后阶段变化非常迅速。

•   最终成品。

    ◦   将红烧肉盛入预热好的盘中。

    ◦   可烫几棵小油菜围边。

    ◦   既点缀色彩，又解油腻。

    ◦   撒上少许葱花或香菜末。

    ◦   一道色香味俱全的红烧肉完成。

    ◦   肉质软糯，肥而不腻。

    ◦   咸中带甜，回味无穷。

    ◦   配上一碗白米饭是绝配。

七、 要点总结与升华

•   成功关键。

    ◦   选材是基础，务必新鲜。

    ◦   焯水步骤不可省略。

    ◦   炒糖色是技术核心。

    ◦   火候控制是成败关键。

    ◦   耐心慢炖是美味保证。

•   变化与创新。

    ◦   可加入土豆、鹌鹑蛋同烧。

    ◦   吸收肉汤，滋味更丰富。

    ◦   也可尝试用啤酒代替水。

    ◦   别有一番风味层次。

    ◦   但万变不离其宗。

    ◦   核心技法仍需掌握。

烹饪是一门需要实践的艺术，红烧肉更是如此。希望这份详尽的食谱能成为您厨房路上的得力助手，愿您能享受从准备到品尝的整个过程，与家人朋友分享这份由时间与匠心凝聚而成的温暖美味。每一次尝试都是一次经验的积累，祝您烹饪愉快，早日成就属于自己的招牌红烧肉！
'''
# Chunk the text. The prob_threshold should be between (0, 1). The lower it is, the more chunks will be generated.
# Therefore adjust it to your need, when prob_threshold is small like 0.000001, each token is one chunk,
# when it is set to 1, the whole text is one chunk.
chunks, token_pos = chunk_text(model, doc, tokenizer, prob_threshold=0.5)

# print chunks
for i, (c, t) in enumerate(zip(chunks, token_pos)):
    print(f"-----chunk: {i}----token_idx: {t}--------")
    print(c)

Experimental

The following script supports specifying max tokens per chunk. Chunker will be forced to choose a best possible position from history to chunk when it is about to exceed the max_tokens_per_chunk and no token satisfy the prob_threshold. This script can be seen as a new experimental version of the scripts above.

# -*- coding: utf-8 -*-
import torch
from transformers import AutoTokenizer, BertForTokenClassification
import math

model_path = "tim1900/bert-chunker-Chinese-2"

tokenizer = AutoTokenizer.from_pretrained(
    model_path,
    padding_side="right",
    model_max_length=512,
    trust_remote_code=True,
)

device = "cpu"  # or 'cuda'

model = BertForTokenClassification.from_pretrained(
    model_path,
).to(device)

def chunk_text_with_max_chunk_size(model, text, tokenizer, prob_threshold=0.5,max_tokens_per_chunk = 400):
    with torch.no_grad():
        
        # slide context window chunking
        MAX_TOKENS = 512
        tokens = tokenizer(text, return_tensors="pt", truncation=False)
        input_ids = tokens["input_ids"]
        attention_mask = tokens["attention_mask"][:, 0:MAX_TOKENS]
        attention_mask = attention_mask.to(model.device)
        CLS = input_ids[:, 0].unsqueeze(0)
        SEP = input_ids[:, -1].unsqueeze(0)
        input_ids = input_ids[:, 1:-1]
        model.eval()
        split_str_poses = []
        token_pos = []
        windows_start = 0
        windows_end = 0
        logits_threshold = math.log(1 / prob_threshold - 1)
        
        unchunk_tokens = 0
        backup_pos = None
        best_logits = torch.finfo(torch.float32).min 
        STEP = round(((MAX_TOKENS - 2)//2)*1.75 )
        print(f"Processing {input_ids.shape[1]} tokens...")
        # while windows_end <= input_ids.shape[1]:#记得改成windstart
        while windows_start < input_ids.shape[1]:#记得改成windstart    
            windows_end = windows_start + MAX_TOKENS - 2 
            ids = torch.cat((CLS, input_ids[:, windows_start:windows_end], SEP), 1)
            ids = ids.to(model.device)
            output = model(
                input_ids=ids,
                attention_mask=torch.ones(1, ids.shape[1], device=model.device),
            )
            logits = output["logits"][:, 1:-1, :]
            
            
            logit_diff = logits[:, :, 1] - logits[:, :, 0]
                    
                    
            chunk_decision = logit_diff > - logits_threshold
            greater_rows_indices = torch.where(chunk_decision)[1].tolist()

            # null or not
            if len(greater_rows_indices) > 0 and (
                not (greater_rows_indices[0] == 0 and len(greater_rows_indices) == 1)
            ):

                
                unchunk_tokens_this_window = greater_rows_indices[0] if greater_rows_indices[0]!=0 else greater_rows_indices[1]#exclude the fist index

                # manually chunk
                if unchunk_tokens + unchunk_tokens_this_window > max_tokens_per_chunk:
                    big_windows_end = max_tokens_per_chunk - unchunk_tokens
                    max_value, max_index= logit_diff[:,1:big_windows_end].max(),  logit_diff[:,1:big_windows_end].argmax() + 1
                    if best_logits < max_value:
                        backup_pos = windows_start + max_index
                    
                    windows_start = backup_pos
                    
                    
                    split_str_pos = [tokens.token_to_chars(backup_pos + 1).start]
                    split_str_poses = split_str_poses + split_str_pos
                    token_pos = token_pos + [backup_pos]
                    best_logits = torch.finfo(torch.float32).min
                    backup_pos = -1
                    unchunk_tokens = 0
                    
                # auto chunk    
                else:
                    
                    if len(greater_rows_indices) >= 2:
                        for gi, (gri0,gri1) in enumerate(zip(greater_rows_indices[:-1],greater_rows_indices[1:])):
                            
                            if gri1 - gri0 > max_tokens_per_chunk:
                                greater_rows_indices=greater_rows_indices[:gi+1]
                                break
                                
                    split_str_pos = [tokens.token_to_chars(sp + windows_start + 1).start for sp in greater_rows_indices if sp > 0]
                    split_str_poses = split_str_poses + split_str_pos
                    token_pos = token_pos+ [sp + windows_start for sp in greater_rows_indices if sp > 0]
                    
                    windows_start = greater_rows_indices[-1] + windows_start
                    best_logits = torch.finfo(torch.float32).min
                    backup_pos = -1
                    unchunk_tokens = 0

            else:

                # unchunk_tokens_this_window = min(windows_end - windows_start,STEP)
                unchunk_tokens_this_window = min(windows_start+STEP,input_ids.shape[1]) - windows_start

                # manually chunk
                if unchunk_tokens + unchunk_tokens_this_window > max_tokens_per_chunk:
                    big_windows_end =  max_tokens_per_chunk - unchunk_tokens
                    if logit_diff.shape[1] > 1:
                        
                        max_value, max_index= logit_diff[:,1:big_windows_end].max(),  logit_diff[:,1:big_windows_end].argmax() + 1
                        if best_logits < max_value:
                            backup_pos = windows_start + max_index
                        
                        
                    windows_start = backup_pos
                    split_str_pos = [tokens.token_to_chars(backup_pos + 1).start]
                    split_str_poses = split_str_poses + split_str_pos
                    token_pos = token_pos + [backup_pos]
                    best_logits = torch.finfo(torch.float32).min
                    backup_pos = -1
                    unchunk_tokens = 0
                else:
                # auto leave
                    if logit_diff.shape[1] > 1:
                        max_value, max_index= logit_diff[:,1:].max(),  logit_diff[:,1:].argmax() + 1
                        if best_logits < max_value:
                            best_logits = max_value
                            backup_pos = windows_start + max_index
                       
                    unchunk_tokens = unchunk_tokens + STEP
                    windows_start = windows_start + STEP

        substrings = [
            text[i:j] for i, j in zip([0] + split_str_poses, split_str_poses + [len(text)])
        ]
        token_pos = [0] + token_pos
    return substrings, token_pos
# chunking
print("\n>>>>>>>>> Chunking...")
doc = r'''经典中式家常菜：红烧肉 详尽版食谱

红烧肉，作为中华美食殿堂中一颗璀璨的明珠，以其色泽红亮、肥而不腻、入口即化的独特风味，征服了无数食客的味蕾。它不仅仅是一道菜，更是一种情怀，是记忆中妈妈厨房里飘出的诱人香气，是团圆饭桌上最温暖的慰藉。要烹制出一盘完美的红烧肉，需要耐心、技巧以及对细节的专注。以下将为您详尽分解从选材到成品的每一个步骤，力求让您在家也能复刻出餐厅级别的美味。本食谱旨在深入剖析，故篇幅较长，以确保每个环节都清晰透彻。

一、 精选主料：奠定美味的基石

•   猪肉选择。

    ◦   首选带皮的五花肉。

    ◦   层次分明为佳。

    ◦   肥瘦相间是关键。

    ◦   厚度约三指左右。

    ◦   重量约一斤半为宜。

    ◦   确保猪皮完整无缺。

    ◦   新鲜肉品呈鲜红色。

    ◦   脂肪部分应洁白细腻。

•   预处理工作。

    ◦   用镊子拔除残留猪毛。

    ◦   将肉块置于冷水中浸泡。

    ◦   浸泡时间约三十分钟。

    ◦   中途可换水一至两次。

    ◦   目的是泡出部分血水。

    ◦   然后用刀刮洗猪皮表面。

    ◦   彻底清除污物和杂质。

    ◦   最后用流动水冲洗干净。

二、 准备辅料：调配灵魂之味

•   主要调味品。

    ◦   老抽：负责上色。

    ◦   用量需谨慎控制。

    ◦   过多会导致发黑发苦。

    ◦   生抽：提供咸鲜底味。

    ◦   与老抽比例约二比一。

    ◦   优质花雕酒是精髓。

    ◦   去腥增香效果显著。

    ◦   冰糖：首选黄冰糖。

    ◦   炒出的糖色更红亮。

    ◦   风味也比白糖醇和。

•   香辛料组合。

    ◦   生姜一大块，切片。

    ◦   大葱一根，切成长段。

    ◦   蒜头数瓣，轻轻拍松。

    ◦   八角两至三颗，增香。

    ◦   桂皮一小段，勿过多。

    ◦   香叶两片，增添风味。

    ◦   草果一颗，可拍裂开。

    ◦   干辣椒依个人口味添加。

•   其他基础材料。

    ◦   食用油适量，需耐高温。

    ◦   最好使用菜籽油或花生油。

    ◦   食盐少许，用于最后调味。

    ◦   因为酱油已有咸度。

    ◦   准备足量的开水备用。

    ◦   切记不可使用冷水。

    ◦   冷水会使肉质收缩变柴。

三、 精细加工：关键步骤解析

•   肉块改刀。

    ◦   将洗净的五花肉捞出。

    ◦   用厨房纸彻底吸干水分。

    ◦   这一步非常重要。

    ◦   能有效防止后续溅油。

    ◦   将肉切成三厘米见方块。

    ◦   大小尽量保持均匀一致。

    ◦   以确保受热和入味均匀。

    ◦   切面应能看到完美层次。

•   焯水去腥。

    ◦   冷水下锅，放入切好的肉。

    ◦   同时加入几片生姜。

    ◦   倒入一汤匙花雕酒。

    ◦   开大火煮沸，撇净浮沫。

    ◦   浮沫是血水和杂质所致。

    ◦   务必撇除干净直至汤清。

    ◦   焯水时间约五到八分钟。

    ◦   煮至肉块变色定型即可。

•   捞出与冲洗。

    ◦   用漏勺将肉块捞出。

    ◦   立即放入温水中冲洗。

    ◦   洗去表面残留的浮沫。

    ◦   注意水温不宜过低。

    ◦   再次用厨房纸吸干水分。

    ◦   防止入锅时油花四溅。

    ◦   此时肉块呈灰白色。

    ◦   经过焯水已无肉腥味。

四、 核心工艺：炒糖色与煸炒

•   炒制糖色。

    ◦   锅烧热，倒入少量底油。

    ◦   放入准备好的冰糖。

    ◦   开中小火慢慢搅动。

    ◦   观察冰糖融化的过程。

    ◦   先从固体变为液态。

    ◦   再从小泡转为密集大泡。

    ◦   当大泡逐渐回落消失时。

    ◦   糖液颜色开始加深。

•   观察颜色变化。

    ◦   从浅黄色变为枣红色。

    ◦   这个瞬间非常关键。

    ◦   枣红色时立即下入肉块。

    ◦   过早则甜腻，过晚则发苦。

    ◦   动作务必迅速而准确。

    ◦   糖色是红亮色泽的来源。

    ◦   也是风味层次的基础。

•   煸炒肉块。

    ◦   快速颠锅，使每块肉均匀裹上糖色。

    ◦   持续翻炒约三到五分钟。

    ◦   直到肉块表面微微焦黄。

    ◦   部分油脂被煸炒出来。

    ◦   这样吃起来肥而不腻。

    ◦   同时香味物质充分释放。

    ◦   煸出的猪油可倒出部分。

    ◦   留作炒青菜风味极佳。

五、 炖煮入味：时间与火候的艺术

•   加入调料。

    ◦   沿着锅边烹入花雕酒。

    ◦   瞬间激发出浓郁酒香。

    ◦   接着倒入适量生抽。

    ◦   再加入少许老抽上色。

    ◦   放入所有香料：姜、葱、蒜等。

    ◦   与肉块一起翻炒均匀。

    ◦   让酱香与肉香充分融合。

    ◦   翻炒约两分钟至香气扑鼻。

•   注入开水。

    ◦   务必一次性加足开水。

    ◦   水量要完全没过肉块。

    ◦   甚至可以略多一些。

    ◦   避免中途再次加水。

    ◦   大火烧开后转小火。

    ◦   盖上锅盖，慢火焖炖。

    ◦   这是“入口即化”的关键。

    ◦   时间至少需要一小时。

•   慢炖过程。

    ◦   保持汤面微沸即可。

    ◦   火候切忌过大过急。

    ◦   否则容易烧干且肉不烂。

    ◦   期间可偶尔开盖查看。

    ◦   用勺子轻轻推动一下。

    ◦   防止粘锅底的情况发生。

    ◦   但尽量不要频繁翻动。

    ◦   以免影响肉块的完整。

六、 收汁与装盘：成就最终美味

•   大火收汁。

    ◦   炖煮一小时后。

    ◦   用筷子戳一下瘦肉部分。

    ◦   若能轻松戳透即表示已软烂。

    ◦   此时根据汤汁咸度加盐。

    ◦   开大火，将汤汁收浓。

    ◦   用锅铲不停搅动。

    ◦   防止糊底，并让汤汁变稠。

    ◦   均匀包裹在每一块肉上。

•   收汁技巧。

    ◦   收到汤汁浓稠如蜜。

    ◦   油亮红润的汤汁紧裹肉块。

    ◦   锅中泛起密集的大泡。

    ◦   即可准备关火出锅。

    ◦   收汁程度依个人喜好。

    ◦   喜欢拌饭可多留些汤汁。

    ◦   整个过程需密切留意。

    ◦   最后阶段变化非常迅速。

•   最终成品。

    ◦   将红烧肉盛入预热好的盘中。

    ◦   可烫几棵小油菜围边。

    ◦   既点缀色彩，又解油腻。

    ◦   撒上少许葱花或香菜末。

    ◦   一道色香味俱全的红烧肉完成。

    ◦   肉质软糯，肥而不腻。

    ◦   咸中带甜，回味无穷。

    ◦   配上一碗白米饭是绝配。

七、 要点总结与升华

•   成功关键。

    ◦   选材是基础，务必新鲜。

    ◦   焯水步骤不可省略。

    ◦   炒糖色是技术核心。

    ◦   火候控制是成败关键。

    ◦   耐心慢炖是美味保证。

•   变化与创新。

    ◦   可加入土豆、鹌鹑蛋同烧。

    ◦   吸收肉汤，滋味更丰富。

    ◦   也可尝试用啤酒代替水。

    ◦   别有一番风味层次。

    ◦   但万变不离其宗。

    ◦   核心技法仍需掌握。

烹饪是一门需要实践的艺术，红烧肉更是如此。希望这份详尽的食谱能成为您厨房路上的得力助手，愿您能享受从准备到品尝的整个过程，与家人朋友分享这份由时间与匠心凝聚而成的温暖美味。每一次尝试都是一次经验的积累，祝您烹饪愉快，早日成就属于自己的招牌红烧肉！。
'''
# Chunk the text. The prob_threshold should be between (0, 1). The lower it is, the more chunks will be generated.
# Therefore adjust it to your need, when prob_threshold is small like 0.000001, each token is one chunk,
# when it is set to 1, the whole text will be one chunk, and will be forced to choose a best possible position to chunk when it is about to exceed the max_tokens_per_chunk and no token satisfy the prob_threshold.
chunks, token_pos = chunk_text_with_max_chunk_size(model, doc, tokenizer, prob_threshold=0.5, max_tokens_per_chunk = 100)

# print chunks
for i, (c, t) in enumerate(zip(chunks, token_pos)):
    print(f"-----chunk: {i}----token_idx: {t}--------")
    print(c)

Citation

@article{bert-chunker,
  title={bert-chunker: Efficient and Trained Chunking for Unstructured Documents}, 
  author={Yannan Luo},
  year={2024},
  url={https://github.com/jackfsuia/bert-chunker}
}

Base model is from bge-small-zh-v1.5.