计算机科学 > 计算与语言
[提交于 2025年10月9日
]
标题: 无损词汇缩减用于自回归语言模型
标题: Lossless Vocabulary Reduction for Auto-Regressive Language Models
摘要: 分词——将给定文本分解为称为标记的子词序列的过程——是语言模型开发中的关键组件之一。 特别是,自回归语言模型逐个标记生成文本,即通过预测给定前面标记的下一个标记分布来生成,因此分词直接影响它们在文本生成中的效率。 由于每个语言模型都有自己的词汇表作为可能标记的集合,它们在下一个标记分布层面(如模型集成)难以相互协作。 在本文中,我们建立了一个无损词汇缩减的理论框架,该框架可以高效地将给定的自回归语言模型转换为具有任意小词汇表的模型,而不会损失任何准确性。 作为应用,我们证明了具有不同分词方式的语言模型可以通过它们的最大公共词汇表高效地相互协作。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.