Tokenization不存在了？Meta最新研究，无需Tokenizer的架构来了

文章预览

转载自 | 机器之心 编辑 | 小舟、陈陈 BLT 在许多基准测试中超越了基于 token 的架构。 最近几天，来自 Meta 、芝加哥大学等机构的合著论文《 Byte Latent Transformer: Patches Scale Better Than Tokens 》火了，在 Hacker News 上受到广泛讨论。 有人表示，非常期待这项研究取得成功，这样就可以和 tokenizer 拜拜了！ 还有人担心的表示，「现在 tokenization 是大多数模型的基础，这项研究被采用的可能性究竟有多大？」 总结而言，该研究提出了一种新的 LLM 思想。传统的语言模型依赖于 tokenizer 来预处理数据，但 tokenization 有其固有的局限性，包括固定的词汇表、处理多语言或噪声数据的效率低下，以及由压缩启发式方法引入的偏见。 该研究提出字节潜在 Transformer（Byte Latent Transformer，简称 BLT）挑战了这种常规做法。BLT 通过直接建模原始字节流，将它们根据熵动态分组 ………………………………