arXiv · cs.CL· Clara Meister·· 19 天前AI 评分51
arXiv 论文揭示多语言模型中 tokenizer 选择对不同语言的影响差异
Language-Specific Effects of Tokenizer Choice in Multilingual Language Models
来源与原文
arXiv · cs.CL
作者：Clara Meister
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.12144v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
Clara Meister 在 arXiv:2610.12144 发表论文，训练 123 个模型、跨 54 种 tokenizer，在架构与训练预算固定下比较 tokenizer 选择的影响。结果显示训练数据较少的语言受 tokenizer 影响更大，语言被排除出 tokenizer 训练会全面推高其 BPB，但给低资源语言更多 tokenizer 数据并不必然有益，且衡量 tokenizer 内在性质的指标可预测下游 BPB 排名。
来源：arXiv · cs.CL · arxiv.org