arXiv · cs.CL· Yuval Reif·· 23 天前精选AI 评分52
CoBPE 组合式 tokenization 论文：序列缩短 30%，下游平均提升 1.2 分
More Than Words: Compositional Tokenization for Efficient Language Models
来源与原文
arXiv · cs.CL
作者：Yuval Reif
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/2610.05597v1
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
Yuval Reif 在 arXiv 发布论文（arXiv:2610.05597，COLM 2026），提出组合式 tokenization 方法 CoBPE，将短语表示为词元基础 token 加一组可复用表面修饰符，在嵌入空间组合并在输出端联合预测。在 780M 和 1.3B 规模的从零对照预训练中，CoBPE 在相同训练算力下将序列缩短 30%，下游平均性能较标准 BPE 提升 1.2 分。
推荐理由
论文给出 780M 与 1.3B 两个规模的对照预训练数据，读者可以据此评估组合式 tokenization 在等算力下的实际收益。
来源：arXiv · cs.CL · arxiv.org