Kastreva

Tokenization complexity: BPE approximation proven NP-hard

一篇新的研究论文探讨了诸如字节对编码（BPE）之类的分词算法的计算复杂性。该研究证明，除非 P=NP，否则没有高效的算法可以在 $c n / ext{log } n$ 的因子内近似二元字符串上 BPE 的最优合并次数。对于可以跳过出现的合并，一个简单的算法可以达到 $O(n / ext{log log } n)$，而对于一元数据集，这两种分词问题都是强 NP 完全的。