PulseAugur
实时 15:40:04
实体 The Tokenizer Tax: Quantifying and Explaining the Cross-Lingual Cost of Subword Tokenization for Indian Languages

The Tokenizer Tax: Quantifying and Explaining the Cross-Lingual Cost of Subword Tokenization for Indian Languages

PulseAugur coverage of The Tokenizer Tax: Quantifying and Explaining the Cross-Lingual Cost of Subword Tokenization for Indian Languages — every cluster mentioning The Tokenizer Tax: Quantifying and Explaining the Cross-Lingual Cost of Subword Tokenization for Indian Languages across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
1
90 天内 1
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 1
层级分布 · 90 天
主题
情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 1 条
  1. RESEARCH · CL_167424 ·

    由于以英语为中心的训练,印度语言在大型语言模型中面临 8 倍的“分词器税”

    一篇新的研究论文强调了印度语言在通过大型语言模型处理时面临的重大劣势,这是由于子词分词造成的。这些主要在英语数据上训练的分词器,导致印度语言平均面临 8.0 倍的“分词器税”,极大地缩减了其有效上下文窗口。研究确定字节对合并失败是主要原因,但也表明多语言分词器可以显著降低这种税负,表明该问题可以通过更好的分词器设计来解决。