Unigram
PulseAugur coverage of Unigram — every cluster mentioning Unigram across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
llama.cpp 为 Unigram 分词器添加 Unicode 规范化
llama.cpp 项目发布了 b11612 版本，为其 Unigram 分词器增加了可选的 NFC 规范化功能。此次更新还处理了初始的机器人评论和 linter 错误，并移除了对 NFC 分词器的测试。
-
新的Latent Core Tokenizer优先考虑语言结构而非压缩
研究人员推出了一种新的、与语言无关的标记器创建方法——Latent Core Tokenizer (LCT)，该方法优先考虑有意义的语言单元发现而非简单的压缩。与传统的字节对编码 (BPE) 和 Unigram 等方法不同，LCT 在词汇表构建之前采用最小描述长度和形态句法约束来识别可重用单元。在对 104 种语言的评估中，LCT 在生育率和 MorphScore 方面优于现有方法，同时在跨语言差异方面也表现相当。此外，LCT 在多语…
-
研究发现AI水印在取证测试中失败
一项评估AI水印方法的最新研究发现，当前技术在取证准备方面不够稳健，尤其是在内容被释义后。研究人员根据法律可采性标准和数字取证流程，测试了三种代表性方法（KGW、Unigram和SynthID-Text）。研究结果表明，所有测试方法在释义后都未能可靠地检测出AI生成的内容，其中一些方法还表现出高误报率，并将人类书写的文本错误分类。
-
minbpe vs turboBPE: 更快的 LLM BPE 分词
对字节对编码（BPE）分词算法的两种不同实现进行了比较：minbpe，一个纯 Python 的教学工具；以及 turboBPE，一个显著更快的基于 C 扩展的实现。虽然 minbpe 非常适合理解核心 BPE 概念，但由于其迭代统计扫描方法，其性能对于大规模训练来说不切实际。turboBPE 通过引入批量合并和编译代码来解决这个问题，在保持与 minbpe 兼容的 API 的同时，大大缩短了训练和编码时间。
-
新大语言模型水印技术面临逃避和鲁棒性挑战
研究人员开发了几种新方法来解决大语言模型（LLM）水印技术的漏洞。一种方法SeedHijack针对伪随机数生成器（PRNG），在不知道密钥或模型logits的情况下操纵水印；另一种方法Bias-Inversion Rewriting Attack（BIRA）则使用负logits偏差来逃避检测。PASA和SAFESEAL等新的水印算法旨在抵抗语义不变攻击并实现最小失真，其中SAFESEAL保留命名实体并使用上下文感知的同义词。ArcMa…
-
新的ConvexTok算法使用凸优化来优化NLP分词
研究人员开发了一种新的分词算法，称为ConvexTok，它使用凸优化来构建分词器。与现有的贪婪方法（如BPE和Unigram）不同，ConvexTok考虑整个词汇表以做出最优决策。该算法在分词指标、语言模型的每字节比特数方面表现出改进，并提供了最优性的认证，在常见的词汇量大小下，其结果接近最优值的1%。