Universal Byte-Level Encoding

新的通用字节级编码提升了多语言文本的 LLM 效率

研究人员开发了一种通用字节级编码 (UBE)，以提高多语言大型语言模型的效率。UBE 解决了某些脚本在标准字节对编码 (BBPE) 分词器中产生更高 token 成本的问题，从而导致费用增加和上下文窗口减小。通过将特定脚本的字符通过 UTF-16 进行路由，UBE 在不负面影响英语文本效率的情况下，降低了高溢价脚本的分词成本。该方法保持了精确解码，并已被验证可以往返所有 Unicode 标量值并通过各种 Unicode 测试套件。