首页
/ EasyEdit项目中WISE方法Tokenizer填充策略的技术解析

EasyEdit项目中WISE方法Tokenizer填充策略的技术解析

2025-07-03 14:43:15作者:董斯意

在EasyEdit项目的WISE方法实现中,tokenizer的填充策略(padding side)选择是一个需要特别注意的技术细节。本文将从技术实现角度深入分析这一设计选择及其影响。

背景知识

在自然语言处理任务中,tokenizer的填充策略决定了在批处理不同长度序列时,填充符号(PAD token)的添加方向。常见的有两种选择:

  1. 右填充(padding_side='right'):在序列右侧添加填充符号
  2. 左填充(padding_side='left'):在序列左侧添加填充符号

WISE方法中的实现细节

在EasyEdit项目的WISE方法实现中,tokenizer的填充策略选择与模型类型密切相关:

  1. 对于Llama-2-chat这类对话模型,默认采用右填充策略
  2. 对于基础Llama模型,则采用左填充策略

这一差异源于对话模型与基础模型在训练和推理时的不同行为模式。对话模型通常采用右填充以保持生成连贯性,而基础模型使用左填充更有利于某些编辑任务。

技术实现分析

在代码层面,填充策略的选择通过以下逻辑实现:

if 'llama' in model_name.lower():
    # 初始化模型和tokenizer
    if isinstance(tok, (GPT2Tokenizer, LlamaTokenizer)) and alg_name not in ['ROME', 'MEMIT']:
        tok.padding_side = 'left'  # 基础模型使用左填充
    elif 'mistral' in model_name.lower() or 'llama' in model_name.lower() or 'qwen' in model_name.lower():
        tok.padding_side = 'right'  # 对话模型使用右填充

潜在问题与解决方案

在实际使用中发现,当使用Llama-2-chat模型时,AutoTokenizer默认返回的是LlamaTokenizerFast实例,这可能导致填充策略与预期不符。解决方案是显式设置use_fast=False参数:

self.tok = AutoTokenizer.from_pretrained(self.model_name, use_fast=False)

这样可以确保获得标准的LlamaTokenizer实例,使填充策略设置生效。

对模型编辑的影响

填充策略的选择直接影响标签掩码(label masking)的操作:

  1. 右填充时,标签掩码可能意外覆盖目标token
  2. 左填充能确保标签掩码只作用于提示部分,保留目标token完整

这种差异在"only_label"优化目标下尤为关键,因为错误的掩码可能导致模型学习到不正确的编辑目标。

最佳实践建议

基于上述分析,建议在使用WISE方法时:

  1. 明确模型类型(基础模型或对话模型)
  2. 检查tokenizer的实际填充策略
  3. 对于Llama-2-chat模型,考虑禁用fast tokenizer
  4. 在编辑前后验证标签掩码的正确性

通过遵循这些实践,可以确保模型编辑过程的稳定性和预期效果。

登录后查看全文
热门项目推荐
相关项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K
kernelkernel
deepin linux kernel
C
22
6
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
273
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
923
551
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
421
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8