ChatGLM4 采用 tiktoken 替代 sentencepiece 的技术解析
2025-06-04 21:06:00作者:凌朦慧Richard
在 ChatGLM 系列模型的迭代过程中,从 ChatGLM3 到 ChatGLM4 的一个重要技术变更是将分词器从 sentencepiece 替换为 tiktoken。这一调整并非随意为之,而是基于技术层面的深入考量。本文将详细解析这一变更背后的技术逻辑及其优势。
分词器的核心作用
分词器(Tokenizer)是大语言模型预处理文本的关键组件,负责将原始文本转换为模型可处理的 token 序列。分词器的性能直接影响模型的训练效率、推理速度以及处理多语言和特殊字符的能力。
sentencepiece 与 tiktoken 的对比
sentencepiece 的特点
sentencepiece 是一种流行的分词工具,支持多种分词算法,如 BPE(Byte Pair Encoding)和 unigram。它的主要优势在于:
- 语言无关性:无需依赖预分词,可直接从原始文本学习词汇表。
- 灵活性:支持子词(subword)和字符级分词,适合处理形态丰富的语言。
然而,sentencepiece 在某些场景下存在局限性:
- 编码效率较低:对于某些语言或特殊字符,生成的 token 序列可能较长,影响模型的计算效率。
- 对字节级数据的支持不足:在处理二进制数据或混合编码文本时表现不佳。
tiktoken 的技术优势
tiktoken 是 OpenAI 开发的一种基于 BPE 的分词器,其核心改进在于 byte-level BPE 技术。以下是其关键技术优势:
-
更高的编码效率
- byte-level BPE 直接操作字节流,能够更紧凑地表示文本,减少 token 序列的长度。
- 对于多语言混合文本或特殊符号(如 emoji、数学符号),tiktoken 生成的 token 更少,从而提升模型的计算效率。
-
更好的泛化能力
- 由于直接处理字节,tiktoken 能够无缝支持任何 Unicode 字符,包括罕见符号或新引入的 emoji,而无需更新词汇表。
- 这一特性使得模型在处理多样化文本时更加鲁棒。
-
与 OpenAI 生态的兼容性
- tiktoken 是 OpenAI 系列模型(如 GPT-4)的分词器,采用相同技术可以更好地与现有工具链兼容,便于模型对比和迁移。
ChatGLM4 选择 tiktoken 的深层原因
-
性能优化
- ChatGLM4 作为更强大的模型,需要处理更复杂的文本数据。tiktoken 的 byte-level BPE 能够显著减少长文本的 token 数量,从而降低计算开销,提升推理速度。
-
多语言支持
- 随着 ChatGLM 应用场景的扩展,对多语言的支持变得尤为重要。tiktoken 的字节级处理能力使其在混合语言文本中表现更优。
-
未来扩展性
- tiktoken 的设计更适应未来模型规模的扩展,尤其是在处理超长文本或高密度信息时更具优势。
总结
ChatGLM4 从 sentencepiece 转向 tiktoken 是技术迭代的必然选择。tiktoken 的 byte-level BPE 技术提供了更高的编码效率、更强的泛化能力以及更好的多语言支持,这些特性对于提升大规模语言模型的性能至关重要。这一变更不仅优化了 ChatGLM4 的现有能力,也为未来的功能扩展奠定了坚实基础。
登录后查看全文
热门项目推荐
相关项目推荐
- QQwen3-Omni-30B-A3B-InstructQwen3-Omni是多语言全模态模型,原生支持文本、图像、音视频输入,并实时生成语音。00
- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0269get_jobs
💼【AI找工作助手】全平台自动投简历脚本:(boss、前程无忧、猎聘、拉勾、智联招聘)Java00AudioFly
AudioFly是一款基于LDM架构的文本转音频生成模型。它能生成采样率为44.1 kHz的高保真音频,且与文本提示高度一致,适用于音效、音乐及多事件音频合成等任务。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile08
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
1 freeCodeCamp课程视频测验中的Tab键导航问题解析2 freeCodeCamp音乐播放器项目中的函数调用问题解析3 freeCodeCamp论坛排行榜项目中的错误日志规范要求4 freeCodeCamp JavaScript高阶函数中的对象引用陷阱解析5 freeCodeCamp全栈开发课程中React组件导出方式的衔接问题分析6 freeCodeCamp英语课程视频测验选项与提示不匹配问题分析7 freeCodeCamp课程页面空白问题的技术分析与解决方案8 freeCodeCamp博客页面工作坊中的断言方法优化建议9 freeCodeCamp 课程中关于角色与职责描述的语法优化建议 10 freeCodeCamp全栈开发课程中测验游戏项目的参数顺序问题解析
最新内容推荐
PCDViewer-4.9.0-Ubuntu20.04:专业点云可视化与编辑工具全面解析 JDK 8u381 Windows x64 安装包:企业级Java开发环境的完美选择 QT连接阿里云MySQL数据库完整指南:从环境配置到问题解决 SAP S4HANA物料管理资源全面解析:从入门到精通的完整指南 VSdebugChkMatch.exe:专业PDB签名匹配工具全面解析与使用指南 OpenSSL 3.3.0资源下载指南:新一代加密库的全面解析与部署教程 基恩士LJ-X8000A开发版SDK样本程序全面指南 - 工业激光轮廓仪开发利器 ZLIB 1.3 静态库 Windows x64 版本:高效数据压缩解决方案完全指南 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 全球36个生物多样性热点地区KML矢量图资源详解与应用指南
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
149
1.95 K

deepin linux kernel
C
22
6

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
980
395

React Native鸿蒙化仓库
C++
192
274

🎉 (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
931
555

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
190

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

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
75
66

本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
65
518

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.11 K
0