首页
/ ChatGLM4 采用 tiktoken 替代 sentencepiece 的技术解析

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:

  1. 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。
  2. 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。
  3. 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

  1. 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。
  2. 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。
  3. 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

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
149
1.95 K
kernelkernel
deepin linux kernel
C
22
6
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
980
395
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
274
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
931
555
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
190
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
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
75
66
openHiTLS-examplesopenHiTLS-examples
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
CangjieCommunityCangjieCommunity
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