ChatGLM4 采用 tiktoken 替代 sentencepiece 的技术解析
2025-06-04 16:27:50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
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
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~043CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-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。00openHiTLS
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!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
176
261

🎉 (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
860
511

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182

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
259
300

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15

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
332
1.08 K

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371

一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
83
4

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
1.07 K
0

deepin linux kernel
C
22
5