关于大模型分词（tokenization），大神Karpathy刚刚推荐了一篇必读新论文。
主题是：自动检测大模型中那些会导致“故障”的token。
图片
简单来说，由于大模型tokenizer的创建和模型训练是分开的，可能导致某些token在训练中很少、甚至完全没出现过。这些“训练不足”（under-trained）的token会导致模型产生异常输出。
最经典的例子，就是SolidGoldMagikarp——
这个单词一度让ChatGPT“胡言乱语”。只要prompt里包含这个词，ChatGPT就开始文不对题，生成一些混乱的输出：
图片
现在，来自Cohere的研究人员针对这个问题，提出检测“故障”token的有效方法，他们还发现：在多个主流开源大语言模型上，包括Llama系列、Mistral系列在内，训练不足的token都在不同程度上普遍存在。
p.s. Cohere是Transformer最年轻作者Aidan Gomez创办的公司，此前推出了Command R系列开源大模型。去年6月，该公司估值达到了22亿美元。
自动检测LLM中训练不足的token
研究人员提出的方法主要包括三个步骤。
首先，通过检查tokenizer词汇表并观察其编码/解码行为，来分析tokenizer，找出其中特殊类别的token，比如不完整的UTF-8序列等。
然后，根据模型架构计算识别指标，找出嵌入向量异常的token，列入“训练不足”候选名单。
举个例子，对于tied embedding模型，利用一组已知的未使用的embedding，通过主成分分析去除unembedding矩阵中的常数成分。
接着计算其余token和这些未使用embedding的余弦距离，作为“训练不足”指标。
而对于non-tied embedding的模型，可以直接采用embedding向量的L2范数来检测。
图片
最后，通过特定prompt来进行验证，看看候选token们是否确实超出了训练数据的分布，会引发异常输出。
将该方法应用于多个主流的开源大语言模型后，研究人员发现，训练不足能让大模型“发疯”的token在这些大模型上普遍存在，他们一口气就挖出了数千个。
图片
常见类型包括：
- 单字节token，尤其是UTF-8标准中未使用的字节，如0xF5-0xFF；
- 字节对编码（Byte-Pair Encoding，BPE）过程中，出现的一些未充分训练的中间token。
- 一些特殊字符，如<pad>、<unk>等。
图片
研究人员还发现，词汇表较大的模型，“训练不足”token的数量也会明显增多。
因为大词汇表意味着更稀疏的token分布和更细粒度的token切分，这必然会导致更多低频token和无意义的token残片，增加“训练不足”token的比例。同时，大词汇表也给模型训练带来了更大的优化难度。
值得注意的是，论文提到，基于相同tokenizer的模型表现相似，而不同的tokenizer实现、配置、训练数据，会导致不同模型间“训练不足”token的明显差异。
论文认为，优化词汇表结构和tokenizer算法，是解决token训练不足问题的关键。
他们也提出了一些建议：
- 确保tokenizer训练数据、模型训练数据和模型推理中输入数据的预处理完全相同。
- 确保模型训练数据和tokenizer对齐，尤其是在从头训练新的基础模型时。
- 对于单字节token，要么词汇表包含所有256个字符且不允许重复，要么排除13个UTF-8中不出现的字符（0xC0/0xC1，0xF5-0xFF）。
- 训练tokenizer后，通过对词汇表进行编码和解码来检查无法访问的token，以确保正确处理手动添加的token。
- 在Hugging Face上发表tokenizer的“快速”和“慢速”版本时，确保它们输出相同。
- 训练基础模型时，在小型测试中检查训练不足的token，重新考虑分词方法和数据。在不同语料库上运行测试，也可以发现导致主训练数据中“故障”输入的预处理错误。
论文地址：https://arxiv.org/abs/2405.05417
