单位 | 科学空间

研究方向 | NLP、神经网络

对于 LLM 来说，通过增大 Tokenizer 的词表来提高压缩率，从而缩短序列长度、降低解码成本，是大家都喜闻乐见的事情。毕竟增大词表只需要增大 Embedding 层和输出的 Dense 层，这部分增加的计算量几乎不可感知，但缩短序列长度之后带来的解码速度提升却是实打实的。

当然，增加词表大小也可能会对模型效果带来一些负面影响，所以也不能无节制地增加词表大小。本文就来分析增大词表后语言模型在续写任务上会出现的一个问题，并提出参考的解决方案。

增加词表大小的好处是显而易见的。一方面，由于 LLM 是自回归的，它的解码会越来越慢，而“增大词表 → 提高压缩率 → 缩短序列长度”，换言之相同文本对应的 tokens 数变少了，也就是解码步数变少了，从而解码速度提升了；另一方面，语言模型的训练方式是 Teacher Forcing ，缩短序列长度能够缓解 Teacher Forcing 带来的 Exposure Bias 问题，从而可能提升模型效果。

不过增大词表的缺点也很明显，最直接的就是会割裂 token 与 token 之间在字符层面之间的联系，从而可能会影响泛化，甚至会损失做某些任务的能力。比如“太阳能”和“太阳”都是词表中的一个词的话，模型是不知道“太阳能”是由“太阳”和“能”组成，也不知道“太阳”是“太”和“阳”，这样如果要做一些子词相关的任务就会比较艰难，比如最经典的问“‘太阳能’反过来怎么读？”，期望回答时“能阳太”，但由于模型不知道它是“太”、“阳”、“能”三个字组成，从而很难回答正确。

近日 @Armen Aghajanyan 分享了另一个问题。他们在训练代码模型时使用了超大词表，结果就是常见的命令如 “import numpy as np” 都变成了一个 token，然后发现当用户输入 “import numpy” 时，模型无法续写出 “as np”。原因很简单，“import numpy as np” 被当作了一个 token，于是当 “import numpy” 单独出现时，模型会发现它后面永远不会接 “as np”（接 “as np” 的都被合并成单独的 “import numpy as np” 了），自然也无法完成续写。

这个现象确实很经典，其实不单是代码模型，常见的自然语言模型也会出现。比如当“太阳能”和“太阳”都成为了一个独立的 token 时，用户输入“太阳”后，接下来续写的字就基本不会是“能”了，这可能不符合用户的分布期望；又比如“白云”、“白云山”、“白云机场”都是一个独立的 token 时，用户输入“广州的白云”后，接下来也几乎不会续写出“广州的白云机场”、“广州的白云山”，等等。

然而，笔者认为 Armen Aghajanyan 所提的现象，并不能构成增大词表的缺点，反而稍微处理一下之后，它还有可能成为增大词表的优点。其实这个问题很简单，以前没有 LLM 的时候，基于“词表+前缀搜索”我们也能做一定的补全任务，现在有了 LLM，难道我们就一定要囿于 LLM，不能将基于 LLM 的续写和基于词表的续写结合起来吗？

还是刚才的例子，假设用户输入了“广州的白云”，Tokenizer 将它分为“广州/的/白云”，现在如果将这三个词直接转为 id 输入到模型中，就会无法续写出“广州/的/白云机场”等结果。

这本质上是因为 Tokenizer 无法提前预估未来的文本，从而导致分词结果出错（当然，也可以考虑在训练阶段就使用带有随机性的 tokenize 算法，这种情况下“白云机场”可能作为一个词出现，也可能作为“白云/机场”出现，此时分词结果不至于严重影响后续效果，甚至能增强泛化能力，参考《Subword Regularization: Improving Neural Network Translation Models with Multiple Subword Candidates》）。

那么，我们是否可以预估一下未来的文本呢？假设分词为“广州/的/白云”后，我们回退一步，拿“白云”去词表做前缀搜索，不妨再假设搜索结果为“白云”、“白云机场”、“白云山”、“白云路”四个词，这步搜索是纯粹基于词表做的，相比 LLM 的计算量可以忽略不计。有了搜索结果后，我们用 LLM 计算：

由于输入都是相同的，所以计算这四个条件概率只需要运行一次 LLM。有了这四个条件概率后，我们将它们重新归一化然后进行采样。假如采样结果是“白云”，那么我们就按照“广州/的/白云”来做续写；如果采样到“白云机场”，那么就可以输出“机场”，并按照“广州/的/白云机场”来做续写；依此类推。

这就轻松解决了 Armen Aghajanyan 所提到的问题，并且将缺点转化为优点了（压缩率高时，即便回退了一步，但是前缀搜索出来的词可能很长，可以一次性生成更多的字）。特别地，回退操作只需要在采样第一步进行，它只是为了避免输入不完整导致的分词错误，从第二步开始就不需要回退操作了，因此新增的计算量是非常少的。

值得一提的是，微软有一个名为 “guidance” 的库，也提出了同样的技巧（参考这里）。此外，考虑更一般的场景，有时候回退一步也不够，比如 “import numpy as np” 的例子，单输入 “import numpy” 时，可能被分为 “import/ numpy” 了，这时候起码要回退两步才能完整合理的序列。但这没有本质的区别，只是细节上稍微复杂一些，这里就不展开了，读者部署推理模型的时候自行构造就好。

本文介绍了超大词表的 LLM 在做文本续写任务时可能出现的一个问题，并分享了参考的解决方案。

[1] https://arxiv.org/abs/1804.10959

[2] https://github.com/guidance-ai/guidance#token-healing-notebook

让你的文字被更多人看到

如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？ 答案就是：你不认识的人。

总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。

PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是 最新论文解读 ，也可以是 学术热点剖析 、 科研心得 或 竞赛经验讲解 等。我们的目的只有一个，让知识真正流动起来。

📝 稿件基本要求：

• 文章确系个人 原创作品 ，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注

• 稿件建议以 markdown 格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题

• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供 业内具有竞争力稿酬 ，具体依据文章阅读量和文章质量阶梯制结算

📬 投稿通道：

• 投稿邮箱：hr@paperweekly.site

• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者

• 您也可以直接添加小编微信（ pwbot02 ）快速投稿，备注：姓名-投稿

△长按添加PaperWeekly小编

现在，在 「知乎」 也能找到我们了

进入知乎首页搜索 「PaperWeekly」

点击 「关注」 订阅我们的专栏吧

©PaperWeekly 原创 · 作者 |苏剑林单位 |科学空间研究方向 |NLP、神经网络对于 LLM 来说，通过增大 Tokenizer 的词表来提高压缩率，从而缩短序列长度、降低解码成本，是大家都喜闻乐见的事情。毕竟增大词表只需要增大 Embedding 层和输出的 Dense 层，这部分增加的计算量几乎不可感知，但缩短序列长度之后带来的解码速度提升却是实打实的。当然，增加词表大小也... Repo for LaWGPT, Chinese-Llama tuned with Chinese Legal knowledge. LaWGPT 是一系列基于中文法律知识的开源大 语言模型 。 该系列模型在通用中文基座模型（如 Chinese-LLaMA、ChatGLM 等）的基础上扩充法律领域专有 词表 、**大规模中文法律语料预训练**，增强了大模型在法律领域的基础语义理解能力。在此基础上，**构造法律领域对话问答数据集、中国司法考试数据集进行指令精调**，提升了模型对法律内容的理解和执行能力。 在端到端 任务 （如机器翻译、对话、摘要抽取等）中存在一个有待解决但没有引起研究者足够重视的 问题 ：目标 词表 过大 问题 。这个 问题 不仅影响 training 和 decoding 的速度，也会影响生成句子的质量（引入不必要的噪声）。下面介绍两篇解决这个 问题 的论文，第一篇着眼于对话 任务 ，第二篇着眼于机器翻译 任务 。 Neural Response Generation with Dynamic Vocab... 语言模型 可以对一段文本的概率进行估计，对信息检索，机器翻译，语音识别等 任务 有着重要的作用。 语言模型 分为统计 语言模型 和神经网络 语言模型 。下面一次介绍着两类 语言模型 。 统计 语言模型 要判断一段文字是不是一句自然语言，可以通过确定这段文字的概率分布来表示其存在的可能性。 语言模型 中的词是有顺序的，给定m个词看这句话是不是一句合理的自然语言，关键是看这些词的排列顺序是不是正确的。所以统计语... 像ChatGPT这样的 语言模型 是使用大量文本数据进行训练的，而不是单纯地阅读一些书籍。下面是训练 语言模型 所需的主要步骤： 1. 数据收集：需要收集足够的文本数据，例如从网站、书籍、新闻、社交媒体等来源，以便覆盖尽可能广泛的话题和语言。 2. 数据预处理：将数据进行处理和清洗，以便 语言模型 能够正确地理解它们。这可能包括删除无用的标点符号和停用词、分词、建立 词表 等等。 3. 训练模型：使用深度学习技术，例如递归神经网络（RNN）、长短时记忆网络（LSTM）或变压器网络（Transformer），来构建和训练 语言模型 。 4. 调优和评估：对训练出的模型进行调优和评估，以使其能够更准确地预测文本中的下一个词或句子。 总之，训练一个像ChatGPT这样的 语言模型 需要大量的文本数据，并使用现代深度学习技术进行模型构建和训练。不需要特定的书籍或知识，而是需要具备广泛的文本数据和深度学习技术的实践经验。