T-FREE: Tokenizer-freie generative LLMs über spärliche Repräsentationen für speichereffiziente Einbettungen.

T-FREE: Tokenizer-Free Generative LLMs via Sparse Representations for Memory-Efficient Embeddings

June 27, 2024

Autoren: Björn Deiseroth, Manuel Brack, Patrick Schramowski, Kristian Kersting, Samuel Weinbach

cs.AI

Zusammenfassung

Tokenisierer sind entscheidend für die Codierung von Informationen in großen Sprachmodellen, aber in letzter Zeit ist ihre Entwicklung ins Stocken geraten, und sie weisen inhärente Schwächen auf. Hauptbeschränkungen umfassen den Rechenaufwand, ineffektive Vokabularnutzung und unnötig große Einbettungs- und Kopfschichten. Darüber hinaus ist ihre Leistung auf ein Referenzkorpus ausgerichtet, was zu einer verringerten Effektivität für unterrepräsentierte Sprachen führt. Zur Behebung dieser Probleme schlagen wir T-FREE vor, das Wörter direkt durch spärliche Aktivierungsmuster über Zeichentripel einbettet und kein Referenzkorpus erfordert. T-FREE nutzt morphologische Ähnlichkeiten von Grund auf und ermöglicht eine starke Komprimierung von Einbettungsschichten. In unserer umfassenden experimentellen Bewertung erzielen wir eine wettbewerbsfähige Leistung bei nachgelagerten Aufgaben mit einer Parameterreduzierung von mehr als 85 % auf diesen Schichten. Darüber hinaus zeigt T-FREE signifikante Verbesserungen beim transferlernen über verschiedene Sprachen hinweg.

English

Tokenizers are crucial for encoding information in Large Language Models, but their development has recently stagnated, and they contain inherent weaknesses. Major limitations include computational overhead, ineffective vocabulary use, and unnecessarily large embedding and head layers. Additionally, their performance is biased towards a reference corpus, leading to reduced effectiveness for underrepresented languages. To remedy these issues, we propose T-FREE, which directly embeds words through sparse activation patterns over character triplets, and does not require a reference corpus. T-FREE inherently exploits morphological similarities and allows for strong compression of embedding layers. In our exhaustive experimental evaluation, we achieve competitive downstream performance with a parameter reduction of more than 85% on these layers. Further, T-FREE shows significant improvements in cross-lingual transfer learning.