Transformador Latente de Bytes: Los Parches Escalan Mejor que los TokensByte Latent Transformer: Patches Scale Better Than Tokens
Presentamos el Transformador Latente de Bytes (BLT), una nueva arquitectura de Modelo de Lenguaje a nivel de bytes que, por primera vez, iguala el rendimiento de los LLM basados en tokenización a gran escala con mejoras significativas en eficiencia de inferencia y robustez. BLT codifica bytes en parches de tamaño dinámico, que sirven como las unidades principales de cálculo. Los parches se segmentan en base a la entropía del siguiente byte, asignando más capacidad de cálculo y modelo donde la complejidad de los datos aumenta. Presentamos el primer estudio de escalado controlado por FLOP de modelos a nivel de bytes de hasta 8 mil millones de parámetros y 4 billones de bytes de entrenamiento. Nuestros resultados demuestran la viabilidad de escalar modelos entrenados en bytes crudos sin un vocabulario fijo. Tanto la eficiencia de entrenamiento como la de inferencia mejoran debido a la selección dinámica de parches largos cuando los datos son predecibles, junto con mejoras cualitativas en razonamiento y generalización de cola larga. En general, para costos fijos de inferencia, BLT muestra un escalado significativamente mejor que los modelos basados en tokenización, al hacer crecer simultáneamente tanto el tamaño del parche como del modelo.