T-FREE : Modèles de langage génératifs sans tokenizer via des représentations éparses pour des embeddings économes en mémoire

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

June 27, 2024

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

cs.AI

Résumé

Les tokenizers sont essentiels pour encoder l'information dans les modèles de langage à grande échelle, mais leur développement a récemment stagné et ils présentent des faiblesses inhérentes. Les principales limitations incluent la surcharge computationnelle, l'utilisation inefficace du vocabulaire, ainsi que des couches d'embedding et de tête inutilement volumineuses. De plus, leur performance est biaisée en faveur d'un corpus de référence, ce qui réduit leur efficacité pour les langues sous-représentées. Pour remédier à ces problèmes, nous proposons T-FREE, qui intègre directement les mots via des motifs d'activation clairsemés sur des triplets de caractères, sans nécessiter de corpus de référence. T-FREE exploite intrinsèquement les similarités morphologiques et permet une forte compression des couches d'embedding. Dans notre évaluation expérimentale exhaustive, nous obtenons des performances compétitives en aval avec une réduction de plus de 85 % des paramètres sur ces couches. Par ailleurs, T-FREE montre des améliorations significatives dans l'apprentissage par transfert multilingue.

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.