T-FREE: Modelli Linguistici Generativi Senza Tokenizer tramite Rappresentazioni Sparse per Embedding Efficienti in Memoria

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

June 27, 2024

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

cs.AI

Abstract

I tokenizer sono cruciali per codificare le informazioni nei Large Language Model, ma il loro sviluppo ha recentemente subito una stagnazione e presentano debolezze intrinseche. Le principali limitazioni includono l'overhead computazionale, l'uso inefficace del vocabolario e gli strati di embedding e di testa eccessivamente grandi. Inoltre, le loro prestazioni sono influenzate da un corpus di riferimento, portando a una ridotta efficacia per le lingue sottorappresentate. Per rimediare a questi problemi, proponiamo T-FREE, che incorpora direttamente le parole attraverso pattern di attivazione sparsi su triplette di caratteri e non richiede un corpus di riferimento. T-FREE sfrutta intrinsecamente le similarità morfologiche e consente una forte compressione degli strati di embedding. Nella nostra valutazione sperimentale esaustiva, otteniamo prestazioni competitive nelle attività downstream con una riduzione dei parametri superiore all'85% su questi strati. Inoltre, T-FREE mostra miglioramenti significativi nell'apprendimento trasferito cross-linguale.

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.