T-FREE: Tokenizer-Vrije Generatieve LLM's via Sparse Representaties voor Geheugenefficiënte Embeddings

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

Samenvatting

Tokenizers zijn cruciaal voor het coderen van informatie in Large Language Models, maar hun ontwikkeling is recentelijk gestagneerd en ze bevatten inherente zwaktes. Belangrijke beperkingen zijn onder meer computationele overhead, inefficiënt gebruik van vocabulaire en onnodig grote embedding- en head-lagen. Daarnaast is hun prestaties bevooroordeeld ten opzichte van een referentiecorpus, wat leidt tot verminderde effectiviteit voor ondervertegenwoordigde talen. Om deze problemen te verhelpen, stellen we T-FREE voor, dat woorden direct embedt via sparse activatiepatronen over karaktertriplets en geen referentiecorpus vereist. T-FREE benut inherent morfologische overeenkomsten en maakt een sterke compressie van embedding-lagen mogelijk. In onze uitgebreide experimentele evaluatie behalen we competitieve downstreamprestaties met een parameterreductie van meer dan 85% op deze lagen. Bovendien toont T-FREE significante verbeteringen in cross-linguale transfer learning.

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.