Tokenização Insuficiente: A Maldição da Tokenização

Tokenization Falling Short: The Curse of Tokenization

June 17, 2024

Autores: Yekun Chai, Yewei Fang, Qiwei Peng, Xuhong Li

cs.AI

Resumo

Modelos de linguagem normalmente tokenizam texto bruto em sequências de identificadores de subpalavras a partir de um vocabulário pré-definido, um processo inerentemente sensível a erros tipográficos, variações de comprimento e amplamente alheio à estrutura interna dos tokens — problemas que denominamos de maldição da tokenização. Neste estudo, exploramos essas desvantagens e demonstramos que modelos de linguagem de grande escala (LLMs) permanecem suscetíveis a esses problemas. Este estudo investiga sistematicamente esses desafios e seu impacto nos LLMs por meio de três questões de pesquisa críticas: (1) resolução de problemas complexos, (2) sondagem da estrutura dos tokens e (3) resiliência a variações tipográficas. Nossas descobertas revelam que a escalonamento de parâmetros do modelo pode mitigar o problema da tokenização; no entanto, os LLMs ainda sofrem com vieses induzidos por erros de digitação e outras variações de formato de texto. Nossos experimentos mostram que a regularização de subpalavras, como o BPE-dropout, pode mitigar esse problema. Disponibilizaremos nosso código e dados para facilitar pesquisas futuras.

English

Language models typically tokenize raw text into sequences of subword identifiers from a predefined vocabulary, a process inherently sensitive to typographical errors, length variations, and largely oblivious to the internal structure of tokens-issues we term the curse of tokenization. In this study, we delve into these drawbacks and demonstrate that large language models (LLMs) remain susceptible to these problems. This study systematically investigates these challenges and their impact on LLMs through three critical research questions: (1) complex problem solving, (2) token structure probing, and (3) resilience to typographical variation. Our findings reveal that scaling model parameters can mitigate the issue of tokenization; however, LLMs still suffer from biases induced by typos and other text format variations. Our experiments show that subword regularization such as BPE-dropout can mitigate this issue. We will release our code and data to facilitate further research.