傳播學 | Token（詞元）

（1）概念

詞元是人工智能大模型為了高效處理數(shù)據(jù)，把數(shù)據(jù)進行拆分后的“最小信息載體”，可以理解為“字/詞片段/符號”等。Token是AI理解文本的最小單位，就像人類閱讀時自動拆分的“信息顆粒”，AI不是按字而是按oken處理文本。比如“我愛中國！”，可拆分成“我”“愛”“中國”“！”4個詞元。

人工智能時代，信息傳輸?shù)暮诵亩攘烤褪莟oken（詞元），無論是文本、圖像、視頻還是激光雷達的點云數(shù)據(jù)，都能通過 Token 化處理轉化為離散化的符號或向量表示。

（2）Token 計算的核心原理

①分詞模型與編碼映射

不同的LLM（如GPT系列、Claude、Llama）會采用各自獨特的分詞模型，這就會導致針對同一文本，不同的模型可能會產生不同數(shù)量的Token。詞匯表將Token 映射到唯一的數(shù)值表示。由于LLM使用數(shù)字輸入，所以詞匯表中的每個Token都被賦予一個唯一標識符或索引。這種映射允許LLM將文本數(shù)據(jù)作為數(shù)字序列進行處理和操作，從而實現(xiàn)高效的計算和建模。

②主流分詞模型與編碼規(guī)則

在Token計算中，分詞模型的選擇至關重要。不同的模型采用不同的分詞算法，無論是基于字節(jié)對的分詞算法（Byte Pair Encoding，BPE）還是基于單詞的分詞算法，都會影響如何對文本進行拆分。

③計算流程拆解（以GPT-4為例）

當使用GPT-4進行Token計算時，整個流程可以拆解為幾個關鍵步驟：首先，預處理輸入文本；然后，運用分詞模型進行拆分；最后，通過編碼映射將分詞后的語義單元轉換為模型可識別的整數(shù)ID。

（3）Token的作用

①解決詞匯表爆炸問題

如果每個詞都單獨處理，模型需要記住數(shù)百萬個詞。通過將詞拆分成更小的Token，只需要幾千個Token就能組合出幾乎所有的詞。

②處理未知詞匯

當模型遇到沒見過的詞時，如果是基于Token的，它可以用已知的Token來“拼湊"理解。比如遇到"深度學習"，即使沒學過這個詞也知道“深度”和“學習”這兩個Token。

③統(tǒng)一多語言處理

不同語言的詞匯結構差異很大，但通過Token化，可以建立統(tǒng)一的方式來處理各種語言。

（4）Token設計的局限性

①大小寫區(qū)分

不同大小寫的單詞被視為不同的標記。“hello”是Token (31373),“Helo°是(15496)，而“HELLO”有三個Token(13909,3069,46)。這意味著模型在處理文本時，對于大小寫不同的相同單詞，會當作不同的單元來處理，可能會增加模型的學習負擔和計算量。

②數(shù)字分塊不一致

數(shù)值“380°在GPT中標記為單個“380” Token。但是“381”表示為兩個Token("38”,“1")。“382”同樣是兩個Token,但"383"是單個Token ("383")。這種數(shù)字分塊的不一致性或許就是為什么基于GPT的模型并不總是擅長數(shù)學計算的原因之一，因為模型難以對數(shù)字形成統(tǒng)一、準確的理解和處理方式。

③尾隨的空格

有些Token有空格，這將導致提示詞和單詞補全的有趣行為。例如，帶有尾部空格的“once upona”被編碼為"once"、"upon"、"a"、"")。然而,"once ona time"被編碼為("once", "upon","a","time")。這說明文本中的空格在Token化過程中也會產生影響，模型對于帶有空格和不帶有空格的相同文本片段，會生成不同的Token序列，進而可能影響模型的輸出結果。

（5）Token化：Token的應用

將文本劃分為不同token的正式過程稱為tokenization（Token化）。tokenization捕獲文本的含義和語法結構，從而需要將文本分割成重要的組成部分。

tokenization是將輸入和輸出文本分割成更小的單元，由LLMAl模型處理的過程。tokenization可以幫助模型處理不同的語言、詞匯表和格式，并降低計算和內存成本，還可以通過影響token的意義和語境來影響所生成文本的質量和多樣性。根據(jù)文本的復雜性和可變性，可以使用不同的方法進行tokenization，比如基于規(guī)則的方法、統(tǒng)計方法或神經方法。

新聞傳播學專業(yè)公眾號

微信號 : media-power

▇ 新傳考研智庫 洞察社會脈動