BPE Gets Picky: Efficient Vocabulary Refinement During Tokenizer Training
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Chizhov, Pavel, Arnett, Catherine, Korotkova, Elizaveta, Yamshchikov, Ivan P. |
|---|---|
| Format: | Preprint |
| Publié: |
2024
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
From Where Words Come: Efficient Regularization of Code Tokenizers Through Source Attribution
par: Chizhov, Pavel, et autres
Publié: (2026)
par: Chizhov, Pavel, et autres
Publié: (2026)
Teaching Old Tokenizers New Words: Efficient Tokenizer Adaptation for Pre-trained Models
par: Purason, Taido, et autres
Publié: (2025)
par: Purason, Taido, et autres
Publié: (2025)
Surface Fairness, Deep Bias: A Comparative Study of Bias in Language Models
par: Sorokovikova, Aleksandra, et autres
Publié: (2025)
par: Sorokovikova, Aleksandra, et autres
Publié: (2025)
BPE Stays on SCRIPT: Structured Encoding for Robust Multilingual Pretokenization
par: Land, Sander, et autres
Publié: (2025)
par: Land, Sander, et autres
Publié: (2025)
Toxicity of the Commons: Curating Open-Source Pre-Training Data
par: Arnett, Catherine, et autres
Publié: (2024)
par: Arnett, Catherine, et autres
Publié: (2024)
What the HellaSwag? On the Validity of Common-Sense Reasoning Benchmarks
par: Chizhov, Pavel, et autres
Publié: (2025)
par: Chizhov, Pavel, et autres
Publié: (2025)
Common Corpus: The Largest Collection of Ethical Data for LLM Pre-Training
par: Langlais, Pierre-Carl, et autres
Publié: (2025)
par: Langlais, Pierre-Carl, et autres
Publié: (2025)
Vocabulary Transfer for Biomedical Texts: Add Tokens if You Can Not Add Data
par: Singh, Priyanka, et autres
Publié: (2022)
par: Singh, Priyanka, et autres
Publié: (2022)
The Company You Keep: How LLMs Respond to Dark Triad Traits
par: Lu, Zeyi, et autres
Publié: (2026)
par: Lu, Zeyi, et autres
Publié: (2026)
BlockBPE: Parallel BPE Tokenization
par: You, Amos
Publié: (2025)
par: You, Amos
Publié: (2025)
Beyond Toxic: Toxicity Detection Datasets are Not Enough for Brand Safety
par: Korotkova, Elizaveta, et autres
Publié: (2023)
par: Korotkova, Elizaveta, et autres
Publié: (2023)
Adaptive BPE Tokenization for Enhanced Vocabulary Adaptation in Finetuning Pretrained Language Models
par: Balde, Gunjan, et autres
Publié: (2024)
par: Balde, Gunjan, et autres
Publié: (2024)
Model in Distress: Sentiment Analysis on French Synthetic Social Media
par: Langlais, Pierre-Carl, et autres
Publié: (2026)
par: Langlais, Pierre-Carl, et autres
Publié: (2026)
Batching BPE Tokenization Merges
par: Morgan, Alexander P.
Publié: (2024)
par: Morgan, Alexander P.
Publié: (2024)
An Analysis of BPE Vocabulary Trimming in Neural Machine Translation
par: Cognetta, Marco, et autres
Publié: (2024)
par: Cognetta, Marco, et autres
Publié: (2024)
Constructing a BPE Tokenization DFA
par: Berglund, Martin, et autres
Publié: (2024)
par: Berglund, Martin, et autres
Publié: (2024)
Byte BPE Tokenization as an Inverse string Homomorphism
par: Geng, Saibo, et autres
Publié: (2024)
par: Geng, Saibo, et autres
Publié: (2024)
CleanComedy: Creating Friendly Humor through Generative Techniques
par: Vikhorev, Dmitry, et autres
Publié: (2024)
par: Vikhorev, Dmitry, et autres
Publié: (2024)
LiteToken: Removing Intermediate Merge Residues From BPE Tokenizers
par: Sun, Yike, et autres
Publié: (2026)
par: Sun, Yike, et autres
Publié: (2026)
From Characters to Tokens: Dynamic Grouping with Hierarchical BPE
par: Dolga, Rares, et autres
Publié: (2025)
par: Dolga, Rares, et autres
Publié: (2025)
AdaptBPE: From General Purpose to Specialized Tokenizers
par: Liyanage, Vijini, et autres
Publié: (2026)
par: Liyanage, Vijini, et autres
Publié: (2026)
Evaluating Morphological Alignment of Tokenizers in 70 Languages
par: Arnett, Catherine, et autres
Publié: (2025)
par: Arnett, Catherine, et autres
Publié: (2025)
MorphBPE: A Morpho-Aware Tokenizer Bridging Linguistic Complexity for Efficient LLM Training Across Morphologies
par: Asgari, Ehsaneddin, et autres
Publié: (2025)
par: Asgari, Ehsaneddin, et autres
Publié: (2025)
Even Small Reasoners Should Quote Their Sources: Introducing the Pleias-RAG Model Family
par: Langlais, Pierre-Carl, et autres
Publié: (2025)
par: Langlais, Pierre-Carl, et autres
Publié: (2025)
Disaggregation Reveals Hidden Training Dynamics: The Case of Agreement Attraction
par: Michaelov, James A., et autres
Publié: (2025)
par: Michaelov, James A., et autres
Publié: (2025)
Data Mixture Inference: What do BPE Tokenizers Reveal about their Training Data?
par: Hayase, Jonathan, et autres
Publié: (2024)
par: Hayase, Jonathan, et autres
Publié: (2024)
Weight Tying Biases Token Embeddings Towards the Output Space
par: Lopardo, Antonio, et autres
Publié: (2026)
par: Lopardo, Antonio, et autres
Publié: (2026)
Explaining and Mitigating Crosslingual Tokenizer Inequities
par: Arnett, Catherine, et autres
Publié: (2025)
par: Arnett, Catherine, et autres
Publié: (2025)
Transfer of Structural Knowledge from Synthetic Languages
par: Budnikov, Mikhail, et autres
Publié: (2025)
par: Budnikov, Mikhail, et autres
Publié: (2025)
Evaluating Subword Tokenization Techniques for Bengali: A Benchmark Study with BengaliBPE
par: Patwary, Firoj Ahmmed, et autres
Publié: (2025)
par: Patwary, Firoj Ahmmed, et autres
Publié: (2025)
GPUTOK: GPU Accelerated Byte Level BPE Tokenization
par: Kadamba, Venu Gopal, et autres
Publié: (2026)
par: Kadamba, Venu Gopal, et autres
Publié: (2026)
Fine-Tuning Transformers: Vocabulary Transfer
par: Mosin, Vladislav, et autres
Publié: (2021)
par: Mosin, Vladislav, et autres
Publié: (2021)
Sui Generis: Large Language Models for Authorship Attribution and Verification in Latin
par: Schmidt, Gleb, et autres
Publié: (2024)
par: Schmidt, Gleb, et autres
Publié: (2024)
ComicScene154: A Scene Dataset for Comic Analysis
par: Paval, Sandro, et autres
Publié: (2025)
par: Paval, Sandro, et autres
Publié: (2025)
Different Tokenization Schemes Lead to Comparable Performance in Spanish Number Agreement
par: Arnett, Catherine, et autres
Publié: (2024)
par: Arnett, Catherine, et autres
Publié: (2024)
Train It and Forget It: Merge Lists are Unnecessary for BPE Inference in Language Models
par: Sawada, Tomohiro, et autres
Publié: (2025)
par: Sawada, Tomohiro, et autres
Publié: (2025)
Rethinking Tokenization for Rich Morphology: The Dominance of Unigram over BPE and Morphological Alignment
par: Vemula, Saketh Reddy, et autres
Publié: (2025)
par: Vemula, Saketh Reddy, et autres
Publié: (2025)
Knowledge Graph Representation for Political Information Sources
par: Osmonova, Tinatin, et autres
Publié: (2024)
par: Osmonova, Tinatin, et autres
Publié: (2024)
Why do language models perform worse for morphologically complex languages?
par: Arnett, Catherine, et autres
Publié: (2024)
par: Arnett, Catherine, et autres
Publié: (2024)
Do Data-based Curricula Work?
par: Surkov, Maxim K., et autres
Publié: (2021)
par: Surkov, Maxim K., et autres
Publié: (2021)
Documents similaires
-
From Where Words Come: Efficient Regularization of Code Tokenizers Through Source Attribution
par: Chizhov, Pavel, et autres
Publié: (2026) -
Teaching Old Tokenizers New Words: Efficient Tokenizer Adaptation for Pre-trained Models
par: Purason, Taido, et autres
Publié: (2025) -
Surface Fairness, Deep Bias: A Comparative Study of Bias in Language Models
par: Sorokovikova, Aleksandra, et autres
Publié: (2025) -
BPE Stays on SCRIPT: Structured Encoding for Robust Multilingual Pretokenization
par: Land, Sander, et autres
Publié: (2025) -
Toxicity of the Commons: Curating Open-Source Pre-Training Data
par: Arnett, Catherine, et autres
Publié: (2024)