tokenizer-arena / README.md
xu-song's picture
update
97354e0
|
raw
history blame
No virus
3.83 kB
metadata
title: Tokenizer Arena
emoji: 
colorFrom: red
colorTo: gray
sdk: gradio
sdk_version: 4.31.4
app_file: app.py
pinned: false
datasets:
  - cc100

压缩率 Compress Rate

cc-100 数据集,每个语言取1万条数据,测试不同tokenizer的压缩率。

压缩率示例: llama3扩充了词典,具有更高的压缩比。同样1T字节的简体中文语料,llama分词后是 0.56万亿个token,llama3只需要0.31万亿个token。

tokenizer vocab_size t_bytes/t_tokens t_tokens/t_bytes n_chars/n_tokens
llama 32000 1.8 0.56 0.7
llama3 128000 3.2 0.31 1.24

可通过以下脚本进行复现

python utils/compress_rate_util.py 
英文压缩率 在英文数据集 cc100-en 计算压缩率
tokenizer vocab_size g_bytes/b_tokens b_tokens/g_bytes t_bytes/t_tokens t_tokens/t_bytes n_chars/n_tokens
amber 32000 3.56 0.28 3.47 0.29 3.81
aya_101 250100 3.3 0.3 3.22 0.31 3.53
baichuan 64000 3.74 0.27 3.65 0.27 4
baichuan2 125696 3.89 0.26 3.8 0.26 4.17
简体中文压缩率 在简体中文数据集 cc100-zh-Hans 计算压缩率
tokenizer vocab_size g_bytes/b_tokens b_tokens/g_bytes t_bytes/t_tokens t_tokens/t_bytes n_chars/n_tokens
amber 32000 1.84 0.54 1.8 0.56 0.7
aya_101 250100 3.89 0.26 3.79 0.26 1.47
baichuan 64000 3.92 0.26 3.82 0.26 1.48

Reference