知识卡片

专业/工作

分词决定边界

理解等级:未标注

tokenizer 把原始文本变成模型可处理的 token ID,边界切得好不好会影响长度、成本和信息保留。大小写、换行、代码符号、非英语文本都可能被不同 tokenizer 处理成不同序列。发散:排查 LLM 异常时应先看 token 化结果。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    原书出处

    参考来源

    《Hands-On Large Language Models 动手操作大型语言模型》第2章《Chapter 2. Tokens and Embeddings 第二章. 标记和嵌入》