原標題：Tokenization，再見！Meta提出大概念模型LCM，1B模型干翻70B？
文章來源：新智元
內容字數：13114字

Meta提出顛覆性大概念模型（LCM）：超越token，開啟AI新紀元

Meta AI的研究人員近日提出了一種全新的語言建模范式——大概念模型（Large Concept Model，LCM），它徹底改變了傳統大語言模型（LLM）的工作方式，有望成為AI領域的一匹黑馬。

1. LCM的核心思想：從token到概念

不同于現有的LLM基于token進行預測，LCM直接在句子嵌入空間上對推理進行建模，拋棄了token，轉而使用更高層次的“概念”。一個“概念”通常對應于一個句子或等效的語音片段，代表著一種整體的、不可分的抽象見解。這種方法使得LCM能夠在抽象的、語言和模態無關的層面上進行推理，從而超越了token的限制。

2. LCM的架構與工作流程

LCM的架構相對簡單，只需要一個固定長度的句子嵌入空間的編碼器和解碼器。首先，輸入內容被分割成句子，然后編碼器將每個句子編碼成一個“概念”向量（句子嵌入）；接著，LCM對這些“概念”序列進行處理；最后，解碼器將生成的“概念”序列解碼成子詞序列。 Meta使用了其開源的SONAR模型作為編碼器和解碼器。

3. LCM的優勢與特點

LCM具有諸多優勢，包括：

1. 高效的推理效率：在長文本處理方面，LCM的計算資源需求遠低于同等性能的LLM，尤其是在處理超過1000個token的文本時優勢更加明顯。
2. 語言和模態無關：LCM能夠同時對多種語言和模態進行訓練，并實現無偏見的擴展性，目前已支持200種語言的文本輸入。
3. 明確的層次結構：提高了長文本輸出的可讀性和用戶交互性。
4. 強大的零樣本泛化能力：LCM可以在任何語言或模態下進行預訓練和微調。
5. 模塊化和可擴展性：編碼器和解碼器可以開發和優化，方便添加新的語言或模態。

4. LCM的訓練與改進

LCM的訓練需要將原始文本數據集轉換為SONAR嵌入序列。文章探討了多種句子分割方法，并比較了其性能。此外，文章還提出了基于擴散模型的LCM，以及量化LCM的方法，以提高模型的效率和生成能力。 不同的噪音進度（例如余弦、二次函數和Sigmoid）和加權策略被用來優化模型。

5. LCM的性能評估

文章對LCM在摘要、長文檔總結和摘要擴展等任務上的性能進行了評估，結果顯示LCM在這些任務上展現出了具有競爭力的性能，尤其是在零樣本泛化能力方面表現出色。 與其他LLM相比，LCM在處理多語言任務時，尤其是在低資源語言上，展現出顯著的優勢。

6. 總結與展望

Meta的大概念模型代表了對傳統LLM范式的一種突破，它在推理效率、語言和模態無關性、以及零樣本泛化能力等方面都展現出了巨大的潛力。雖然目前LCM仍需進一步改進以達到現有頂尖LLM的性能，但其提出的新范式無疑為未來AI的發展方向指明了新的道路。

聯系作者

文章來源：新智元
作者微信：
作者簡介：智能+中國主平臺，致力于推動中國從互聯網+邁向智能+新紀元。重點關注人工智能、機器人等前沿領域發展，關注人機融合、人工智能和機器人對人類社會與文明進化的影響，領航中國新智能時代。