买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:易中华
摘要:本申请提供一种大模型的数据token化方法、装置及大模型训练方法,该方法包括按照预设的第一字节长度对目标数据从头进行分割,分割后形成的数据序列记为基元序列;遍历基元序列中的每一个数据基元,若基元序列中的第i个数据基元的二进制码值及第i+1个数据基元的二进制码值都位于预设的合并码值集合中,将第i个数据基元和第i+1个数据基元合并为基元组,记为基元组token;否则,将第i个数据基元视为一个token,记为基元token。该方法可以对数据基元进行合并,减小token化后token序列的长度,提高处理效率,能够提升模型的计算速度。同时,该方法不依赖token列表,具有通用性。
主权项:1.一种大模型的数据token化方法,其特征在于,包括:按照预设的第一字节长度对目标数据从头进行分割,分割后形成的数据序列记为基元序列;其中,所述基元序列包括一个或多个具有所述第一字节长度的数据基元;遍历所述基元序列中的每一个所述数据基元,若所述基元序列中的第i个数据基元的二进制码值及第i+1个数据基元的二进制码值都位于预设的合并码值集合中,将第i个数据基元和第i+1个数据基元合并为基元组,记为基元组token;否则,将第i个数据基元视为一个token,记为基元token;所述合并码值集合中的二进制码值范围小于所述第一字节长度的二进制编码的码值范围。
全文数据:
权利要求:
百度查询: 易中华 大模型的数据token化方法、装置及大模型训练方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。