Folia
← 返回头版

Gzip能否成为语言模型?

研究者探索了将gzip压缩算法用于语言建模的可行性1。该方案基于压缩与预测等价性的原理,即每个预测模型本质上是一个压缩器,所有压缩算法都可作为预测模型1。

具体实现中,研究者利用gzip中的DEFLATE算法通过32KiB滑动窗口存储语料库,采用束搜索算法逐字节生成文本1。评分方式为score(candidate) = len(gzip(context + candidate)),压缩长度越小表示预测效果越好1。为解决整数字节长度量化所带来的噪声问题,方案采用束搜索策略,预先查看整个跨度后再提交候选内容1。生成循环包含提示、上下文、搜索和提交四个步骤,每次仅保留最近生成的尾部字节在评分上下文中,以避免不必要地重复复制历史文本1。

虽然gzip生成的文本并不完全连贯,但该实验证实了这一压缩算法能够展现出对文本结构的理解1。


来源

  1. Hacker NewsCan gzip be a language model?

评论