研究用PoC token推测中文训练数据污染
热点事件持续更新
研究用PoC token推测中文训练数据污染
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
Qingjie Zhang 等作者在 arXiv 发布论文，提出通过定位“污染中文（PoC）token”来推测大模型中文训练数据污染的方法。研究称，GPT 词表中超过 40% 的长中文 token（含两个以上汉字）与色情或在线赌博内容相关；在 GPT 及另外 23 个 LLM 的实验中，GPT 表现最差。 该方法的依据是词表中 PoC token 的存在与训练数据之间的关系，作者据此定位这些 token。上述比例和实验排名均为论文作者的说法。
AI 根据报道生成 · 53 分钟前更新
最新进展10月19日 12:00
研究通过 token 推测 LLM 中文训练数据污染：GPT 词表超 40% 长中文 token 涉色情或赌博报道时间线
沿着报道，了解事件的不同侧面。
10月19日
- arXiv cs.CL研究通过 token 推测 LLM 中文训练数据污染：GPT 词表超 40% 长中文 token 涉色情或赌博
一项 arXiv 研究通过分析 token 词表来推测 LLM 的中文训练数据污染，发现 GPT 词表中超过 40% 的长中文 token（含两个以上汉字）与色情或在线赌博内容相关，在 GPT 及另外 23 个 LLM 的实验中表现最差。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。