/ Модель

Характеристики

Контекст
8 192 токена
Параметры
1,7 млрд
Лицензия
MIT
Архитектура
llama · dense
Библиотека
transformers
Опубликована
10 сен 2025

tiktoken-gpt-4o

Генерация текстаТекст → текст3 профессии

Исследовательская многоязычная базовая языковая модель TokSuite для изучения влияния GPT-4o-токенизатора на генерацию текста и устойчивость к искажениям.

301скачиваний за 30 дней0лайковвеса обновлены25 дек 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

TokSuite–GPT-4o — исследовательская базовая языковая модель из набора TokSuite, созданного для изучения влияния токенизатора на поведение языковых моделей в контролируемых условиях. Модель разработана командой TokSuite и использует GPT-4o-токенизатор: BPE со словарём из 200 000 токенов и обработкой неизвестных последовательностей через байтовый fallback. По карточке это decoder-only Transformer конфигурации Llama 3.2 1B; метаданные указывают 1,7 млрд параметров и контекст 8192 токена.

Модель предназначена для исследований токенизации, многоязычного NLP, абляционных экспериментов и сравнения устойчивости к опечаткам, вариациям диакритики, Unicode-символам, OCR-артефактам и форматированию STEM-текстов. Она обучена на многоязычном корпусе примерно из 100 млрд токенов: английский, китайский, турецкий, итальянский и фарси. Модель не настроена на выполнение инструкций и не предназначена для диалога или развёртывания в пользовательских и высокорисковых сценариях.

Лицензия репозитория — MIT. Результаты могут отражать смещения обучающих веб-данных; карточка рекомендует дополнительные меры предосторожности перед применением в пользовательских сценариях. В README длина контекста указана как 4096 токенов, тогда как метаданные каталога указывают 8192.

Сценарии применения

  • сравнение влияния токенизаторов на поведение языковых моделей
  • оценка устойчивости многоязычной модели к опечаткам и орфографическим ошибкам
  • анализ обработки диакритики, Unicode и вариантов ввода
  • бенчмаркинг языковой модели на шумных текстах и OCR-артефактах
  • проведение контролируемых абляционных исследований токенизации

Ограничения

Модель не настроена на следование инструкциям и диалог; авторы предназначают её для исследований, а не для пользовательского развёртывания. Обучение охватывает пять языков, а длина контекста в README (4096) расходится с метаданными (8192).

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

TokSuite – GPT-4o

Model Summary

TokSuite–GPT-4o is part of TokSuite, a suite of language models designed to study the impact of tokenizer choice on language model behavior under controlled conditions.

This model uses the GPT-4o tokenizer and is otherwise identical to the other TokSuite models in architecture, training data, training budget, and initialization. The TokSuite setup ensures that any observed behavioral characteristics reflect properties of the tokenizer rather than differences in model scale, data composition, or optimization.


Tokenizer

  • Tokenizer: GPT-4o
  • Tokenization method: BPE
  • Vocabulary size: 200,000
  • Out-of-vocabulary handling: Byte-fallback
  • Language coverage: Multilingual
  • Pretokenization source: GPT-4o

Processing details:

  • Numbers: Group by 3
  • Contractions: Learned
  • Unicode normalization: None
  • Whitespace / boundary markers: Learned
  • Zerowidth chars: Token

Why GPT-4o?

GPT-4o was included in TokSuite to represent a large-vocabulary multilingual BPE tokenizer with contemporary GPT-4o–style pretokenization. As described in the tokenizer selection rationale of the TokSuite paper, GPT-4o exemplifies a modern tokenizer design that combines extensive vocabulary capacity with preprocessing conventions used in recent large language models.

Including GPT-4o enables TokSuite to study tokenizer behavior in settings where:

  • BPE segmentation is paired with GPT-4o–style preprocessing,
  • vocabulary size is very large,
  • and multilingual text is handled through a single shared tokenizer.

This makes GPT-4o a representative example of state-of-the-art multilingual BPE tokenization.


Model Architecture

  • Architecture: Decoder-only Transformer (Lingua's Llama-3.2-1B configuration)
  • Non-embedding parameters: ~1B
  • Context length: 4096 tokens
  • Framework: Meta Lingua
  • Initialization: Shared super-vocabulary initialization across TokSuite models

The architecture and training setup are identical across all TokSuite models; only the tokenizer differs.


Training Data

The model was trained on a multilingual corpus totaling approximately 100B tokens, composed of:

  • English: 40B tokens from FineWeb-Edu
  • Multilingual: 60B tokens evenly distributed across:
    • Chinese (ZH)
    • Turkish (TR)
    • Italian (IT)
    • Farsi (FA)

You can find the pretraining dataset here: toksuite/toksuite_pretraining_data

All TokSuite models are trained using a fixed token budget, following standard practice in large-scale language model training.


Training Procedure

  • Training steps: 100,000
  • Sequence length: 4096
  • Batch size: 256 sequences
  • Optimizer: AdamW
  • Peak learning rate: 1e-3
  • Learning rate schedule: Cosine decay with 2,000 warm-up steps
  • Weight decay: 0.1

Evaluation

Canonical Benchmarks

The model was evaluated on standard base language model benchmarks:

  • HellaSwag
  • ARC
  • PIQA
  • XNLI

These evaluations verify that the model exhibits reasonable base language modeling behavior at its scale and training budget.

TokSuite Robustness Benchmark

TokSuite–GPT-4o is evaluated on the TokSuite robustness benchmark, which measures sensitivity to real-world text perturbations, including:

  • orthographic and spelling variations,
  • diacritics presence and absence,
  • keyboard and input-method noise,
  • Unicode formatting and homoglyphs,
  • OCR and spacing artifacts,
  • LaTeX and STEM-style formatting.

Tokenization Robustness under Multilingual Text Perturbations
Values represent relative performance drop, computed as (Acc_clean − Acc_perturbed) / Acc_clean, where lower values indicate greater robustness.

Perturbation types include:

  • Input: non-native keyboard input and romanization
  • Diacr.: optional diacritics
  • Orth.& Gram.: orthographic and grammatical errors
  • Morph: morphological variations including derivations, inflections, and contractions
  • Noise: homoglyph substitutions, OCR artifacts, typos, and spacing errors
  • LaTeX: LaTeX-style mathematical formatting
  • STEM: scientific diagrams and notational conventions
  • Unic.: Unicode styling characters

NEN denotes non-English inputs and EN denotes English inputs. The Avg column reports the average relative performance drop across all perturbation categories.

ModelInput (NEN)Diacr. (NEN)Orth. & Gram. (EN)Orth. & Gram. (NEN)Morph (EN)Morph (NEN)Noise (EN)Noise (NEN)LaTeX (EN)STEM (EN)Unic. (EN)Avg ↓
TokenMonster0.230.330.080.010.23-0.070.100.180.210.100.510.17
XGLM0.340.490.100.110.250.070.120.220.290.290.110.22
BLOOM0.300.340.130.070.180.110.180.180.240.110.570.22
ByT50.300.440.040.060.270.040.140.180.170.290.530.22
Comma0.280.430.050.070.180.000.110.200.230.290.610.22
mBERT0.330.440.110.110.230.060.180.220.140.220.610.24
GPT-4o0.300.510.080.050.210.050.160.190.240.330.550.24
GPT-20.340.460.070.100.250.060.140.210.240.350.530.25
Phi-30.330.460.160.090.270.080.170.210.240.220.550.25
Gemma-20.320.420.140.150.240.030.160.250.220.360.570.26
Qwen-30.360.420.140.110.250.060.160.230.260.290.570.26
Llama-3.20.330.550.110.100.250.080.150.240.170.300.590.26
Aya0.310.460.140.100.220.030.190.250.210.380.580.26
Tekken0.330.470.180.030.310.100.140.210.270.430.540.27
Avg0.310.440.110.080.240.040.150.210.220.280.530.24

Intended Use

This model is intended for:

  • research on tokenization and robustness,
  • multilingual NLP analysis,
  • controlled ablation studies,
  • benchmarking tokenizer behavior under noise.

It is not instruction-tuned, aligned, or optimized for deployment.


Limitations

  • Trained on a limited set of five languages.
  • Not optimized for instruction following or dialogue.
  • Fixed token budget constraints exposure to raw text depending on tokenization efficiency.
  • Intended strictly for research purposes.

Ethical Considerations

TokSuite models are released to support scientific investigation of tokenization effects.
They may reflect biases present in large-scale web data and should not be used in high-stakes or user-facing applications without additional safeguards.


Citation

If you use this model, please cite:

@article{toksuite2025,
  title={TokSuite: Measuring the Impact of Tokenizer Choice on Language Model Behavior},
  author={Altıntaş, Gul Sena and Ehghaghi, Malikeh and Lester, Brian and Liu, Fengyuan and Zhao, Wanru and Ciccone, Marco and Raffel, Colin},
  year={2025},
  arxiv={https://arxiv.org/abs/2512.20757},
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Ревизия весов
a4cf525

0 моделей