遇见数据集

Exqrch/Rebuttal-javanese-pixelgpt

收藏
Hugging Face2026-04-08 更新2026-04-12 收录
官方服务:

资源简介:

# Javanese PixelGPT Tokenizer Ablation Dataset Optimized with **Font Size 6** and **Dynamic Trimming**. ## Tokenizer Schema 1. `tok_grapheme`: Language-specific Grapheme BPE (izzako/javanese-llama-tokenizer) 2. `tok_llama2`: Standard Llama-2 BPE (ernie-research/DualGPT) 3. `tok_komodo`: SEA-Optimized BPE (yellow-ai-central/komodo-7b-v1) 4. `tok_mt5`: Google Multilingual Unigram (google/mt5-small)

# 爪哇语PixelGPT分词器消融实验数据集 采用**字号6(Font Size 6)**与**动态裁剪(Dynamic Trimming)**技术进行优化。 ## 分词器架构 1. `tok_grapheme`:语言专属字素字节对编码(Grapheme BPE),对应仓库为izzako/javanese-llama-tokenizer 2. `tok_llama2`:标准Llama-2字节对编码,对应仓库为ernie-research/DualGPT 3. `tok_komodo`:东南亚优化型字节对编码(SEA-Optimized BPE),对应仓库为yellow-ai-central/komodo-7b-v1 4. `tok_mt5`:谷歌多语言一元分词模型(Google Multilingual Unigram),对应仓库为google/mt5-small

提供机构:
Exqrch
二维码
社区交流群
二维码
科研交流群
商业服务