xu-song's picture
update
f331792
|
raw
history blame
25.5 kB
metadata
title: Tokenizer Arena
emoji: 
colorFrom: red
colorTo: gray
sdk: gradio
sdk_version: 4.28.3
app_file: app.py
pinned: false

压缩率 Compress Rate

cc-100 数据集,每个语言取1万条数据,测试不同tokenizer的压缩率。

压缩率示例: llama3扩充了词典,具有更高的压缩比。同样1T字节的简体中文语料,llama分词后是 0.56万亿个token,llama3只需要0.31万亿个token。

tokenizer vocab_size t_bytes/t_tokens t_tokens/t_bytes n_chars/n_tokens
llama 32000 1.8 0.56 0.7
llama3 128000 3.2 0.31 1.24

可通过以下脚本进行复现

python utils/compress_rate_util.py 
英文压缩率 在英文数据集 cc100-en 计算压缩率
tokenizer vocab_size g_bytes/b_tokens b_tokens/g_bytes t_bytes/t_tokens t_tokens/t_bytes n_chars/n_tokens
amber 32000 3.56 0.28 3.47 0.29 3.81
aya_101 250100 3.3 0.3 3.22 0.31 3.53
baichuan 64000 3.74 0.27 3.65 0.27 4
baichuan2 125696 3.89 0.26 3.8 0.26 4.17
bert_base_cased 28996 3.64 0.27 3.55 0.28 3.89
bert_base_chinese 21128 2.78 0.36 2.71 0.37 2.97
bert_base_uncased 30522 3.73 0.27 3.65 0.27 4
bloom 250680 4.07 0.25 3.97 0.25 4.36
byt5_small 256 0.92 1.08 0.9 1.11 0.99
character_glm_6b 64794 3.62 0.28 3.54 0.28 3.88
chatglm2_6b 64794 3.62 0.28 3.54 0.28 3.88
chatglm3_6b 64798 3.62 0.28 3.54 0.28 3.88
chatglm_6b 150344 3.68 0.27 3.59 0.28 3.94
chatyuan_large_v2 32128 1.95 0.51 1.91 0.52 2.09
chinese_llama 49953 3.59 0.28 3.51 0.28 3.85
chinese_llama2 55296 3.56 0.28 3.47 0.29 3.81
code_davinci_002 50281 4.05 0.25 3.96 0.25 4.34
crystal_coder 32000 3.68 0.27 3.59 0.28 3.94
dbrx_instruct 100277 4.11 0.24 4.01 0.25 4.4
deepseek_coder_33b_instruct 32000 3.64 0.27 3.56 0.28 3.9
deepseek_llm_7b_base 100000 3.85 0.26 3.76 0.27 4.12
falcon_180b 65024 3.99 0.25 3.9 0.26 4.27
falcon_7b 65024 3.99 0.25 3.9 0.26 4.27
fastchat_t5_3b 32000 2.16 0.46 2.11 0.47 2.31
flan_t5_base 32100 3.61 0.28 3.53 0.28 3.87
gemma_7b 256000 3.91 0.26 3.82 0.26 4.18
gpt2 50257 4.05 0.25 3.96 0.25 4.34
gpt2_chinese 21128 2.67 0.37 2.61 0.38 2.86
gpt_35_turbo 100277 4.11 0.24 4.01 0.25 4.4
gpt_4 100277 4.11 0.24 4.01 0.25 4.4
gpt_nexo_20b 50254 4.04 0.25 3.94 0.25 4.32
grok_1 131072 4.06 0.25 3.96 0.25 4.35
internlm2_chat_7b 92544 3.86 0.26 3.77 0.27 4.13
internlm2_math_7b 92544 3.86 0.26 3.77 0.27 4.13
internlm_chat_7b 103168 3.86 0.26 3.77 0.27 4.13
internlm_xcomposer_7b 103168 3.86 0.26 3.77 0.27 4.13
jamba_v0_1 65536 3.82 0.26 3.73 0.27 4.09
kplug 10261 2.66 0.38 2.6 0.38 2.85
llama 32000 3.56 0.28 3.47 0.29 3.81
llama2 32000 3.56 0.28 3.47 0.29 3.81
llama3 128000 4.11 0.24 4.01 0.25 4.4
mistral_7b 32000 3.67 0.27 3.58 0.28 3.92
mixtral_8_7b 32000 3.67 0.27 3.58 0.28 3.92
mobilebert_uncased 30522 3.73 0.27 3.65 0.27 4
moss 106029 4.08 0.25 3.98 0.25 4.36
mt5_large 250100 3.3 0.3 3.22 0.31 3.53
olmo_7b 50280 4.04 0.25 3.94 0.25 4.32
orion_14b_chat 84608 3.94 0.25 3.85 0.26 4.22
phi_1 50257 4.05 0.25 3.96 0.25 4.34
phi_2 50257 4.05 0.25 3.96 0.25 4.34
pko_t5_large 50258 1.59 0.63 1.55 0.64 1.7
prompt_clue 32128 1.95 0.51 1.91 0.52 2.09
qwen1_5_14b_chat 151643 4.06 0.25 3.97 0.25 4.35
qwen_1_8b_chat 151851 4.06 0.25 3.97 0.25 4.35
qwen_72b_chat 151851 4.06 0.25 3.97 0.25 4.35
qwen_7b_chat 151851 4.06 0.25 3.97 0.25 4.35
roberta_chinese_clue 8021 1.8 0.56 1.75 0.57 1.92
skywork_13b_base 65519 3.56 0.28 3.47 0.29 3.81
skywork_13b_math 65519 3.56 0.28 3.47 0.29 3.81
solar_10_7b 32000 3.67 0.27 3.58 0.28 3.92
starchat_alpha 49152 3.63 0.28 3.54 0.28 3.88
switch_c_2048 32100 3.61 0.28 3.53 0.28 3.87
t5_base 32100 3.61 0.28 3.53 0.28 3.87
t5_large 32100 3.61 0.28 3.53 0.28 3.87
t5_small 32100 3.61 0.28 3.53 0.28 3.87
text_davinci_003 50281 4.05 0.25 3.96 0.25 4.34
tigerbot_13b_chat_v2 60512 3.67 0.27 3.58 0.28 3.93
tigerbot_70b_chat_v4_4k 65107 3.65 0.27 3.57 0.28 3.91
wizardcoder_15b_v1 49152 3.63 0.28 3.54 0.28 3.88
wizardcoder_python_7b_v1 32000 3.56 0.28 3.47 0.29 3.81
wizardlm_7b_v1 32000 3.56 0.28 3.47 0.29 3.81
wizardmath_70b_v1 32000 3.56 0.28 3.47 0.29 3.81
xlm_roberta 250002 3.49 0.29 3.41 0.29 3.74
yi_34b 64000 3.87 0.26 3.78 0.26 4.15
yi_6b 64000 3.87 0.26 3.78 0.26 4.15
yi_vl34b 64000 3.88 0.26 3.79 0.26 4.16
zephyr_7b_beta 32000 3.67 0.27 3.58 0.28 3.92
简体中文压缩率 在简体中文数据集 cc100-zh-Hans 计算压缩率
tokenizer vocab_size g_bytes/b_tokens b_tokens/g_bytes t_bytes/t_tokens t_tokens/t_bytes n_chars/n_tokens
amber 32000 1.84 0.54 1.8 0.56 0.7
aya_101 250100 3.89 0.26 3.79 0.26 1.47
baichuan 64000 3.92 0.26 3.82 0.26 1.48
baichuan2 125696 4.53 0.22 4.42 0.23 1.71
bert_base_cased 28996 2.73 0.37 2.66 0.38 1.03
bert_base_chinese 21128 2.74 0.37 2.67 0.37 1.03
bert_base_uncased 30522 2.73 0.37 2.67 0.38 1.03
bloom 250680 4.28 0.23 4.18 0.24 1.62
byt5_small 256 0.93 1.08 0.91 1.1 0.35
character_glm_6b 64794 4.2 0.24 4.1 0.24 1.59
chatglm2_6b 64794 4.2 0.24 4.1 0.24 1.59
chatglm3_6b 64798 4.2 0.24 4.1 0.24 1.59
chatglm_6b 150344 4.65 0.22 4.54 0.22 1.76
chatyuan_large_v2 32128 4.34 0.23 4.24 0.24 1.64
chinese_llama 49953 3.93 0.25 3.84 0.26 1.49
chinese_llama2 55296 3.92 0.26 3.83 0.26 1.48
code_davinci_002 50281 1.31 0.77 1.28 0.78 0.49
crystal_coder 32000 1.86 0.54 1.81 0.55 0.7
dbrx_instruct 100277 2.26 0.44 2.21 0.45 0.85
deepseek_coder_33b_instruct 32000 3.4 0.29 3.32 0.3 1.29
deepseek_llm_7b_base 100000 4.05 0.25 3.96 0.25 1.53
falcon_180b 65024 2.18 0.46 2.13 0.47 0.82
falcon_7b 65024 2.18 0.46 2.13 0.47 0.82
fastchat_t5_3b 32000 13.7 0.07 13.38 0.07 5.18
flan_t5_base 32100 14.13 0.07 13.8 0.07 5.34
gemma_7b 256000 3.82 0.26 3.73 0.27 1.44
gpt2 50257 1.31 0.77 1.28 0.78 0.49
gpt2_chinese 21128 2.73 0.37 2.66 0.38 1.03
gpt_35_turbo 100277 2.26 0.44 2.21 0.45 0.85
gpt_4 100277 2.26 0.44 2.21 0.45 0.85
gpt_nexo_20b 50254 2.01 0.5 1.96 0.51 0.76
grok_1 131072 1.73 0.58 1.69 0.59 0.66
internlm2_chat_7b 92544 4.23 0.24 4.13 0.24 1.6
internlm2_math_7b 92544 4.23 0.24 4.13 0.24 1.6
internlm_chat_7b 103168 4.23 0.24 4.14 0.24 1.6
internlm_xcomposer_7b 103168 4.23 0.24 4.14 0.24 1.6
jamba_v0_1 65536 2.3 0.44 2.24 0.45 0.87
kplug 10261 2.72 0.37 2.65 0.38 1.03
llama 32000 1.84 0.54 1.8 0.56 0.7
llama2 32000 1.84 0.54 1.8 0.56 0.7
llama3 128000 3.28 0.3 3.2 0.31 1.24
mistral_7b 32000 2.36 0.42 2.3 0.43 0.89
mixtral_8_7b 32000 2.36 0.42 2.3 0.43 0.89
mobilebert_uncased 30522 2.73 0.37 2.67 0.38 1.03
moss 106029 4.4 0.23 4.3 0.23 1.66
mt5_large 250100 3.89 0.26 3.79 0.26 1.47
olmo_7b 50280 2.01 0.5 1.96 0.51 0.76
orion_14b_chat 84608 4.63 0.22 4.52 0.22 1.75
phi_1 50257 1.31 0.77 1.28 0.78 0.49
phi_2 50257 1.31 0.77 1.28 0.78 0.49
pko_t5_large 50258 0.97 1.03 0.95 1.06 0.37
prompt_clue 32128 4.34 0.23 4.24 0.24 1.64
qwen1_5_14b_chat 151643 4.16 0.24 4.06 0.25 1.57
qwen_1_8b_chat 151851 4.16 0.24 4.06 0.25 1.57
qwen_72b_chat 151851 4.16 0.24 4.06 0.25 1.57
qwen_7b_chat 151851 4.16 0.24 4.06 0.25 1.57
roberta_chinese_clue 8021 2.7 0.37 2.64 0.38 1.02
skywork_13b_base 65519 3.69 0.27 3.61 0.28 1.4
skywork_13b_math 65519 3.69 0.27 3.61 0.28 1.4
solar_10_7b 32000 2.36 0.42 2.3 0.43 0.89
starchat_alpha 49152 2.78 0.36 2.72 0.37 1.05
switch_c_2048 32100 14.13 0.07 13.8 0.07 5.34
t5_base 32100 14.13 0.07 13.8 0.07 5.34
t5_large 32100 14.13 0.07 13.8 0.07 5.34
t5_small 32100 14.13 0.07 13.8 0.07 5.34
text_davinci_003 50281 1.31 0.77 1.28 0.78 0.49
tigerbot_13b_chat_v2 60512 4.25 0.24 4.15 0.24 1.61
tigerbot_70b_chat_v4_4k 65107 4.25 0.24 4.15 0.24 1.61
wizardcoder_15b_v1 49152 2.78 0.36 2.72 0.37 1.05
wizardcoder_python_7b_v1 32000 1.84 0.54 1.8 0.56 0.7
wizardlm_7b_v1 32000 1.84 0.54 1.8 0.56 0.7
wizardmath_70b_v1 32000 1.84 0.54 1.8 0.56 0.7
xlm_roberta 250002 3.96 0.25 3.86 0.26 1.5
yi_34b 64000 4.17 0.24 4.07 0.25 1.58
yi_6b 64000 4.17 0.24 4.07 0.25 1.58
yi_vl34b 64000 4.11 0.24 4.02 0.25 1.56
zephyr_7b_beta 32000 2.36 0.42 2.3 0.43 0.89

Reference