研究量化全球南方语言模型分词溢价与主权成本
原文标题：Inherited Weights: Measuring the Tokenization Premium and the Sovereignty Cost of Language Models for the Global South
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文指出美中之外部署的语言模型多为少数预训练家族的微调后代，词表、知识、文化对齐等关键属性均被继承。作者测量 31 种语言、7 种分词器的分词溢价，阿姆哈拉语在最新商用分词器上仍达 6.8 倍。研究还提出八项黑盒主权审计方法，并主张以每焦耳准确率等指标替代原始准确率。
- 问题
- 美中之外部署的模型多为少数预训练家族微调后代，词表等关键属性被继承，非通用语言成本高。
- 方法
- 测量 31 种语言、7 种分词器的分词溢价，提出八项黑盒主权审计，并主张以每焦耳准确率等指标替代原始准确率。
- 结果
- 阿姆哈拉语在最新商用分词器上溢价仍达 6.8 倍；葡萄牙语词表使 13 种拉丁字母全球南方语言中 11 种溢价下降，瓜拉尼语与克丘亚语约降 24%。
- 影响
- 面向新兴市场做多语言产品时，分词溢价直接换算成推理成本与体验差距，选基座模型应把词表和审计纳入采购标准。
深读 · 结论先行AI 生成展开看要点与影响 ↓
研究测31种语言分词溢价，阿姆哈拉语在最新商用分词器上仍达6.8倍，并提出八项黑盒主权审计。
- •覆盖31种语言、7个2023-2024年发布的分词器，基于27篇《世界人权宣言》文本并校正未知词坍缩
- •旧分词器阿姆哈拉语溢价达10倍，最新商用分词器仍为6.8倍
- •南美原住民语言在全球分词器下付1.6-2.7倍溢价
- •以葡萄牙语构建词表使13种拉丁字母全球南方语言中11种降溢价，瓜拉尼语与克丘亚语约降24%
- •提出八项无需权重即可运行的黑盒主权审计，并主张以每焦耳准确率等替代原始准确率
为什么重要：美中之外多数部署模型只是少数预训练家族的微调后代，词表与知识被继承；分词溢价直接转化为成本与延迟，采购方可用其审计方法评估主权风险。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
谷歌 DeepMind 发布 AlphaGenome 2，精细预测突变细胞效应
AI 摘要谷歌 DeepMind 推出 AlphaGenome 2，基于 68 种组织、超 1 亿个细胞图谱训练，可预测遗传变异对特定细胞类型与状态的影响。该模型识别出的影响基因表达的变异数量约为上一代的两倍，并能在未重新训练的情况下预测新细胞类型，有望助力疾病机理研究与药物靶点发现。
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。