研究者将 Qwen3.8-27B 改造为纯字节级模型
原文标题：One Byte, One Token: Byteifying a 27B Hybrid-Attention LLM with Self-Generated Data
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。
一篇 arXiv 论文提出把已训练的 Qwen3.8-27B 子词模型直接转换为纯字节级模型（一字节一 token），词表从 248,320 缩减至 384 项，其余权重不动，并用模型自生成数据做两阶段继续训练。在 MATH-500、HumanEval+、MMLU-Pro 等基准上与原模型差距落在置信区间内，字符级任务显著提升，但 C-Eval 等下降 4-6 分，吞吐量降至约四分之一。研究还记录了贪心失控、采样破坏 UTF-8 等四种字节模型失效模式及修复方法。
- 问题
- 子词分词切碎中文、隐藏拼写信息，能否把已训练大模型直接改成纯字节级。
- 方法
- 词表从 248,320 缩到 384、其余权重不动，用原模型自生成数据做两阶段继续训练。
- 结果
- MATH-500、HumanEval+、MMLU-Pro 差距在置信区间内，CUTE 75.2→84.0，但 C-Eval 降 4-6 分、吞吐降至约四分之一。
- 影响
- 给出字节级改造的可行路径与四种失效模式，适合做中文分词或字符级任务的团队参考。
深读 · 结论先行AI 生成展开看要点与影响 ↓
研究者把 Qwen3.8-27B 词表从 248,320 缩到 384 改成纯字节模型，多数基准持平但 C-Eval 掉 4-6 分、吞吐降至约四分之一。
- •起点为 Qwen3.8-27B（48 层 Gated DeltaNet + 16 层全注意力），词表缩至 384 项，其余权重不动。
- •两阶段课程继续训练，监督数据 4.77 GB，对话与行为监督全部由原模型在线自生成，知识阅读用百科文本占 54%。
- •训练在 8 张 H200 上耗时 178.6 小时。
- •MATH-500、HumanEval+、MMLU-Pro、非思考 GSM8K 与原模型差距落在配对 bootstrap 置信区间内；C-Eval、思考模式 GSM8K、非思考 IFEval 下降 4-6 分。
- •字符级任务显著提升（CUTE 75.2→84.0，EXECUTE-zho 81.6→93.9），但吞吐量降至约四分之一，论文还记录四种字节模型失效模式及修复方法。
为什么重要：为想摆脱 BPE 分词、让模型直接看见拼写的团队提供了一次 27B 规模的可行性验证，同时明确列出吞吐与中文知识回落的代价。
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。