研究突破
Nature 發表「Byteification」研究：讓 LLM 逐位元閱讀，拼字能力躍升而整體效能幾無損失
Allen Institute for AI 與劍橋大學團隊在 Nature 發表研究，提出「Byteification」方法，將既有 LLM（Qwen3、Llama 3、Olmo 3）轉換為逐位元讀取的形式，轉換成本不到一般訓練的 1%，卻讓由後往前拼字等字元級任務大幅改善，且整體基準分數幾乎不減。此成果挑戰「位元級模型必須從零訓練且必然落後」的既有認知。
Allen Institute for AI 與劍橋大學團隊在 Nature 發表研究，提出「Byteification」方法，將既有 LLM（Qwen3、Llama 3、Olmo 3）轉換為逐位元讀取的形式，轉換成本不到一般訓練的 1%，卻讓由後往前拼字等字元級任務大幅改善，且整體基準分數幾乎不減。此成果挑戰「位元級模型必須從零訓練且必然落後」的既有認知。