Gigatoken tokenizer 跑到 8.2 GB/s，Common Crawl 不到 7 小时可分词
seanmcdonaldxyz · x · 2026-07-22
Gigatoken 的 tokenizer 吞吐被提到达到 8.2 GB/s，引用的基准声称：整套 Common Crawl 在一台机器上不到 7 小时就能完成分词。
- 该测试基于一台双路 AMD EPYC 服务器。
- 这说明预处理阶段的吞吐已经非常高，web 级数据摄取不再像过去那样容易成为瓶颈。
- 这条信息本质上是一次极端的基础设施/预处理性能展示，不是模型或产品发布。
所属事件:斯坦福推出开源分词器 Gigatoken(5 条相关)→
「Infra」频道最新
- AWS 教程:SageMaker SDK v3 搭建车队级边缘视觉模型流水线 — AWS ML Blog · 2026-10-27
- Embedl 把 Qwen3.8-27B 压进 Jetson Thor:解码 40 tok/s,精度反超 FP16 — No-Dragonfly6246 · 2026-10-27
- Celesto 推出便宜近 90% 的 CI Runner，兼做 Agent 云电脑 — aniketmaurya · 2026-10-27
- Supabase 联创谈 AI 时代后端：为十亿个 AI 生成应用而设计 — Latent Space · 2026-10-27
- AW-0 单卡 RTX 5090 推理 230ms:联合去噪比自回归代码快 2.4 倍 — trevordarrell · 2026-10-27
- 全美市议会话题追踪网站：数据中心热度仅次于匹克球场 — zakkohane · 2026-10-27