「cruel」与「残酷」embedding 几乎重合：模型跨文字系统混淆的成因
VikParuchuri · x · 2026-10-16
Vik Paruchuri 给出对文字系统混淆现象的最佳解释：模型内部，不同书写系统中同义的词会得到几乎相同的 embedding——例如 "cruel" 的向量与中文「残酷」非常接近。配图显示在 Chandra OCR 2 模型约 5.3 万个中文 token 中，与 "cruel" 最近的 5 个中文 token 依次为残酷、残忍、冷酷、粗暴、无情的。这解释了为什么模型会「译对词、写错字系统」。
所属事件:Gemini 与 Claude 实测同样存在文字系统混淆(2 条相关)→
「模型」频道最新
- NVIDIA 发布 120B 视觉语言模型 Nemotron 3.5 Super VL，已上线 Kilo — anacondainc · 2026-10-17
- Artificial Analysis Optima 支持三步自建自定义模型基准 — ArtificialAnlys · 2026-10-16
- 斯坦福 CS336 讲义拆解 MoE 参数与计算的两本账 — stanfordnlp · 2026-10-16
- 408 次调用实测：TypeSafe 新晋模型 Jev 图像输入表现报告 — SeveralSeat2176 · 2026-10-16
- Chandra 2.5 用新训练法将文字混淆减少 7 倍，低于 Gemini 与 Claude — VikParuchuri · 2026-10-16
- Datalab 实测：Gemini Flash 3.8 与 Claude Opus 5.5 同样输出错文字系统 — VikParuchuri · 2026-10-16