大模型为何记不住人名MiniMax技术报告揭示词元训练不足

在人工智能对话的实际应用中，用户有时会遇到一个令人费解的现象：模型能够深入探讨复杂的专业话题，却在提及某些特定人物姓名、行业术语或小众词汇时，突然出现“卡壳”或给出错误替代词的情况。这并非简单的知识盲区，其背后往往触及大语言模型（LLM）训练机制中一个深层的技术瓶颈——词元训练不足问题。

近期，一家领先的AI公司在发布的技术报告中，深入剖析了其模型无法准确输出“马嘉祺”等特定人名的根本原因，并分享了完整的系统性解决方案。这一典型案例为我们理解大语言模型的工作机理与优化方向，提供了一个具体而深刻的观察窗口。

分词机制与训练阶段的潜在脱节

问题的根源在于大模型处理文本的基础单元——词元。与人类逐字阅读不同，模型首先将输入文本切分为一系列词元序列再进行理解与生成。在报告涉及的模型中，“马嘉祺”这个名字被分词器切分为“马”和“嘉祺”两个词元。其中，“嘉祺”作为人名的一部分，被合并为一个独立的词元。

主流大模型的训练通常分为两个关键阶段：首先是基于海量互联网文本进行的预训练阶段，目标是让模型掌握广泛的语言模式、世界知识和基础词汇；随后是基于高质量对话数据进行的后训练阶段（包括指令微调与对齐），旨在教会模型如何以符合人类期望的方式进行交互和对话。

数据稀疏引发的关键“词元退化”

技术团队经过深入排查发现，在后训练阶段所使用的精编对话数据集中，包含“嘉祺”这一词元的样本数量极其稀少。这种数据分布上的高度稀疏性，导致该词元在后训练过程中几乎未能得到有效的梯度更新与参数优化。

与此同时，大量高频词元在后训练中持续被强化，其向量表示不断被调整和优化。这种过程无形中“挤压”了如“嘉祺”这类低频词元的向量表征空间，最终将其推离了模型能够正确、高概率生成的有效区域。因此，当模型需要输出该名字时，只能退而求其次，选择发音或形态相近的高频词元进行替代，例如错误地输出为“佳琪”或“琪琪”。

详细的参数分析数据显示，“嘉祺”词元对应的权重向量在后训练后发生了显著偏移，其与原始向量的余弦相似度大幅下降，向量范数变化剧烈，这明确表明该词元的语义表征已出现严重退化。

系统性扫描揭示的普遍性挑战

需要强调的是，这一问题并非孤例。为了全面评估该现象的普遍性，技术团队对模型词表中全部的约20万个词元进行了系统性的参数扫描与对比分析。

结果揭示了一个关键发现：约有4.9%的词元在后训练阶段后发生了显著的性能退化。这些退化词元主要集中于四大类别：预训练阶段引入的特殊控制标记、LaTeX数学公式与维基百科源码标记、特定领域的中文SEO关键词，以及占比最大的日文口语表达和博客模板用语。

这一发现也同时解释了该模型另一个长期被观察到的疑难现象：在进行日语对话时，模型偶尔会不合时宜地混入俄语或韩语字符。数据进一步显示，日语词元的整体退化比例高达29.7%，远高于中文词元的3.9%和英文词元的3.5%。这清晰地表明，后训练数据对不同语种和领域覆盖的不均衡，会直接导致模型在生成响应时产生系统性的偏差与错误。

合成数据覆盖与有效的修复方案

在精准定位根本原因后，修复思路变得清晰：必须确保词表中的每一个词元，在后训练阶段都能获得最低限度的训练曝光与参数更新机会。为此，技术团队构造了一份覆盖全词表的合成数据，通过设计简单的“复读”任务，强制模型练习生成每一个词元，从而为所有词元建立起基础且稳定的生成概率保障。

官方基准测试结果显示，修复后的模型在全词表输出稳定性上得到显著提升，词元向量的余弦相似度最低值已大幅改善至0.97以上。同时，模型在日语回答中混入非目标语言字符的错误比例，由修复前的47%成功降至1%。

目前，技术团队仍在持续探索更多优化方向，例如：在指令微调数据中有策略地混入部分预训练语料以维持知识广度；针对后训练中未覆盖的低频词元，定向合成高质量的对话样本；以及从词表中审慎裁减业务场景中永远不会用到的特殊标记，以精简模型并提升效率。

此次深入的技术复盘揭示了一个更深层次的行业性问题：分词器的设计目标与模型的下游应用场景之间可能存在潜在脱节。大模型的分词器通常基于大规模、多样化的网络语料训练而成，其中包含了大量仅出现于特定领域、小众文化或非主流语言的词元。这些词元在预训练阶段尚能获得一定的学习，但在面向通用对话进行高度优化的后训练阶段，却可能因数据分布的显著差异而“失活”或“被遗忘”。这个案例最终指向一个结构性的行业挑战：在模型的后训练与对齐阶段，我们不仅需要关注语义和指令遵循的多样性，更需从统计层面保障词元级别的数据覆盖均衡性，这是确保模型输出稳定与可靠的关键一环。