Minixhofer 等人提出 byteification，把基于 token 的大模型改造为字节级模型，使其能数清单词中的单个字母

该工作提出 byteification，把原本以 token（代表字母序列）为处理单元的 LLM 改造为在字节层面运行，字节是编码单个字符的二进制序列。 此前基于 token 的模型虽性能优异，却无法访问单词中的单个字符；byteification 让改造后的模型重新获得字符级访问能力。 《Nature》新闻与观点文章转述 Minixhofer 等人的《Nature》论文，指出作者展示了 byteified 模型在保持字符读取能力的同时取得有竞争力的性能；本材料为摘要级页面，未给出具体基准、数据集或数值。

改造后的模型能够处理需要字符级信息的任务，例如统计单词中某个字母出现的次数。 这直接针对 token 化模型在字符计数类问题上的典型表现——例如被问及“strawberry”中字母“r”的次数时，许多 LLM 回答两次，而实际为三次。 该结论来自新闻与观点文章对原论文结果的概述，属于对作者所报告结果的转述，未提供实验规模或对照细节。

byteification 的意义在于把字节级操作能力引入已有的 token 基座模型，而非从头训练字节级模型。 这为在既有 LLM 上获得字符级能力提供了一条改造路径，同时保留其原有性能水平。 文章以“retrofits token-based LLMs to operate at the byte level”描述该方法，并称 byteified 模型可达到有竞争力的性能；具体改造流程与评测条件需查阅原论文。

该结果面向需要字符级信息的语言任务，例如统计单词中字母出现次数；其适用对象是已有的 token 基座 LLM，通过 byteification 改造后在字节层面运行。对希望在不放弃现有模型性能的前提下补齐字符级能力的开发者与研究者，这一路径提供了可参考的方向。

本材料为摘要级页面，未包含原论文的基准名称、数据集、模型规模或具体数值，因此无法判断“有竞争力的性能”在何种任务与对照条件下成立。byteification 的改造代价、对训练与推理效率的影响，以及字符级能力在不同语言和字符集上的表现，仍需查阅原论文。此外，页面未说明该结论是否已在多种模型家族上验证。