
何が起きたか
著者のBM25検証で、クエリ「形態素解析」は無関係な文書に対しBPEでは2.2391、形態素解析では0.0000となった。形態素解析は語を正しく分割した。
なぜ重要か
無関係な文書での2.2391というスコアはBPEの部分一致がノイズを拾い得ることを示し、0.0000は形態素解析がこのクエリでそのノイズを避けることを示す。
こういう要約が、毎朝あなたのメールに届きます。
LLMと検索システムがテキストをどう分割するかを比較した個人実験。LLMは頻出文字ペアを統合するBPEを使い、検索エンジンは通常、辞書に基づく形態素解析を使うという観察から始まる。著者は3つのクエリパターンで両方のトークン化手法を用いたBM25キーワード検索を実行する。結果はトレードオフを示す。BPEは未知語やスペースの揺れに柔軟に対応するが、部分一致によって無関係な文書のスコアを膨らませることがある。形態素解析は語が辞書にあればそうしたノイズを避けられるが、「Llama Index」のようにスペースが入った表記揺れを見逃すことがある。著者は、検索にBPEトークンを使うと精度が下がりインデックスが大きくなる可能性があり、取得したテキストをLLMに渡すRAGパイプラインで重要だと結論づけている。
業界と使っているAIツールを選ぶと、仕事に関係するニュースが毎朝届きます。
登録無料・Googleアカウントなら30秒・いつでも解除できますAITodayについて →
この記事についてわからないことをAIに質問できます。AIはこの記事・AIToday の過去記事・Wikipedia を読み、出典を付けて答えます。Q&Aはこのページに公開され、他の読者も読めます。
このようなAIの動きを、御社の業界・競合に合わせて毎日届ける法人プランもあります → 詳しく見る
Microsoft Ignite 2026でマイクロソフトは赤・青・緑チームのエージェントを組み合わせ攻撃模擬・検知調査・脆弱性修正を行うMicrosoft Perceptionの一般提供を発表した

Microsoft Ignite 2026でWindows Server 2028のパブリックプレビューが公開され、Microsoft Foundry、Windows ML、vLLM、Llama.cppによるAI推論ホス…

AUMOVIOはDatabricks Unity GatewayをLLMへの唯一の経路に採用

CADMAGEDDONはBenchCADの64³ボクセルIoUで、1000部品のサブセットにおいて0.991を記録し、Claude Sonnet 5.5の0.963、Claude Opus 5.5の0.962、GPT-6…

MIT Technology ReviewのAI誇大広告指数はAIの広がりを示し、GoogleのAI Overviewsが広告収入で数十億ドルを失わせたことやAI支援のサイバー攻撃を挙げた

哲学者トーマス・ナゲル氏はバーグルエン賞受賞後のインタビューで、大規模言語モデルが意識を持つ可能性を真剣に受け止めるのは「馬鹿げている」と述べ、AnthropicのClaudeへのアプローチを「犯罪的」と呼んだ
