中文词汇库是如何被色情和在线赌博等内容污染的

截图来自论文《推测大型语言模型的中文训练数据污染来源于其标记》（Speculating LLMs' Chinese Training Data Pollution from Their Tokens）。

该研究由清华大学、蚂蚁集团和南洋理工大学的研究人员共同完成，探讨了大型语言模型（如GPT系列）的中文词汇库如何被色情和在线赌博等内容污染的问题。

论文地址：http://t.cn/AXPGYTQx