MiniMax发长文回应“模型无法说出马嘉祺”

5月9日，长文MiniMax官微发长文回应M2系列模型无法说出马嘉祺一事，模型马嘉提供了对“嘉祺识别”问题的无法完整排查过程和技术思考。

MiniMax表示，说出其从分词器版本对齐、长文embedding统计分布、模型马嘉语义近邻检索、无法预训练与后训练模型的说出few-shot对比实验、后训练数据频次统计以及对全词表lm_head变化幅度的长文排序扫描等多个维度进行了排查。最终定位到的模型马嘉原因是：“嘉祺”在分词器中被合并为一个独立token，但该token在后训练数据中出现频次极低，无法导致模型在后训练中逐渐遗忘了对该token的说出生成能力。

修复方案方面，长文MiniMax构造了一份覆盖全词表的模型马嘉合成数据，核心思想是无法：通过一个简单的复读任务，为全词表建立一个生成频率的“下限保障”，防止任何token因为完全缺失而退化。此外，MiniMax表示，将token覆盖度作为后训练数据质量的一项常规监控指标，可以在早期发现潜在的稀疏token退化风险，避免类似问题在线上复现。