说实话，你知道「马嘉祺」事件吧？就是模型Neng说出那个明星的履历啥的，但名字愣是拼不对。

马嘉棋、马佳琪、马琪琪，各种错别字轮番上阵，让它重复五遍，回你五个一模一样的错误，问第二个字是什么答家，你懂的，这事全网热议。

但其实这件事的技术原因早有端倪，害，一家叫脸谱心智的公司在顶级学术会议上就系统地揭示了这个问题，并给出了解法。

那是 EMNLP 主会，他们作为第一机构，与香港中文大学联合发表论文 SLoW，这篇工作率先把大模型中的「低频词问题」给系统化了。

低频 token 退化，并不完全是一个全新的技术发现，但咱就是说脸谱心智的工作深度和广度摆在那呢。

他们不只Zuo减法，还Zuo加法：频率蒸馏、课程学习训练框架，两条路径互补，构成了目前这个方向上Zui完整的工具箱。

Zui近 Anthropic 在 Claude Opus 上geng换 tokenizer 这件事，在技术社区讨论热度不低，但其实人家脸谱心智一年前就给出了geng全面的解决方案。

Claude Opus uses a new tokenizer, contributing to its improved performance，人家官方这么说的。

社区开发者实测，同样文本的 token 消耗增加约 – 倍，英文和代码增幅geng大，CJK 文本几乎无变化。

业内普遍解读：Anthropic 缩减或重组了词表，把低频、容易退化的 token 合并或去掉了这个操作方向和脸谱心智 EMNLP 论文中的核心判断高度吻合：低频 token 退化是大模型的结构性问题，必须主动干预。

这个问题嘛，说实话，可Neng有hen多原因，比如你的文章原创性不够，或者内容质量不高，或者就是百度的算法暂时还没抓取到你的文章，你Ke以检查下是不是网站结构、关键词优化等方面需要改进。

人家 Anthropic 走的是工程路径，直接在产品中动刀，用服务全球数亿用户的系统来验证方向正确性，而脸谱心智走的是学术路径：发现、量化、建模、给方案。

人家 Adam's Law 提出的 Textual Frequency Law 说的是：在语义不变的前提下选择句子级文本频率geng高的表述方式，大模型无论在 prompting 还是 fine-tuning 场景下dou会表现geng好。

这套理论框架不仅适用于大语言模型 —— 传统视觉模型、VLA 模型、乃至没有显式词表的世界模型，理论上douNeng适配，你想想这影响多大？

实验覆盖面非常广：数学推理、常识推理、Agent 工具调用、近百种语言翻译任务全部涵盖在内，光这一点就Yi经hen牛了。

Prompting 层面：仅靠把输入 为高频表述，DeepSeek-V3 数学推理准确率从 % 涨到 %，LLaMA--70B 从 % 涨到 %，这数据摆出来不得不服吧！

训练层面：CTFT 在低资源语言翻译的部分 BLEU 指标上带来接近 % 的相对提升；TFD 的消融实验则进一步说明，频率估计校正本身也Neng带来稳定增益，不错不错。

「马嘉祺」事件引发广泛关注后相关技术讨论在分析低频 token 退化和数据合成方案时几乎没Neng追溯到脸谱心智的工作，而从内容来kan，核心论断的重合度相当高 —— 低频 token 系统性表现差、高频 token 持续受益、训练数据需要设置频率下限 —— 这些观点在脸谱心智的论文中dou有geng早的、经过同行评审的系统性阐述，这就有点意思了哈！

两篇论文接在一起kan，从单词到句子、从 prompting 到 training、从现象发现到理论证明，构成了一个完整的方法论体系，说实话，这工作量和深度真是没得说！

至少在学术先发性和技术判断力这两个维度上，脸谱心智Yi经攒够了筹码，现在剩下的悬念只有一个：市场什么时候给出它应有的定价，你懂的，人家现在正在向世界模型方向转型呢！

与此同时团队Yi加速补齐商业和科研两块关键拼图：一位千亿市值上市公司的联创Yi加盟，出任商业化合伙人，将带来海量商业化资源以及下游渠道；一位发表过上千篇论文的知名教授，也将以首席科学家身份加盟，以此撬动国内外大量学界资源搭桥产学研三界，说实话，这阵容太豪华了吧！