多数语言模型先用固定分词器把文字变成 token，再把它们交给神经网络。常见的 BPE 会把经常相邻的字节合并成词表单元；切法预先确定，遇到陌生语言、代码或特殊格式时未必合适。Cartesia 的 H-Net 从字节出发，让网络在训练中决定分组边界。轻量外层编码细节，主网络处理压缩后的序列，随后还原到字节位置并生成输出；同样结构还能嵌套，形成更深的层级。
这次长文的重要补充是比较条件。单层实验尽量匹配内外层结构、计算量、参数与压缩率，并在同一训练语料上重新训练 BPE。团队报告，在留出验证数据上，达到相同的每字节预测损失所需训练计算约少 22%；更大的优势出现在部分分布外数据。每字节损失衡量预测文本的能力，不等于任务答对率，也不直接代表实际机器上的训练速度。
两层实验进一步与 SmolLM3 比较，在每字节计算相近时，用约一万亿 token 等量数据达到后者约十一万亿训练规模的六项任务平均成绩。不过两者参数量并不完全相等，训练阶段和后期数据混合也不同，不能把十倍左右的差距全部归于分词。文章给出了更有力的扩展线索；新版结构的完整发布与他人重建，仍是下一步要看的证据。