Liquid AI 原地扩容预训练 tokenizer 到 128K
JosephJacks_ · x · 2026-07-21
Liquid AI 发布了一份关于 原地扩展 tokenizer 的技术报告，目标是在不从零重训的情况下，给预训练 LLM 扩容词表并改善多语言效率。
他们做了什么
- 将 tokenizer 词表从 65K 扩到 128K。
- 保留原有 BPE merges，再在多语言语料上继续训练。
- 新 embedding 用模型已有知识初始化，并分两阶段适配：先 embedding-only，再 全模型继续训练。
结果如何
- 在 LFM2.5-8B 上，针对低资源语言带来更少 token：泰语最高 3.7× 解码更快、孟加拉语 3.1×、越南语 2.4×。
- 论文强调，这种方法能在保留既有预训练收益的前提下，提升端侧/本地模型效率。
所属事件:Liquid AI 原地扩容 LFM2 词表至 128K，多语言解码大幅提速(5 条相关)→
「Infra」频道最新
- 一天烧完两次 ChatGPT 额度，网友造新词「老黄—奥特曼定律」 — yihui_indie · 2026-09-11
- AI 消耗量分三波浪潮：2026 年 2 月 Agent 用量已超人类 — AccBalanced · 2026-09-11
- 英伟达已成主流 Robotaxi 栈核心：训练仿真车载计算全覆盖 — pdamodaran · 2026-09-11
- AI 工程师必懂的 12 种 KV Cache 压缩技术一文讲透 — blaizedsouza · 2026-09-11
- 影子算力市场走向台前,Meta 对外出售过剩 GPU 算力成标志性信号 — DavidLinthicum · 2026-09-11
- Engram 随机读取不适合 SSD，CPU 内存低延迟共享或成正解 — bookwormengr · 2026-09-11