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
- AWS 教程:SageMaker SDK v3 搭建车队级边缘视觉模型流水线 — AWS ML Blog · 2026-10-27
- Embedl 把 Qwen3.8-27B 压进 Jetson Thor:解码 40 tok/s,精度反超 FP16 — No-Dragonfly6246 · 2026-10-27
- Celesto 推出便宜近 90% 的 CI Runner，兼做 Agent 云电脑 — aniketmaurya · 2026-10-27
- Supabase 联创谈 AI 时代后端：为十亿个 AI 生成应用而设计 — Latent Space · 2026-10-27
- AW-0 单卡 RTX 5090 推理 230ms:联合去噪比自回归代码快 2.4 倍 — trevordarrell · 2026-10-27
- 全美市议会话题追踪网站：数据中心热度仅次于匹克球场 — zakkohane · 2026-10-27