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将LFM2词表扩容至128K提升多语言效率(3 条相关)→
「Infra」频道最新
- Tabul AI 推出 Metal TreeSHAP，加速 Apple silicon 上的 Shapley 计算 — Scobleizer · 2026-07-22
- DeepSeek-V4-Flash 单卡 B300 批量仅 770 tok/s — Moreh · 2026-07-22
- NVIDIA 开始交付 102.4 Tbps 的 Spectrum-6 交换机 — nvidia · 2026-07-22
- Apple 公布 Private Cloud Compute 的 SOC 3 审计报告 — throwfaraway4 · 2026-07-22
- Reddit：GPU 平台总让你在代码、恢复、计费里选两项 — legendpizzasenpai · 2026-07-22
- 智能体执行环境的安全基石：沙盒化宣言 — spirosoik · 2026-07-22