Liquid AI 将模型 tokenizer 原地扩容到 12.8 万词表
pmttyji · reddit · 2026-07-22
Liquid AI 分享了 LFM2.5-8B-A1B 背后的 tokenizer 升级方法：它不是从头重训，而是对一个预训练模型的分词器做 in-place 扩容。
要点包括：
- 词表从 65K 扩到 128K。
- 目标是修复原 tokenizer 对某些语言切分过细的问题。
- 帖子同时给出了博客和 arXiv 技术报告，信息量更偏方法论而不是单纯模型发布。
配图展示了英文和泰文的对比：英文 token 数几乎不变，而泰文在扩容后能以更合理的方式切分，说明这种做法对多语言场景尤其有价值。
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)→
「研究」频道最新
- EMNLP 论文：让 LLM 换个问法，「42」变「3」但蝴蝶仍是帝王蝶 — radamihalcea · 2026-10-27
- Datology Curation Studio 线上深潜：少于 20% 算力匹配最强基线 — josh_wills · 2026-10-27
- KANLab 开源：浏览器里可视化玩转 KAN 网络 — Lukas Niehaus · 2026-10-27
- CMU 提出 LLM2Cert：LLM 生成证书，SMT/Lean 自动验证 — CarnegieMellonU · 2026-10-27
- NVIDIA 开源 FLORA：机器人数据引擎，成本仅 GPT-6 Astra 的 1/125 — nvidia · 2026-10-27
- RSNA 2026 深度学习实验室回归:芝加哥四天八节动手 AI 课 — PRouzrokh · 2026-10-27