预训练大语言模型的原地分词器扩展方法
评分
74提出了新颖的原地分词器扩展方法，解决了端侧模型多语言部署中词表扩容的实际痛点。
方法描述清晰，实验设计合理，附有负面发现，论证充分。
该方法可直接用于已有模型的优化，开源权重和分词器，实用价值高。
虽为arXiv最新论文，但方法本身并非突破性创新，而是工程优化。
来自学术界正规论文，可复现，信源可信。
基础分 82.5 × T2 信源权重 ×0.9 = 74
精选线 70已入选精选
精选理由
论文方法实用且效果显著，实验充分，但对极端低资源语言的泛化能力尚未验证，略有遗憾。
AI 点评
「这篇论文为端侧模型的多语言部署提供了一个非常实用的工程方案，尤其对关注模型推理成本和语言覆盖的团队很有价值。方法简单有效，开源实现降低了复现门槛。虽然是增量工作，但针对的痛点真实，效果显著。」
速览
预训练时固定的分词器会按语料比例分配词汇，当部署优先级变化时，后续加入的语言每个词被切分为更多token，增加延迟、计算和能耗。云模型可承担大词表，但端侧模型因传输带宽限制只能用小词表，导致非预设语言碎片化。本文提出一种原地分词器扩展方法：在已有BPE merges基础上继续合并多语言语料，保留原有token不变，新增token通过子token嵌入均值初始化。经过两阶段适应训练（先只训练嵌入层，再全模型继续预训练），恢复原始检查点质量。在LFM2-8B-A1B模型上应用后，印地语和越南语编码token数分别减少约2.4倍和2.6倍（泰语达4.0倍），预估每字符解码速度提升2.2-3.7倍。已发布模型权重和扩展后的分词器。
- 提出原地分词器扩展方法，在不改变已有token的前提下扩充分词器词表，新token通过已有子token嵌入均值初始化。
- 两阶段训练策略：先只训练嵌入层，再全模型继续预训练，可恢复原始检查点质量。
- 在8B参数的MoE模型LFM2-8B-A1B上应用，扩展至128K词表，印地语和越南语token数分别减少2.4倍和2.6倍，泰语达4.0倍。
- 预估在多款参考设备上每字符解码速度提升2.2-3.7倍，已开源模型权重和扩展分词器。
正文
本文为 AI 生成的中文精读,原文请点「查看原文」
相关条目
精选DeepSeek V4 在 OpenRouter 上的代币份额翻倍，智能体工作负载成主要驱动力
DeepSeek V4 的快速采用表明市场对高性能、低成本推理模型的强烈偏好，尤其是智能体场景将重塑 AI 部署格局。
91
精选启用两项设置使ARC-AGI-3基准测试分数提升三倍
这项发现太关键了！它表明模型的性能不仅取决于训练，还取决于推理时的配置。对于AI工程师和研究者来说，这是一个必须注意的优化方向。特别是那些在资源受限设备上部署模型的团队，可能会因此找到低成本提升能力的方法。
91
精选GPT-5.6：前沿智能与前沿效率的融合
这条消息值得关注，因为它标志着大模型竞争从单纯拼参数转向拼效率。对于AI开发者和企业决策者来说，GPT-5.6意味着可以用更少预算获得更高性能，尤其适合那些被推理成本挡在门外的长上下文或Agent场景。OpenAI这一步，可能重新定义‘前沿’的标准。
91
精选LFM2.5-Encoder：面向CPU快速长上下文推理的新模型
这篇博文让我眼前一亮，因为它直接解决了大模型在CPU上跑长上下文的痛点。对于没有高端GPU的团队或个人开发者，LFM2.5-Encoder系列提供了可立即使用的开源方案。尤其推荐给做RAG、文档搜索或代码分析的朋友——现在用普通服务器就能处理百万级token的文档了。
91
精选GPT-Red：OpenAI通过自我对弈实现AI红队自动化，提升模型鲁棒性
GPT-Red 是红队测试从人工到自动化的里程碑，特别适合安全工程师和对齐研究者关注。它直接降低了测试成本，但也引发了对“自动攻击”本身的伦理讨论——值得所有关注AI治理的人深入思考。
91
精选OpenAI推出GPT-5.5生物漏洞赏金计划
这个计划值得关注，因为它首次将AI漏洞赏金制度拓展到生物安全领域，不仅为安全社区提供了新的研究方向，也为AI风险治理提供了实际演练场。对模型安全研究者、生物安全专家以及关心AI双重用途的从业者尤其重要。
91
精选vLLM推出原生速度Transformers建模后端，大幅提升推理性能
这项更新对于AI工程团队非常关键：无需格式转换意味着能更快地迭代模型，而2-5倍的速度提升直接降低GPU成本。如果你正在做LLM在线服务或者批量推理，这几乎是必读的技术更新。
90
精选Google DeepMind 发布手语转文本模型 SL2T，助力聋人用户
这则消息的意义不仅在于技术突破，更在于AI开始真正关注边缘群体的需求。对开发者而言，SL2T的架构思路和技术路径值得深入研究；对无障碍倡导者来说，这是推动行业标准的重要案例。