同一句话，如果被 AI 的分词器切得太碎，就像一句话要分很多次说完：更占上下文，也要更多生成步骤。LFM2.5-8B-A1B 公布了一套“原位扩词表”配方——保留已经训练好的模型主体，把词表（模型能直接识别的 token 集合）从 65K 扩到 128K，不必从头预训练。
最巧的一步是，新词并非随机加入。团队保留原有 BPE（逐步把常见字符组合合并成 token）的全部规则，再用多语言语料继续合并。这样，每个新 token 都能拆回一串旧 token；它对应的模型参数，直接取这些旧 token 参数的平均值。旧词则原样继承。团队还称，一次训练全部参数会损害原本已擅长的部分，因此改成分阶段适配。
据团队自述，扩词后，Hindi 和 Vietnamese 表示同样文本所需的 token 分别约减少到原来的 1/2.4 和 1/2.6，Thai 最多减少到 1/4；他们据此估算，设备端按字符计算的解码速度可提高 2.2 至 3.7 倍，而原先表现较好的语言质量保持稳定。价值不只在数字：它给旧模型补语言短板提供了一条更省成本的工程路径。