# 为小语言模型专门化词表如何在实际应用中将推理成本降低 77%

- 原标题：How Specializing the Vocabulary of SLMs Can Cut Inference Cost by 77% in Real Applications
- 类型：博客
- 来源：Hugging Face
- 发布时间：2026-10-22
- 首次精选：2026-10-26 15:43
- 分级：值得看
- 学习层级：进阶
- 主题：[ai-cost-optimization](<https://oplearnx.com/md/topics/ai-cost-optimization.md>)（第 18 位）、[neural-model-foundations](<https://oplearnx.com/md/topics/neural-model-foundations.md>)（第 42 位）
- 原文链接：[https://huggingface.co/blog/Dharma-AI/vocabx-vocabulary-specialization](<https://huggingface.co/blog/Dharma-AI/vocabx-vocabulary-specialization>)
- 本站页面：[https://oplearnx.com/resources/pk\_babc6dc52769](<https://oplearnx.com/resources/pk_babc6dc52769>)

## 摘要

文章介绍 Dharma-AI 基于 VocabX 论文的成果：围绕每个 token 的成本而非频率来专门化词表，在不更换基座模型的情况下把实测推理成本降低 77%。文中以生产环境中基于 Qwen3-4B 的葡萄牙语作文自动评分器为例，说明通用词表如何将模型最常写出的文本切分成过多 token，并指出分词器通常被视为基座模型的固定属性而未被改动。

---
来源：LearnMap · 学径（https://oplearnx.com）