How Specializing the Vocabulary of SLMs Can Cut — Hugging Face 博客：Dharma

• 文章提出对小型语言模型（SLM）做词表特化：按实际应用场景裁剪/定制 tokenizer 词表，而非沿用通用大词表。含义：tokenizer 不再是固定基础设施，而成为可针对业务优化的成本杠杆。
• 报告称在真实应用中，这一做法把推理成本降低 77%。含义：对 agent 与工具链而言，成本优化点可能不在模型权重或推理框架，而在词表层。
• 该结论来自 Dharma-AI 在 Hugging Face 博客上的实践分享，属于特定应用场景下的结果。含义：开发者评估时应以自己的语料和任务复现，而非直接套用数字。

原文：How Specializing the Vocabulary of SLMs Can Cut Inference Cost by 77% in Real Applications · 作者 Hugging Face