论文总结与翻译：《Vocabulary expansion through optimal initialization》一、文章主要内容该论文聚焦于预训练大型语言模型（LLMs）在小规模特定领域语料微调时，难以融入新领域术语的问题，提出了一种基于KL散度的知识蒸馏方法，用于解决冻结LLMs的词汇扩展挑战，即使原始模型和扩展模型采用不同的分词方式。1. 研究背景与动机大型语言模型在编程等领域应用广泛，能提升工程师效率，但将其适配新任务或融入新内部知识时，常采用微调开源基础模型的标准方法。新领域训练数据通常远小于预训练时使用的海量数据，且若新领域编程语言符号与模型训练时的代码符号不同，模型难以熟练掌握该语言，词汇扩展成为改善微调过程的重要途径。2. 核心研究问题如何追溯性地扩展预训练模型的词汇表，并训练模型有效整合新token。如何利用新颖的师生框架初始化新组件（新嵌入），而非简单随机初始化或启发式取值（如现有嵌入的均值），通过数学化方法优化新嵌入，使其无缝融入预训练模型结构，将现有嵌入序列压缩为单个能捕捉上下文含义的嵌入。3. 研究方法基于自蒸馏的嵌入初始化：以模型自身为教师初始化新嵌入，用KL散度损
