所有大模型都在比「我的词表多大」，Meta 偏偏说：词表？不要了。直接给字节喂。
BLT，Meta FAIR 出品（注意不是字节跳动，别被名字骗了），arXiv:2412.09871，ACL 2025 Outstanding Paper，作者 Artidoro Pagnoni 等 14 人（Meta FAIR + UW + UChicago）。
核心是把 token 化整个丢掉，改成「熵驱动动态 patch 化」：轻 encoder 把字节池化成 patch，大 global transformer 处理，轻 decoder 还原。还用 hash n-gram 嵌入（3–8 gram，500K 表）。8B 参数规模下匹配同体量 token 模型，推理还更省——高频冗余 token 不用再算。
常见误会：字节跳动也有无词表探索，但叫 Cola DLM，反着做了 Over-Tokenized Transformer（ICML 2025，12.8M 词表），路子完全不同。BLT 代码在 github.com/facebookresearch/blt，权重有 blt-1b/7b/entropy。
钉子：BLT 戳破一个集体幻觉——「分词」是必要基础设施，不是自然法。当模型学会按信息熵自己决定切多细，那份被人均几万 token 词表绑架的复杂度，也许能整块卸下来。下一根该盯的：中文这种字粒度本来就细的语言，在字节级模型上是占便宜还是吃哑巴亏？