三项式 scaling law 联合推导最优批次大小
orvieto_antonio · x · 2026-07-04
针对算力分配中「多走步数还是用更大批次」的问题，作者提出用三项式损失律 L(N,M,K)= E + A·N⁻ᵅ + B·M⁻ᵝ + C·K⁻ᵞ 来刻画，其中 M 为以 token 计的批次大小、K 为训练步数。相比以往单独拟合 batch-size law，这里批次大小直接进入损失律，因此最优批次与临界批次可被推导而非单独拟合。由于 D=MK（总 token 数），该律预测最优批次 M ∝ D^(γ/(β+γ))。文中附论文链接。
「研究」频道最新
- EMNLP 2026 两篇论文：小模型实体追踪超人类、类人短暂记忆研究 — GretaTuckute · 2026-10-27
- 历时十年研究：秘鲁 Tarma 克丘亚语的「反自然」音系限制首获实证 — begusgasper · 2026-10-27
- Clinical System One v0.2:更难测试下顶级医疗 AI 准确率跌至 65% — MaziyarPanahi · 2026-10-27
- IdeaAnchor:用 1.4 万篇论文的灵感溯源教 LLM 基于文献提想法 — armancohan · 2026-10-26
- MIT Ziming Liu 批评 AutoResearch：不懂原理的训练技巧会引发 forking 过拟合灾难 — ZimingLiu11 · 2026-10-26
- 斯坦福数据中心化 AI 研讨会开放报名，海报截止延期 — jure · 2026-10-26