数据重复致LLM预训练算力浪费可达33%
RylanSchaeffer · x · 2026-07-05
数据重复对LLM预训练有害已被广泛认知。Chudnovsky的论文进一步表明，这种危害取决于模型参数量、重复文档数量与重复次数之间可预测的scaling相互作用；错误的组合会严重浪费算力，最多可达约33%。
所属事件:斯坦福研究：数据重复致LLM预训练算力浪费达33%(2 条相关)→
「研究」频道最新
- Fern 架构支持 1000 万 token 上下文，预测精度持续提升 — AccBalanced · 2026-10-27
- Diamandis 详解 AI 癌症导航与 $100 基因测序如何缩小抗癌鸿沟 — PeterDiamandis · 2026-10-27
- EMNLP Oral 论文：免训练 KV 缓存驱逐实现 10 倍内存压缩 — yuz9yuz · 2026-10-27
- ICML 2026立场论文:别把中间token叫「思考轨迹」 — rao2z · 2026-10-27
- forking 收官：probe gap 随上下文频率呈幂律，掩蔽低频 n-gram 可缩小差距 — ZimingLiu11 · 2026-10-27
- 「forking」机制拆解：n-gram 表把 logits 切成互不干扰的子空间 — ZimingLiu11 · 2026-10-27