预训练新维度：探索式建模大幅提升数据与算力效率
tokenbender · x · 2026-08-01
研究者提出了在参数和数据之外的第三个预训练维度：探索（Exploration）。这种被称为“探索式建模”的方法，在每一步训练中生成 K 个候选样本，仅对最接近真实数据的候选者进行训练。
实验表明，扩展探索规模能单调提升模型在图像、视频和语言上的表现。该方法带来了显著的效率提升：数据效率提高 6.2 倍，FLOP 效率提高 4.1 倍，参数效率提高 47%，并在 ImageNet 上达到了 1.43 的近 SOTA 无指导 FID。
所属事件:探索式建模：预训练第三轴，最高6倍采样效率提升(12 条相关)→
「研究」频道最新
- 为 Kaggle Gemma 4 竞赛选手整理的消融实验资源 — ayushthakur0 · 2026-10-16
- 专家预测 2100 年前全球 AI 灾难概率中位数为 5% — ben_j_todd · 2026-10-16
- 经济学家的历史镜鉴:拖拉机冲击下美国青少年延长在校时间 — soumitrashukla9 · 2026-10-16
- 研究者提出 scaling laws 缺失参数 H：近年进步多靠人类投入而非算力 — lateinteraction · 2026-10-16
- 一个古老结构单元撑起免疫系统：免疫球蛋白折叠的亿年多职演化 — arjunrajlab · 2026-10-16
- 论文灌水压垮评审系统,研究者主张大量直接桌面拒稿 — boknilev · 2026-10-16