探索建模：发现参数与数据之外的第三大预训练维度
sudoraohacker · x · 2026-08-01
Laude Institute 等团队提出 Explorative Modeling（探索建模），在传统的参数量和数据量之外，发现了第三种预训练扩展维度：探索（exploration）。
核心机制极其简单，只需在训练中增加一个 for 循环，但展现出极强的泛化能力：
- 跨模态增益：在视频、图像和文本等多种模态的模型上均观察到显著提升。
- 收益随规模扩大：随着数据量、参数量和计算量的增加，探索带来的性能收益呈单调上升趋势。
- 效率大幅提升：在接近 SOTA 的基线模型上，探索机制将数据效率提升了 6.2 倍，FLOP 效率提升 4.1 倍，参数效率提升 47%，并在 ImageNet 上取得了 1.43 的无引导 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