探索建模：发现继参数与数据后的第三大预训练维度
YouJiacheng · x · 2026-08-02
Alexi Glad 等人提出了 Explorative Modeling（探索建模），揭示了继参数量和数据量之外的第三个预训练维度：探索。
- 核心发现：增加探索能显著提升模型表现。随着数据量、参数量和计算量的增加，探索带来的增益呈单调上升趋势。
- 效率提升：在接近 SOTA 的基线模型上引入探索，可使数据效率提升 6.2 倍，FLOP 效率提升 4.1 倍，参数效率提升 47%，并在 ImageNet 上达到 1.43 的无引导 FID。
- 技术实质：探索允许在训练阶段投入更多计算以换取更好的泛化能力，从而实现端到端的生成式建模。Zhengyang Geng 补充指出，这本质上是向每次更新中注入更丰富的计算（如训练时的深度循环迭代），遵循“训练更费力，采样更轻松”的原则。
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