把数据调度变成优化的一部分：样本选择与排序影响 LLM 训练
Puzzleheaded_Box2842 · reddit · 2026-09-11
作者指出，随着训练数据规模增长，单纯 shuffle 已不够：噪声与冗余样本、领域占比失衡、样本出现顺序都会影响模型学到的内容。
更灵活的训练循环可以沿四个维度做动态调度：
- 动态选择：根据 loss、loss 变化、梯度相似度或离线分数决定哪些样本进入下一个训练窗口
- 动态重排：控制已选样本的呈现顺序，可用于课程式训练或学习阶段平衡
- 动态混合：在训练过程中调整领域/数据源的比例
- 动态加权：保留批次中的样本，但改变其对梯度更新的贡献强度
核心思路是把数据调度纳入优化过程本身，而不是在训练前就把数据集固定好。该方法已在开源项目 OpenDCAI/DataFlex 中实现，作者征求社区对样本选择与排序的看法。
「研究」频道最新
- 3D ResNet 论文八年突破 3000 引用，Kinetics 数据集成里程碑 — HirokatuKataoka · 2026-09-11
- Jeff Heaton《神经网络数学导论》开放免费完整下载 — blaizedsouza · 2026-09-11
- 数学家 Daniel Litt 上线问题库,15 题仅 1 题被解,用来追踪 AI 解题进度 — littmath · 2026-09-11
- AI 智能体协作优化 secp256k1 量子电路,挑战打破 ECDSA — StefanoGogioso · 2026-09-11
- Alex Townsend 汇编 200 个数值线性代数开放问题，供人类与 AI 攻关 — IgorCarron · 2026-09-11
- 本周热议的数学猜想到底关我什么事?一张普通人视角清单 — koltregaskes · 2026-09-11