新论文：修改递归深度可提升预训练 scaling 指数，越大规模越省算力
bo_wangbo · x · 2026-09-17
Andrew G. Wilson 团队发布新论文，展示通过对模型生长中的递归深度（looping）进行修改，可以改善预训练的 scaling 指数——意味着算力效率的增益随规模增大而扩大。这与常见的「堆更多数据与参数」路线互补，指向一种通过架构设计而非单纯加大投入来提升规模效率的方向。论文详情见推文附链。
所属事件:循环深度改写 Scaling 指数：7.4B 模型省 20 倍算力匹敌 GPT-3 13B(7 条相关)→
「研究」频道最新
- 小米 MiMo 提出 CodeSpecWeave:用相互依赖规格合成任务训练编程智能体 — XiaomiMiMo · 2026-11-02
- Mistral Large 4 短提示词从零写出量子化学 SCF 求解器并自建 3D 可视化 — MistralAI · 2026-11-02
- 谁把「用 AI 治愈癌症」讲得最具体？2025 年路线图正在成形 — iskander · 2026-11-02
- arXiv 论文证明 SGD 最优步长调度:单调递减的线性衰减是唯一极小极大最优解 — konstmish · 2026-11-02
- Karpathy 的 nanochat:100 美元从零训练出类 ChatGPT,星标近 6 万 — karpathy · 2026-11-02
- 读完 46 份资料后写出 Agent Evals 指南：自评 95 分的评测为何不可信 — blaizedsouza · 2026-11-02