研究揭示合成数据最优比例随算力从10%升至32%
heghbalz · x · 2026-10-26
普林斯顿、斯坦福与 Jane Street 研究者（含 Percy Liang）发布论文《Rewriting Scaling Laws for Synthetic Data with Compute and Data Constraints》，提出「改写 scaling law」，预测模型规模、训练 token 数、改写数据占比与自然数据 epoch 数如何共同决定损失，并把生成改写数据的算力计入成本。
关键发现：
- 算力受限场景：最优改写比例随训练算力增长，从 3×10^18 FLOPs 时的不到 10% 升至 10^22 FLOPs 时的 32%——算力越充足，越值得花算力改写数据。
- 外推验证：将 scaling law 外推 33 倍 FLOPs 训练 22B 参数模型，最终损失与预测仅差 1.1%；该模型在多个网页域上的 BPB 超过改写器本身，而训练算力只有其十分之一。
- 数据受限场景：改写器与目标模型同规模、在同一批自然数据上预训练时，最优改写比例同样随算力上升。
- 打破「学生超不过老师」直觉：用自身预训练数据生成的改写训练的模型，可胜过自然数据单独训练的最佳 3B 模型。
结论：合成改写方法论可以用 scaling law 视角量化预测，最优选择可计算，且训练效果不必止步于改写器能力上限。
「Infra」频道最新
- DeepSpeed 发布 AutoEP/AutoTP 等并行化进展并办线上答疑 — PyTorch · 2026-10-27
- Cloudflare Durable Objects 被验证为 AI agent 高并发场景优选架构 — tristanbob · 2026-10-27
- Gary Marcus:补上 Q3 数据后，Anthropic 算力效率增速现拐点 — GaryMarcus · 2026-10-27
- 推理社区与 K8s 社区高度重合：万亿市场的 Kubernetes 翻版 — matt_slotnick · 2026-10-27
- vLLM 考虑将更多栈迁往 Rust，推理引擎 Rust 化成趋势 — AccBalanced · 2026-10-27
- 同一套 DeepSeek 内核两种优化路线：vLLM 拆专家、SGLang 降访存 — AccBalanced · 2026-10-27