Meta 用 scaling laws 从小规模实验预测全量 A/B 结果
_reachsumit · x · 2026-11-13
Meta 发表论文，提出在推荐系统中利用特征不变的 scaling laws，用少量小规模实验预测全量 A/B 测试结果，从而省去大规模线上实验的成本。
核心思路是找到在小规模和全量训练间保持稳定缩放关系的特征统计量，据此外推模型改动在大流量下的真实效果。对推荐系统迭代效率和实验成本优化有直接参考价值。
「研究」频道最新
- 1000 个 Claude 智能体 11 天形式化费马大定理，写下 1300 万行 Lean — FinanceYF5 · 2026-11-13
- LobeHub 开源 awesome-rsi:一张地图理清 AI 递归自我改进研究 — udmrzn · 2026-11-13
- François Fleuret 质问：EMA 归一化为何不如 batch 归一化流行 — francoisfleuret · 2026-11-13
- RL 框架 Miles v0.2 发布:支持 NVIDIA/AMD/TPU/Trainium 四种硬件 — ying11231 · 2026-11-13
- 开源机器人学习书发布规划新章：详解 CEM 等采样式规划器 — GlenBerseth · 2026-11-13
- 14 分钟视频还原 ChatGPT 一次问答之旅:从回车键到 GPU 再返回 — Glass-Garden-5888 · 2026-11-13