arXiv · cs.AI· Trevor McCourt, Ila R. Fiete, Isaac L. Chuang·· 20 小时前
面向故障硬件训练的大语言模型：规模增大或提升错误韧性
Fault-tolerant foundation models
arXiv:2610.10311v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Trevor McCourt, Ila R. Fiete, Isaac L. Chuang
首次提交：2026-10-08 00:05
研究任务与主要进展
该论文研究如何训练大语言模型以适应牺牲可靠性换取能效的硬件，并报告在模拟故障数字硬件上进行的 40,000 GPU 小时训练结果。基于修正的神经缩放定律，作者称模型规模增大时错误韧性反而提升，模型可能学习在具有有限相对开销的“好”纠错码内计算；作者进一步猜想，适当训练的模型或可实现形式化容错，从而为低能耗 AI 推理带来节能潜力，当前摘要未证明这一点。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org