Meta提出PLES方法高效估计LLM超参缩放律
热点事件持续更新
Meta提出PLES方法高效估计LLM超参缩放律
1 篇报道1 个报道来源6 小时前更新
先了解这件事
AI 综述
Meta研究人员Zhiliang Chen等在arXiv论文中提出Power-Law Entropy Search（PLES），一种建立在多保真度贝叶斯优化上的计算成本感知获取函数，用于通过自适应实验估计大语言模型训练的最优超参数缩放律，按单位计算成本选择最能降低缩放律估计不确定性的候选配置。 论文摘要称，PLES在合成基准、拟合真实LLM训练数据的代理模型和实际LLM预训练运行中评估，收敛到准确的最优超参数缩放律，所用计算预算不到传统网格搜索及其他基线的十分之一。
AI 根据报道生成 · 3 小时前更新
最新进展10月16日 12:00
PLES通过幂律熵搜索高效估计最优超参数缩放律报道时间线
沿着报道，了解事件的不同侧面。
10月16日
- arXiv · cs.AIPLES通过幂律熵搜索高效估计最优超参数缩放律
作者提出Power-Law Entropy Search（PLES），用多保真度贝叶斯优化高效估计大语言训练的最优超参数缩放律。该方法按单位计算成本选择最能降低缩放律估计不确定性的候选配置，摘要报告其在合成基准、真实训练数据拟合的代理模型和实际LLM预训练运行中均使用传统网格搜索及其他基线所需十分之一的计算预算。
本事件热度走势
- 可比范围当前
- 8
- 可比范围峰值
- 910月16日 16:00
- 近 24 小时变化
- –
02.557.510
16:0017:0018:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。