热点事件持续更新
研究人员提出用于LLM预训练的自适应批大小调度器
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
2026年10月5日，相关研究针对大语言模型（LLM）预训练中梯度方差无界增长的问题，提出了泛化 BG-$a$ 噪声模型，并设计出一种自适应批大小调度器，通过动态调整批大小来控制方差增长。在 C4 数据集上对最高 1B 参数的 OLMo2 模型的预训练实验显示，该调度器在相同 token 预算下取得了比固定小批和大批训练更低的验证损失，且所需迭代次数不到小批训练的 10%。
AI 根据报道生成 · 3 小时前更新
最新进展10月5日 12:00
研究提出自适应批大小调度器，1B模型实验显示其验证损失更低且迭代次数大幅减少。报道时间线
沿着报道，了解事件的不同侧面。
10月5日
- arXiv 机器学习自适应批大小为何有助于 LLM 预训练？基于无界方差视角的解释
针对 LLM 预训练中梯度方差无界增长的问题，研究人员提出泛化 BG-$a$ 噪声模型，并设计出通过动态调整批大小控制方差增长的自适应调度器。在 C4 数据集上预训练高达 1B 参数的 OLMo2 模型实验显示，该调度器在相同 token 预算下取得了比固定小批和大批训练更低的验证损失，且所需迭代次数不到小批训练的 10%。
本事件热度走势
当前热度 9·可比范围峰值 10（10月5日 12:00）·近 24 小时可比范围变化 –
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。