热点事件持续更新
研究揭示量化误差是预训练损失激增诱因并提出缓解方案
1 篇报道1 个报道来源7 小时前更新
先了解这件事
AI 综述
2026年10月30日，arXiv发表的研究表明，语言模型预训练中后期出现的致命性损失激增（time-bomb spikes）是由LM head快速增长的量化误差所致，降低数值精度会进一步加速此类失稳现象。为解决该问题，研究提出在LM head上使用带动量的SGD替代AdamW优化器，该方法能够有效抑制logit增长，并改善长周期训练的稳定性。分析进一步证实，各类缓解技术的核心均在于减少量化误差，抑制有限精度误差是保障模型预训练稳定的核心机制。
AI 根据报道生成 · 4 小时前更新
最新进展10月30日 12:00
研究指出LM head量化误差引发预训练损失激增，提出用动量SGD替代AdamW以提升稳定性。报道时间线
沿着报道，了解事件的不同侧面。
10月30日
- arXiv 机器学习量化在语言模型 Loss Spikes 中的作用
研究表明语言模型预训练中后期的致命性损失激增（time-bomb spikes）由 LM head 快速增长的量化误差所致，降低数值精度会加速此类失稳。研究提出在 LM head 上用带动量的 SGD 替代 AdamW，能够抑制 logit 增长并改善长周期训练的稳定性。分析证实各缓解技术均通过减少量化误差起效，抑制有限精度误差是保障预训练稳定的核心机制。
本事件热度走势
当前热度 8·可比范围峰值 9（10月30日 16:00）·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。