论文提出MuonGS优化器：松弛权重范数控制用于LLM预训练
热点事件持续更新
论文提出MuonGS优化器：松弛权重范数控制用于LLM预训练
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
Athanasios Glentis在arXiv发布论文，提出MuonGS优化器：用Gram–Schmidt投影去除Muon更新中的径向分量，不固定权重范数，并证明权重范数最多按√t增长，累积有效学习率为Ω(√T)。 在160M、400M参数稠密模型以及135M激活/1B总参数MoE模型的预训练实验中，论文称MuonGS在长训练周期下验证困惑度低于MuonH，稠密模型在相同验证损失下估计获得最高约15%的token等效加速。这些结果来自论文自身的实验数据，尚未经第三方独立验证。
AI 根据报道生成 · 1 小时前更新
最新进展10月28日 01:56
MuonGS：用松弛的权重范数控制预训练 LLM报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv · cs.AIMuonGS：用松弛的权重范数控制预训练 LLM
论文提出 MuonGS 优化器，用 Gram–Schmidt 投影去除 Muon 更新中的径向分量，不固定权重范数，并证明权重范数最多按 $\sqrt{t}$ 增长，累积有效学习率 $C_T=\Omega(\sqrt{T})$。在 160M、400M 稠密模型及 135M 激活/1B 总参数的 MoE 模型预训练中，MuonGS 在长训练周期下验证困惑度低于 MuonH，稠密模型在相同验证损失下估计获得最高约 15% 的 token 等效加速。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。