研究系统对比 NVFP4 低精度预训练配方
原文标题：What Matters for NVFP4 Training? A Comparative Study of Low-Precision Pretraining Recipes
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文在中型模型规模上系统比较 NVFP4 训练配方，覆盖 8B 稠密模型与 30B-A3B MoE 模型、训练至 1T token。研究提出融合无偏梯度估计的最终配方，称是当前该规模下与 BF16 损失差距最小的 FP4 训练结果。消融显示选择性高精度层对大规模精度恢复是必要的。
- 问题
- NVFP4 低精度训练配方多在小模型短训练上验证，中大规模是否成立未知。
- 方法
- 在 8B 稠密与 30B-A3B MoE 上训练至 1T token，系统消融各配方组件，提出融合无偏梯度估计的最终配方。
- 结果
- 称是当前该规模下与 BF16 损失差距最小的 FP4 训练结果；选择性高精度层对精度恢复必要。
- 影响
- 为用 FP4 训练大模型降本提速提供可复现配方，直接关系训练吞吐与能耗。
深读 · 结论先行AI 生成展开看要点与影响 ↓
NVFP4训练配方在8B稠密与30B-A3B MoE、1T token规模上系统对比，称与BF16损失差距为同规模最小。
- •覆盖8B稠密模型与30B-A3B MoE模型，训练至1T token，属中等模型规模下的系统对比。
- •最终配方融合无偏梯度估计，量化误差低于随机舍入。
- •消融显示：配方中每项技术都可测量地改善损失轨迹；选择性高精度层对大规模精度恢复是必要的。
- •并非反向传播中所有张量都同等受益于去偏，剩余张量仍有应用互补误差降低技术的空间。
为什么重要：FP4预训练能否在真实规模上追平BF16，直接决定训练吞吐与能耗收益能否落地；该文给出了哪些配方要素是必需的。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。