新缩放定律：合成数据改写比例随算力上升
原文标题：Rewriting Scaling Laws for Synthetic Data with Compute and Data Constraints
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。
论文提出针对合成数据改写的缩放定律，用模型规模、训练 token 数、改写 token 占比与自然数据轮数预测损失，并把生成改写所耗算力计入成本。在算力受限设定下，最优改写比例随算力从 3e18 FLOPs 时的不足 10% 升至 1e22 FLOPs 时的 32%；据此外推训练的 220 亿参数模型最终损失与预测仅差 1.1%，且以十分之一算力超过其改写器。
- 问题
- 合成数据改写该花多少算力、学生能否超过改写器，缺乏定量指导。
- 方法
- 提出改写缩放定律，用模型规模、token 数、改写占比与自然数据轮数预测损失并计入生成算力。
- 结果
- 最优改写比例从 3e18 FLOPs 时不足 10% 升至 1e22 FLOPs 时 32%；22B 模型预测误差 1.1%，以十分之一算力超过改写器。
- 影响
- 数据配比决策从经验试错变为可预算的公式，直接指导预训练语料构建。
深读 · 结论先行AI 生成展开看要点与影响 ↓
新缩放定律显示最优合成改写比例随算力从不足 10% 升至 32%，220 亿模型以十分之一算力超过其改写器。
- •定律用模型规模、训练 token 数、改写 token 占比与自然数据轮数预测损失，并把生成改写的算力计入成本
- •算力受限设定下，最优改写比例从 3e18 FLOPs 时不足 10% 升至 1e22 FLOPs 时 32%
- •外推 33 倍 FLOPs 训练 220 亿参数模型，最终损失与预测仅差 1.1%
- •该模型在多个网页域上 BPB 优于其改写器，而训练算力只有改写器的十分之一
- •数据受限设定下改写器与目标同规模、在固定种子集上预训练，最优改写比例同样随算力上升
为什么重要：合成数据已是预训练标配但花多少算力改写一直靠猜，这条给出可外推的定量依据，并说明学生可以反超改写器。
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。