Temperon：以更少训练时间达到全时 SAM 质量
原文标题：Temperon: Full-Time SAM Quality at a Third Less Wall-Clock
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 Temperon 训练策略：前 43% 轮次用普通 SGD 探索，随后一次性切换，将整个余弦退火阶段交给 SAM 包裹的 Muon 精修器。在 CIFAR、SVHN、Tiny ImageNet 上精度追平全时 SAM，并在三个数据集上提前 32%–35% 达到最难目标。该分配规律可迁移至 GPT-2 预训练，节省 29% 墙钟时间，并已开源可 pip 安装的实现。
- 问题
- SAM每步训练成本翻倍，但其收益集中在训练末期，如何分配昂贵训练模式。
- 方法
- 前43%轮次用普通SGD探索，随后一次性切换，把整个余弦退火阶段交给SAM包裹的Muon精修器。
- 结果
- CIFAR-10/100、SVHN、Tiny ImageNet精度追平全时SAM，三个数据集提前32%–35%达到最难目标；GPT-2预训练节省29%墙钟时间。
- 影响
- 训练末期才用SAM即可省下近三分之一时间，且已有可pip安装实现，可直接替换现有训练配方。
深读 · 结论先行AI 生成展开看要点与影响 ↓
Temperon前43%轮次用普通SGD、后段全交SAM包裹的Muon精修，精度追平全时SAM且GPT-2预训练省29%墙钟时间。
- •前43%轮次用普通SGD探索，随后一次性切换，把整个余弦退火阶段交给SAM包裹的Muon精修器
- •CIFAR-10/100、SVHN、Tiny ImageNet上精度追平最佳全时SAM，三个数据集提前32%–35%达到最难目标
- •消融显示Muon精修器单独贡献+0.85pp，探索器形状与重启无贡献并被撤回
- •规律迁移至GPT-2预训练：全SAM质量下节省29%墙钟时间；GLUE微调以三分之一SAM成本不劣于全时SAM
- •边界明确：Tiny ImageNet上Muon未带来层级提升，此时晚段SAM对手直接胜出
为什么重要：SAM每步成本翻倍，把昂贵模式集中到训练末段是可立即落地的算力节省，且论文给出了失效边界。
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。