当前位置:

首页 > 硬件相关 > ICML26 重磅成果!清华 UDS 智能筛选训练样本,大模型微调算力直接减半

ICML26 重磅成果!清华 UDS 智能筛选训练样本,大模型微调算力直接减半

大模型监督微调SFT,过去一直被当作一个“数据越多越好”的活儿。但如果你真的在一线跑过训练,就会知道这个直觉有多离谱。2026年的产业数据很清楚:国内大模型训练的整体算力有效利用率,连五成都不到。大量GPU资源,其实都消耗在那些重复、低信息量、甚至带偏见的冗余样本上。 从根子上讲,全量样本训练不仅直

本文目录

    大模型监督微调SFT,过去一直被当作一个“数据越多越好”的活儿。但如果你真的在一线跑过训练,就会知道这个直觉有多离谱。2026年的产业数据很清楚:国内大模型训练的整体算力有效利用率,连五成都不到。大量GPU资源,其实都消耗在那些重复、低信息量、甚至带偏见的冗余样本上。

    从根子上讲,全量样本训练不仅直接推高了GPU采购和云算力租赁的成本,更麻烦的是,它容易把模型喂出过拟合,甚至放大认知偏差。金融、医疗、工业这些垂直领域,企业做定制化微调,动不动就是几十万条标注数据,时间和资金成本高得吓人。算力浪费,已经成了制约中小AI企业迭代模型的核心瓶颈。

    业内其实早就意识到智能筛选样本的价值,也出现过MaxLoss、MaxGrad、GREATS这类在线批次选择方案。但问题在于,这些方案各有各的硬伤。多数方法只盯着样本的“训练难度”,光挑损失值高的,完全忽略了样本之间、甚至样本内部的信息多样性。结果就是,筛选出来的批量样本高度同质化,训练越跑,偏差越叠加。还有些方案,需要额外引入验证集、外部参考模型,甚至要多次反向传播算梯度,额外开销比全量训练还大,根本没法在工业场景里落地。行业一直缺的,就是一个能兼顾效率、精度和轻量化的一体化筛选框架。

    这次清华团队在ICML 2026上提出的UDS框架,思路确实跳出了传统套路。核心创新在于,它直接复用前向传播时生成的logits矩阵,不需要额外计算,就能同步完成两个维度的打分。一方面,用logits矩阵的核范数来算单条样本内部的重要性,量化它自己的信息丰富度和训练增益;另一方面,通过低维投影压缩样本特征,再配合缓存缓冲区,算算当前样本跟历史训练数据的距离,保证批次内的样本足够差异化。两个分数加权融合,选出最优样本。整套流程不依赖外部数据集,也不需要第三方模型,LoRA微调、全参微调、长上下文推理,都能直接适配。

    工程上还有个很现实的难题:海量logits矩阵的存储。如果直接完整存下原始logits向量,千级样本就能吃掉几十GB显存,训练集群的并发规模直接受限。UDS用随机投影算法压缩特征维度,在几乎不损失样本距离判断精度的前提下,把内存开销压到了极低水平,配合FIFO内存缓存,这套设计很巧妙。

    消融实验也验证了,两大核心模块缺一不可。单独靠样本效用分数或者多样性距离,只能小幅提升精度;两者结合,模型综合能力就有了跨越式增长。团队选了Llama-3.1-8B和通义千问Qwen-2.5-7B这两个主流开源基座,在MMLU通用知识、ScienceQA科学问答、GSM8K数学推理、HumanEval代码生成四个权威基准上,做了多轮对照实验。结果很直观:以国产Qwen-2.5-7B为例,用UDS筛选样本训练后,MMLU准确率达到63.34%,比此前最优方案GREATS高出5.15个百分点,ScienceQA、数学、代码评测也全面领跑。训练吞吐量显著高于全量SFT模式,相同硬件条件下,单位时间能处理更多有效样本,精度和速度实现了双向提升。

    泛化能力与产业落地

    这套技术的泛化能力也很强,不受训练参数规模、上下文长度、微调模式的限制。实验分别验证了8/16不同批次大小、LoRA低秩微调、全参数微调、2048超长文本推理、分布外OOD泛化测试等多种工况,UDS在所有测试条件下都稳定优于全量训练、随机采样、传统loss筛选等基线方案。对比离线样本筛选算法FisherSFT,在同等样本选取比例下,四大基准指标全面领先,这说明在线动态筛选比事前离线过滤更贴合实时训练的真实需求。

    站在产业发展的视角,UDS的落地时机正好。2026年AI产业的竞争逻辑,已经从比拼硬件算力规模,转向了单位算力产出的模型效能。IDC预测,未来推理和微调的算力需求还会持续暴涨,HBM高端存储、GPU硬件成本长期维持高位,中小企业很难持续承担全量数据集训练带来的巨额开销。清华这套原生轻量化筛选框架,不需要改造底层算力硬件,仅靠算法优化就能砍掉半数算力消耗,这对垂直行业定制模型的落地门槛,是一次实打实的降低。

    对于国内开源产业来说,通义千问、Llama系列已经是企业微调的主流基座,UDS可以直接无缝接入现有训练流水线,不需要重构数据处理架构。政务、制造、金融这些垂直领域的服务商,不需要再囤积大规模高端算力集群,靠少量GPU就能完成高质量模型微调,产品迭代周期大大缩短。算力资源有限的科研团队和初创AI公司,也能用更低的试错成本,推动细分场景的专用小模型快速落地,进一步激活国内AI的长尾创新活力。

    综合来看,清华UDS在ICML 2026上拿出的这套方案,标志着大模型监督微调正式告别“数据堆砌”的粗放阶段。这套依托原生logits、兼顾样本效用与多样性、极低额外开销的在线筛选框架,既解决了全量训练算力浪费、模型过拟合等行业共性痛点,又适配了国内外主流开源基座和各类工业微调场景。随着技术逐步开源落地,大模型训练将迈入“精准选样本、高效练模型”的精细化时代,全行业的算力成本压力有望持续缓解,人工智能技术在千行百业的规模化落地,也更值得期待了。

    本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
    作者最新文章
    硬件相关
    相关文章 更多
    deepseek网页版登录入口官网免费在线使用教程
    deepseek网页版登录入口官网免费在线使用教程

    想要免费体验DeepSeek大模型?本文提供DeepSeek网页版官方登录入口,详解注册步骤、免费额度规则及深度思考模式的使用技巧,助你安全、高效地利用AI提升工作效率。

    Temperature与Top-p有什么区别?大模型采样参数解析
    Temperature与Top-p有什么区别?大模型采样参数解析

    深入解析大模型中 Temperature 和 Top-p 参数的区别。通过 Softmax 计算和累计概率示例,说明温度如何影响概率分布形状,Top-p 如何筛选候选词集合,帮助理解模型生成机制。

    智谱等中国大模型何时达到Fable级别水平?马斯克:或许明年一季度
    智谱等中国大模型何时达到Fable级别水平?马斯克:或许明年一季度

    马斯克回应称中国大模型或于2027年一季度达到Fable级别。智谱GLM-5.2多项评测与海外头部模型差距缩小至1%-4%,在CodeArena获全球可用模型第一。智谱股价单日涨26%,市值破9000亿港元。科创板拟扩大第五套标准支持AI企业上市。

    我国首个水产育种专用智能大模型平台发布
    我国首个水产育种专用智能大模型平台发布

    6月19日,我国首个水产育种专用智能大模型平台“蓝鲲智种”在海南发布,由青岛蓝色种业研究院联合中国海洋大学等打造,标志着水产育种领域拥有专属科学智能模型和基础平台。

    7B小模型如何在代码任务上打败数百亿参数的大模型?
    7B小模型如何在代码任务上打败数百亿参数的大模型?

    研究团队提出并行循环Transformer,让70亿参数模型通过两次内部循环思考,在代码任务上超越数百亿参数的大模型,第三次循环后性能因收益-代价失衡而下降。结合显式推理链可进一步提升效果。

    英伟达发明了一种让AI小模型向大模型学习的新方法,效果出奇地好
    英伟达发明了一种让AI小模型向大模型学习的新方法,效果出奇地好

    英伟达提出ZPPO方法,让大模型智慧以题目背景而非答案形式辅助小模型学习,通过二元候选、负面候选及回放缓冲区三大组件,在0.8B模型上视觉语言理解提升9.3%,全面超越现有方法。

    大模型战争下半场:谁还愿意一直租用 AI?
    大模型战争下半场:谁还愿意一直租用 AI?

    闭源API成本高、依赖性强,开放权重模型因可部署、可控、低成本而受青睐。2026年智谱GLM-5.2在特定任务接近美国前沿水平,标志前沿能力通过开放权重扩散。企业转向混合路线,模型调度层成为新机会,核心问题从“谁最强”变为“谁还愿意一直租用AI能力”。

    ICML 2026 | 当大模型开始发明自己的语言:如何让 LLM 用更少 Token 完成高强度推理
    ICML 2026 | 当大模型开始发明自己的语言:如何让 LLM 用更少 Token 完成高强度推理

    CLSR提出让大模型智能体自主生成演化机器语言符号体系,将推理链视为带宽受限的状态传输。实验表明,该方法在多种基准上将生成端token降低约3-6倍,基本维持原始CoT准确率,并改善accuracy-token帕累托前沿。

    国产算力股集体拉升,美团发布首个全国产训推万亿参数大模型
    国产算力股集体拉升,美团发布首个全国产训推万亿参数大模型

    6月30日国产算力板块拉升,寒武纪涨超8%市值破万亿。美团发布LongCat-2.0,为首个完全基于国产算力训推的万亿参数大模型,参数超1.6万亿,测试版调用量全球前三,训练峰值算力超5万卡,成本低于同类模型。

    前苹果AI Platform技术负责人,回国加入具身大模型战场
    前苹果AI Platform技术负责人,回国加入具身大模型战场

    前苹果AI平台技术负责人田野回国创立RoboScience机器科学,发布VLOA架构,通过物体轨迹解耦硬件,利用互联网视频和仿真生成海量数据,将单条数据成本降至几分钱,实现机器人读说明书拼装家具等复杂任务。

    查看更多
    精品专题 更多
    装机必备
    装机必备

    正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

    Windows
    Windows

    正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

    PDF教程
    PDF教程

    正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

    Mac软件 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    Aperty macOS版
    Aperty macOS版
    macOS

    Aperty 是 Skylum 推出的 AI 人像修图软件,支持自然肤质修饰、瑕疵处理、面部与身体调整、预设及批量同步。

    WINDOWS 更多
    讯飞智作 网页版
    讯飞智作 网页版
    Windows/ macOS/ Linux

    讯飞智作是一款基于语音合成技术、虚拟人驱动技术与数字人形象声音构建能力的 AI 数字人音视频创作平台。

    火山引擎 网页版
    火山引擎 网页版
    Windows/ macOS/ Linux

    火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力,依托字节自研豆包多模态大模型,凭借火山方舟一站式平台,提供模型精调、推理部署、智能应用搭建等全链路服务,结合高性能AI算力,助力各行业快速落地大模型数字化与智能化应用。

    PixTV 网页版
    PixTV 网页版
    Windows

    PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台,提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具,适合短剧、漫剧、广告及社交媒体内容制作。